近日,阿里巴巴公布2015年Q2财报,阿里影业在财报中颇为抢眼,因阿里影业完成融资后剥离出报表,给阿里巴巴带来的利润高达247.34亿元人民币。就在阿里巴巴公布财报的同一天,阿里影业宣布任命新总裁和首席运营官,分别由阿里巴巴资深副总裁张蔚和邓康明担任。种种迹象显示,阿里影业经过一年时间的整合和转型后,将进入全面提速的阶段。
2014年3月,阿里巴巴以62.44亿港元收购文化中国60%股份。2014年8月6日,文化中国正式更名为阿里影业。作为阿里巴巴进军文化娱乐产业的重要布局,阿里影业的一举一动都吸引着市场的高度关注,但这家公司异常低调,与阿里系其他公司形成有趣对照。
直到进入2015年,阿里影业才开始显山露水,1月初宣布首个电影项目《摆渡人》启动。4月初披露与阿里巴巴探讨娱乐宝和淘宝电影两项资产的注入,接下来不久宣布以8.3亿元人民币全资收购粤科软件。
6月份,阿里影业闪电式完成121亿港元的巨额再融资,现金储备达到130多亿元人民币,公司宣布要打造一个“娱乐全产业链平台”。很多人直到这时才意识到,阿里影业根本不是按照一家影视公司来做的,而是要成为一家有能力构建生态的平台型公司。
昨天,阿里影业除了宣布人事任命之外,对业务组织架构也进行了调整,全面与传统影业公司脱钩。如果仔细分析阿里影业最新的业务组织架构,可以领略到“阿里系”强大的战略规划能力和企业管理文化。
根据阿里影业最新公布的业务组织架构,分为内容研发及制作、宣传发行、电商平台及海外业务四大板块,逐步在大数据底层上,构建基于互联网生态的实现各业务单元之间的全面打通和横向协同的底层平台。
从业务特点分析,内容研发和制作周期较长,电商与娱乐产业结合尚在探索,这两块业务很可能还需要1-2年才能看到成效。把宣发和海外业务划分为独立板块,可以在更短时间做出业绩,强化市场信心,为公司其他业务的发展赢得时间。
此外,阿里影业还有更深层次的战略考虑,从长远来看,阿里影业要成为一家平台型公司,其内容、电商、宣发和海外业务的能力必然会对外开放。划分为四个板块,各个板块的独立性和成长性会变得更强,发展到一定阶段,板块还可以升级为事业群。
试想3-5年后,阿里影业的内容、宣发、电商、海外四大板块,各自发展成具有服务能力和扩张性的事业群,下一步还可以拆分成更多业务单元,届时阿里影业完全可以成为与蚂蚁金服并驾齐驱的“航母”,在娱乐产业打造一个全新的生态圈。
在管理架构方面,阿里影业也进行了大调整——各个业务单元都将成立委员会,较过去拥有更大的自由度和执行力。在这些业务委员会之上,阿里影业还设立了执行委员会、投资委员会两个机构,负责重大事项和重大投资并购的决策,同时全面保障公司各个业务单元的推进和协同。
通过这些调整,阿里影业的架构更加扁平化,大部分涉及具体业务的事项在业务委员会层面就能够得到解决,把权力交给能听得见炮火的员工,各业务单元可以得到更加充分的授权,对市场可以做出更快速反应。
阿里影业CEO张强在发给全体员工的邮件中提到:“不拘一格用人,不拘一格做事”,这是阿里巴巴的一贯风格。作为娱乐产业的新兵,阿里影业却有着改造整个产业的目标,这就意味着必须要打破常规,主动变革。
去年,阿里巴巴董事局主席马云在首届世界互联网大会上说,互联网10年后的机会是健康和快乐,这两项业务将在阿里巴巴未来的战略生态版图占据重要位置。作为“快乐”业务的承接者,阿里影业的战略规划有可能做到了3-5年后甚至更长时间,眼下,好戏才刚刚开场。
好文章,需要你的鼓励
这项由IIT马德拉斯与BITS Pilani联合发布的研究(arXiv:2604.21523,2026年4月)构建了FOCUS元评估基准,系统检验了评审型视觉语言大模型的可靠性。通过向超过4000个图文和图像样本中注入40种受控错误,研究发现顶尖评审AI的检测失败率在某些条件下超过50%,物理合理性和视觉细节类错误尤为难以被发现,两两比较是最可靠的评审范式。
这篇由Sylph.AI发布的技术报告提出了一套两层自动化框架,核心思想是让AI自动优化自身的运行脚手架,再进一步让AI学会如何更高效地做这种优化。内层的脚手架进化循环通过工人代理、评估代理和进化代理的协作,自动迭代改进单个任务的运行配置;外层的元进化循环则在多个任务上训练,学习一套能快速适应任何新场景的通用进化蓝图,从而彻底消除人工脚手架工程的需求。
这篇由英伟达等顶尖机构联合发表的论文提出了一种名为Voyager的新型智能体。研究团队以《我的世界》为实验平台,通过引入自动课程规划、技能库存储以及迭代反馈机制,成功让大语言模型主导的AI在完全无人类干预的情况下,实现了在复杂开放世界中的自主探索与终身学习。实验数据表明,Voyager在物品收集、探索范围及技能解锁速度上均呈现出远超传统方法的压倒性优势,为未来开发能够自主解决真实物理世界复杂任务的通用人工智能奠定了关键的理论与实践基础。
这项由伊利诺伊大学、斯坦福大学、英伟达和麻省理工学院联合发布的研究(arXiv:2604.25917,2026年4月)提出了RecursiveMAS框架,让多个异构AI模型通过轻量级模块RecursiveLink在内部信号层面直接传递"潜在思想",形成循环协作,彻底绕开了传统多AI系统依靠文字传话的低效方式。配合两阶段内外循环训练策略,整个系统只需优化极少量参数,就能在数学、科学、代码生成和搜索问答等9个基准测试上取得平均8.3%的精度提升,同时实现最高2.4倍推理加速和75.6%的token用量削减。