CNET科技资讯网 10月14日 北京消息(文/周雅):从“在线金融搜索平台”到“移动金融智选平台”,融360今天在五周年成立之时坚定了自己的定位,并宣布品牌升级,同时曝光全新logo和吉祥物,可谓是改头换面。
融360创始人兼CEO叶大清
“如果百度连接的是人和信息,淘宝连接的是人和商品,腾讯连接的是人和人,那么融360连接的就是人和钱”,这是融360创始人兼CEO叶大清对于公司的方向把握,带着这个方向,融360逐渐成长为用户提供金融产品垂直搜索和推荐服务的平台。
此次融360提出的品牌战略包括平台化、技术化、数据化、智能化。
传统银行业在信用管理和审批方面无法满足大部分客户的需求,而新兴的P2P等金融产品很多存在潜在的风险,融360作为独立的第三方平台,帮用户寻找和对比优质的投资产品。
在融360的平台布局上,银行、小贷款公司、金融公司和其他贷款机构被联系起来,为个人消费者、个体工商户、小微企业提供服务。平台每个月产生1亿次信贷产品搜索,人均搜索次数从去年的3.4次上升到4.1次。
因此为了贴近不断增加的个人消费用户,融360决定启用全新品牌标志。新的logo仍以蓝色延续科技感,同时加入了人民币符号“¥”以增加大众人群对融360“找钱、花钱、省钱”的品牌认知,更适合移动端显示。
融360最新logo
移动在金融的普及速度,比其他行业要快得多。公开数据显示,2016年移动互联网在网购领域的渗透率约为68.1%。而通过移动端申请贷款的人数占比,从三年前的10%迅速增长到现在的90%,目前融360平台上的信贷申请,92%来自移动端。
在此背景下,五年来,融360平台以个人消费为目的的小额贷款占比逐年增加,10万元以下的消费类贷款申请占比已经超过七成。融360平台五年内积累了3000万用户,累计信贷申请金额约4.5万亿元,帮助用户获得贷款超过4000亿元。
早在三年前,融360创始人兼CEO叶大清就预测,在线搜索、比较、申请金融产品在国内会成为主流行为。实际上在移动互联网的助推下,这一趋势已经提前到来。每个月,在融360搜索贷款和信用卡之后,有超过200万用户提交了贷款申请,上百万用户申请信用卡。这一数字是三年前“互联网金融元年”时的近百倍。
这些数字还远远不足以满足市场需求。“在中国最渴求资金的工薪阶层消费者和小微企业,恰恰是距离钱最远的人群”,叶大清透露,“面向消费者的品牌形象只是第一步,随后产品、风控、市场方面会有诸多贴近消费者的实际动作”。
过去两年,融360团队自主研发了深度学习模型,引入了“人脸识别”等技术手段,已经开始尝试针对特定细分市场,例如蓝领人工、教育、白领新人等人群,联手放贷机构进行产品创新,基于大数据风控给用户做个性化推荐。用户即便征信空白,也有机会借到钱。
融360于2015年搭建了“天机”大数据风控系统。“天机”目前与超过40家数据与征信机构达成合作,并面向信贷机构开放了平台上积累的数亿条信贷申请数据。
数据是金融科技公司的核心竞争力。高盛今年7月在总结“6类成功的金融科技战略”中,把融360列为“数据高效化”战略的典型商业模式。叶大清认为其数据平台战略的关键在于“开放共享”和“科技驱动”。
融360在一年前四周年之际曾对外宣布获得10亿人民币投资,五年来先后共经历了四轮融资,光速创投、红杉资本、KPCP、清科集团、Star VC、云峰基金、赛领基金、华兴资本、新加坡淡马锡集团旗下兰亭投资等机构都是其投资者。
对于未来,叶大清认为,中国的金融在未来将有两个主要的趋势,其一是消费金融和理财市场的爆发,未来几年市场规模增长将在10万亿以上,超过美国成为世界最大的金融市场;其二是在线信贷将像电商一样普及,线上贷款的申请和决策占比将超过线下。
融360表示并未有明确的上市日程表。创业团队为融360的“融”字取了“长久”之意,选择了“赚慢钱”的平台模式。五年对于一个金融创业公司只是刚刚开始。
融360的吉祥物,7只不同的颜色,正在公开召集名字
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。