
6月24日上午消息,今天是迅雷上市一周年的日子,迅雷创始人董事长兼CEO邹胜龙今天发了一条长微博,分析了私有化的话题。他指出,一家中概股要不要私有化需想清楚两个问题。
邹胜龙指出,一家中概股到底要不要私有化只要想清楚了两个问题就可以做决策。一,如果回归A股,能得到什么?二,如果不回归A股,可能失去什么?
在邹胜龙看来,此轮中概股回归的一个重大时代背景是在中国经济转型中,政府对于互联网+的殷切期望和重大扶植,资本市场已经成为重要推手。
以下为邹胜龙微博全部内容:
今天是迅雷成功IPO一周年的日子,结合最近一段时间中概股们争前恐后的宣布私有化,我想谈谈这个与IPO一周年很不相称的话题——私有化。
对每一家中概股来说,是否要私有化,各有各的情况,各有各的考虑,不能一概而论,由于这个话题太热门,我从个人角度谈谈我对这个问题的思考。
一家中概股到底要不要私有化?我认为,站在企业业务发展的角度,只要想清楚了两个问题就可以做决策。一,如果回归A股,能得到什么?二,如果不回归A股,可能失去什么?
对于前一个问题,我相信很多人的第一反应就是高估值,如果对比中美两个资本市场,这个问题几乎是显而易见的,那么,高估值能给企业带来什么?牛市下的高估值又能持续多久?
其实,受限于多种因素,高估值在短期内并不能给企业带来巨大现金。而当牛市转为熊市,能否享受到高估值的溢价,最根本的,还是要取决于企业经营。
必须要冷静认识的是,企业在享受到一定溢价的同时,必须付出的成本和代价也是不菲的。首先是财务成本,一家公司退市以及拆VIE结构的财务成本不低于当时IPO的成本,其次是时间成本,即使一家公司成功退市,能否在A股上市,以及何时上市都带有很大的不确定性,此外还包括退市以及重新上市过程中,无穷尽的股东沟通、利益分配和一关又一关的流程。
因此我认为,一定要站在企业业务发展的角度来思考这个问题:如果一家公司的主要产品面向国内市场,主要用户都在国内,那么让用户同时成为投资人并分享企业成长的红利所带来的能量是巨大的;此外我相信,不同市值的企业对人才的吸引力度也是不同的,对于互联网企业来说, 人才是最宝贵的资产,也是决定未来胜负的关键。
对于第二个问题,放在不同的企业身上更是千差万别。从一个角度来说,回归A股能得到的,就是不回归A股可能失去的,但又不限于此。
此轮中概股回归的一个重大时代背景是在中国经济转型中,政府对于互联网+的殷切期望和重大扶植,资本市场已经成为重要推手。
当互联网与传统产业紧密集合,并开始重构中国的产业格局,成为一家“中国”企业,而非VIE结构下的“外资”企业,也成为某类与中国经济紧密相关企业的不二之选。比如,涉及到政府和企业安全的行业,再比如受到政府大力鼓励的电商行业等等。
只有考虑清楚了以上两个问题,才能对“私有化”做出正确决策,既要顺应大势,又不能盲目跟风,其他都只是操作层面的问题而已。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。