近日,Uber透露拟今年向中国市场投资70亿元加快布局打车市场,而后滴滴快的幕后服务商小桔科技也拟融资150亿元为扩展业务应对Uber在华扩张。
中国人口众多的特性便注定了中国的打车市场是一块大蛋糕,目前,Uber搭乘量计算的前十大城市里已有4个在中国,作为本土企业的滴滴看到这种情况当然也急了,你优惠我就免费,你融资我也融资,于是双方不悦乐乎地打了起来。
看似两家打的火热,其实说到底他们最大的敌手并不是对方,而是传统出租车公司,现在新型的互联网打车公司现在发展最大的困难并不是用户的教育,也不是补贴的资金,而是传统出租车公司和政府的阻挠。
如果大家有印象的话,应该还能想起前几天的“的哥钓鱼专车”事件,这是广州优步司机与出租车司机又一次的爆发冲突。说到底,Uber与出租车的冲突,是专车和出租车的竞争,是传统行业和互联网行业的竞争。Uber滴滴的“互联网+出行”不但颠覆了人们传统的出行方式,也严重威胁了原本相安无事闷声赚大钱的出租车公司。
如今“互联网+”发展日益迅猛,从业界新锐到行业巨头,从“互联网+出行”到“互联网+医疗”、“互联网+教育”等行业领域大动作不断,因为他们知道,优胜劣汰,不改变,唯有消亡。
“互联网+”概念的颠覆性毋容置疑,它催生了行业变革、重大机遇,但对于传统行业的大叔们来说它带来的是巨大的潜在危机。但是这个世界不进则退,趋势绝对是发展的,而未来也只属于敢于拥抱发展的人。如何抓住机遇、规避风险,成为了包括像万达新东方等所有欲变革的企业所要思考的问题。纵观巨人们倒下的历史,所犯的错误绝不是资金、市场等问题,如传统的出租行业目前所面临的困境,曾经的优势变成了一种思维定式,因而制约了互联网的转型。Uber和滴滴应市场需求而面世,个性化、多样化的“互联网+”模式逐渐成为主流。
什么是互联网+的本质?互联网+可以改造哪些行业?如何利用互联网+来改造自己的产品?供应链和营销方式在互联网+的思维下如何变革?有哪些经典案例可供学习?
《互联网+:颠覆还是被颠覆》是艾媒咨询即将出版的一本帮助传统企业转型升级的指导性书籍,不同于市面上偏理论建构或案例薄弱的同类书籍,本书经过艾媒咨询核心研究团队走访调研102家实力名企;以绝无仅有的钻研精神,遍寻研读167部“互联网”和“产业”类别涉及管理学与商业的名家著作;并向433位政府决策者、行业专家与业内人士访问取经;更依托艾媒咨询强大的第三方数据挖掘实力,对5000万量级的大数据进行追查分析,正是这一切的兢兢业业才造就了这本独一无二注定将引爆行业地震的旷世巨著《互联网+:颠覆与被颠覆》。
Uber专车与出租车的冲突事件让人看到了传统企业所面临的危机与风险,在“互联网+”的大时代下,不管是互联网行业还是传统行业,结合,似乎成为了唯一的出路。很多业内人士也感受到了这股暗涌正要袭来,变革已经刻不容缓,他们需要的是改变目前的思维定式,推动商业模式变化,重新设定“互联网+”之路。《互联网+:颠覆还是被颠覆》应运而生,此书尚未出版,就已受到20位IT行业大佬;45位知名企业CEO;33位优势投资人;51位资深媒体人等超过百余位大咖的青睐,成为本书联合发起人。
《互联网+:颠覆还是被颠覆》预计八月发布,届时线上线下所有渠道均有销售,包括京东、当当、所有实体书店、大学、机场等。我们在此面向全球发起案例征集与联合发起人众筹计划,联合各行业精英众筹出书,众筹资金、众筹资源、众筹案例、众筹渠道……如果你的案例足够精彩,请加入我们的样本案例。
加入艾媒咨询互联网+产业洞察计划,入选全球标杆案例,成为联合发起人,请关注“艾媒咨询”企业公众号,回复“互联网+”即可获取更多参与信息。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。