科技行者 6月12日 北京消息(文/周雅):6月11日,高通创投(Qualcomm Ventures)宣布对3家中国公司进行风险投资——设备连接方案服务提供商红茶移动,车载安全驾驶辅助系统提供商腾视科技,以及云游戏公司达龙云。
在当日举行的线上媒体沟通会上,高通公司副总裁、高通创投中国区董事总经理沈劲,最新介绍了高通创投的业务近况,包括“过去半年在中国投了什么”和“接下来将要投什么”。
高通创投成立于2000年,在全球7个地区设有团队,共有30余名投资经理,目前管理资金规模超过10亿美元,正在管理被投公司超过150家。
过去九年内,高通创投成功投资并完成退出13个估值超过10亿美元的独角兽企业。其中,2019年就有三家,即视频会议公司Zoom,在科创板上市的中微半导体,以及网络安全公司Cloudflare。
目前,高通创投在中国投资的企业已经超过60家(如下图)。沈劲指出:“中国市场对高通来讲一直是一个极为重要的市场,对高通创投也是如此。”
投资看重5G、AI领域应用与赋能
高通创投此次风投的3家中国公司,分别覆盖物联网、AI垂直应用和5G应用领域,均致力于利用前沿科技创造全新价值和体验。其中,腾视科技(Tensortec)成立于2017年,是一家智能辅助驾驶系统解决方案提供商,广泛应用在陆海空有驾驶人员的交通/工程设备上;红茶移动(Redtea Mobile)成立于2015年,一家解决5G时代蜂窝物联网海量部署的关键问题的连接方案提供商;达龙云成立于2010年,是一家以5G网络为引擎的云游戏公司。
谈到高通创投的最新投资,沈劲特别指出一个重要背景——全球5G发展势头非常强劲。
目前,全球60多家运营商已经部署5G商用网络,同时380多家运营商在119个国家力争投资5G建设。60多家OEM厂商已经推出或者宣布将推出5G终端,超过375款搭载高通骁龙解决方案的5G终端已经发布或正在设计中。5G快速发展,人工智能在应用层面也进入新阶段。
沈劲介绍:“高通创投整个投资理念,围绕「5G」和「AI」这两大赋能的技术展开。”
5G与AI“双轮驱动”,使智能不再只集中在云端,而是分布在网络边缘侧以及终端侧。以前,大数据和AI能力都只集中在云端,与终端的沟通时延超过100毫秒。而5G网络的普及以及站点密集程度的增加,能够将时延缩小到1毫秒。在终端侧,AI将快速普及,包括智能手机、大量物联网设备,未来都将具备AI能力。
2018年和2019年,高通创投先后设立1亿美元AI风险投资基金,和2亿美元5G生态系统风险投资基金,以持续推动万物智能互联生态系统的培育及扩展。
尽管5G应用遍地开花,但高通创投的投资有的放矢,主要投资四个领域:
边缘侧和终端侧的人工智能;
5G时代的多媒体和XR(扩展现实);
机器人和智能制造领域,包括自动驾驶和辅助驾驶;
物联网和车联网。
与此同时,高通创投也非常看好「5G在网络运营层和网络设备层」和「5G的核心元器件和5G的新形态终端」的投资。比如高通创投今年初投资的一家独角兽企业Affirmed Networks,就是用虚拟化和云端来创新网络设备管理的一家企业,现被微软收购。
“高通创投在中国的投资活跃度仅次于美国。”沈劲说,中国在5G赋能和应用领域的创新,尤其是在垂直行业应用的创新方面水平比较高。美国则在5G网络侧的创新比较活跃,例如网络设备、网络运营(包括5G专网运营)等方面。
沈劲总结道,被投中国企业的整体表现和发展符合甚至超出预期,总体而言,对高通创投在中国市场的投资回报比较满意。
投资未因疫情放缓,或将追加
谈到疫情对高通创投的影响,沈劲坦言“没有受到疫情太大的影响,仍然完成了多家公司的最新投资”。他说,高通创投的投资数量,不会受到疫情影响,投资还有可能增加。
沈劲表示,去年底,高通创投设立了2020年投资目标,包括资金规模、企业数量等等。一个多月前,又重新进行了评估,考虑在疫情影响下是否要调整投资计划。但现在看来,不需要调整,能够完成目标。
沈劲解释原因,因为高通创投投资的领域,在疫情影响下被市场看好。
一方面,新基建首要领域就是5G。另一方面,高通公司在移动连接和计算领域,有很深的技术积累,疫情期间的数据使用量比疫情前更大,人们也更加依赖于连接。
“总体而言,VC(创投基金)目前的投资是趋于谨慎的,但高通创投(属于CVC,即企业风险投资)目前还在非常积极地投资。从此次宣布的几家被投公司,以及过去几个月的投资情况来看,高通创投的投资节奏没有放慢。”沈劲说。
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。