8月1日消息,滴滴出行宣布与Uber全球达成战略协议,滴滴出行将收购优步中国的品牌、业务、数据等全部资产在中国大陆运营。这一里程碑式的交易标志着中国共享出行行业进入崭新的发展阶段。
据悉,双方达成战略协议后, 滴滴出行和Uber全球将相互持股,成为对方的少数股权股东。Uber全球将持有滴滴出行5.89%的股权,相当于17.7%的经济权益,优步中国的其余中国股东将获得合计2.3%的经济权益。滴滴出行也因此成为了唯一一家腾讯、阿里巴巴和百度共同投资的企业。同时,滴滴出行创始人兼董事长程维将加入Uber全球董事会。Uber创始人Travis Kalanick也将加入滴滴出行董事会。
未来,优步中国将保持品牌和运营的独立性,司机和乘客继续获得稳定服务。滴滴出行将整合双方团队在管理和技术上的经验与专长,在用户资源、线上线下运营和营销推广等层面共享资源、协同发展。同时,滴滴出行亦会倡导内部竞争和相互促进,以更加精细化、多元化的创新服务,满足消费者日趋丰富的出行需求,持续提高司机收入。滴滴出行还将与监管机构紧密合作,持续进行市场培育;创造健康有序的行业生态,为中国的经济增长和就业转型做出更加积极的贡献。
程维表示,在过去的两年多时间,滴滴出行和Uber在中国这片创新的赛场上不断过招比拼,相互学习砥砺。作为植根中国的科技领袖,滴滴出行希望不断推进科技创新,改变人类出行的未来。与Uber的合作,将让整个移动出行行业走向更健康有序、更高层次的发展阶段。此次合作后,滴滴出行将继续与监管者、广大用户和各界伙伴一起不懈努力,为解决城市的交通、环保和就业挑战贡献力量。
此次并购之后,双方原有的补贴、红包等问题引发消费者关注,很多用户都有共同的疑问:合作之后红包还继续发吗?司机乘客的补贴还会有吗?你们会涨价吗?对此,滴滴出行表示,未来很长一段时间内仍将以最大限度提升用户出行体验为业务方向之一,在相当长的时间内,针对乘客的红包补贴和司机的奖励将继续发放。
分析认为,这一并购对目前网约车的市场价格很难产生根本性的影响和变化。首先,对于拥有十三亿总人口、八亿城市人口的中国市场来说,移动出行市场才刚刚起步,滴滴的渗透率仅为1%左右,滴滴出行、优步中国及整个移动出行行业还有非常广阔的发展空间,在继续深度运营一二线城市既有用户群体的同时,大量三四五线城市有待开拓和教育,而补贴是降低使用门槛、吸引用户的方式之一,而且短期内会有直观效果,对双方而言都不会轻言放弃。
今年来程维也曾多次表示,补贴是一种教育用户的手段,教育用户是要付出一定的代价的,未来补贴还会长期存在。对于Uber来说,其在中国的推广也和补贴密不可分。
易观国际高级分析师张旭表示,就已经渗透的市场来说,这也是一个完全竞争的市场,除了滴滴和优步中国两家,尚有易到、神州专车、首汽等多个玩家“虎视眈眈”,各地也都跃跃欲试建立地方的网约车平台。以易到和神州为例,在过去的一年多里,他们投入了非常多的精力在提升补贴和扩展用户这方面,比如神州的充100送100和易到的充10000返10000等营销活动,都为其拉升了不少订单。也就是说,在这个充分竞争的市场,各家都有相当的实力,面对如此众多的竞争对手,谁也不敢轻言取消补贴、抬高价格。
此前滴滴和快的的合并就是最好的案例。当时业界均担心补贴没了,而实际上,合并之后因为无谓消耗的减少和众多新业务的推出,滴滴出行通过技术的优化,让消费者享受到了更便宜的服务。
事实上,网约车的市场价格不完全由玩家决定,监管层面也有很大的话语权。前几天发布的国家层面的网约车管理条例要求,网约车应保持高品质、差异化运营,其中“高品质”一词或许对将来各家的定价策略有加大影响。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。