繼2014年6月獲得第一輪1億元人民幣投資后,APUS今日宣布再次獲得超過1億美元融資,根據(jù)領(lǐng)投者成為資本的董事總經(jīng)理沙燁透露,這一輪融資前后整個過程不超過50天,堪比業(yè)內(nèi)融資速度之最。此輪投資者除了成為資本外,還有SIG創(chuàng)投基金和啟明創(chuàng)投共同投資,A輪投資人北極光創(chuàng)投和紅點投資繼續(xù)跟進(jìn)投資。
APUS Group創(chuàng)始人兼CEO李濤稱此前的一億元投資一半都沒用完。分析認(rèn)為,APUS之所以又能在短期內(nèi)獲得1億美元融資,估值增長約10倍,至少有以下三個顯而易見的原因。
左:APUS Group創(chuàng)始人兼CEO李濤,右:成為基金的董事總經(jīng)理沙燁
修正過去桌面出現(xiàn)的方向性錯誤
目前國內(nèi)市場上主要的Launcher是小米系統(tǒng)、360安全桌面、Q立方和Go桌面。在李濤看來,過去所有做桌面的都出現(xiàn)了方向性錯誤,“他們把Launcher當(dāng)成了美化,他們應(yīng)該叫壁紙或皮膚。”
“不同于Go桌面,APUS解決的是用戶通信,管理社交關(guān)系,用戶獲取信息,用戶使用管理這四大問題。這四個需求里面沒有一個是需要美化,美化不是主流,也不是高頻次需求。”
此外,李濤認(rèn)為產(chǎn)品要從用戶需求出發(fā),要最節(jié)省用戶的手機資源。目前除了APUS Launcher安裝的大小在1M,其他主流的Launcher安裝文件大小則在10M以上。
海外市場機會大 且沒有惡意競爭
APUS目前主攻海外市場,李濤之所以采取這樣的策略,一方面是海外市場不比中國市場小,另一方面則是海外市場的競爭相對簡單。
“我把全球移動互聯(lián)網(wǎng)市場分為三個部分,一個是美國互聯(lián)網(wǎng)市場,一個是中國互聯(lián)網(wǎng)市場,第三個是這兩個之外的市場。”李濤認(rèn)為在中美之外,“其它國家和地區(qū)”互聯(lián)網(wǎng)特別是移動互聯(lián)網(wǎng)有巨大機會。
從用戶數(shù)量來看,“海外市場”有25億用戶,絕大多數(shù)都比中國市場落后2-5年,僅看市場容量就大3倍。至于競爭者的數(shù)量,則比中國少得多。
并不只有李濤采取這種海外的曲線策略,此前海豚瀏覽器也是先搶占海外市場,再進(jìn)入到國內(nèi)。現(xiàn)在的獵豹也是一樣,根據(jù)財報,其一半以上的移動端活躍用戶來自海外市場。
“海外市場還有一個好處是不用和‘流氓’競爭,惡意競爭會將成本拉升到很高。”李濤說。
據(jù)悉,APUS Group的產(chǎn)品在2014年7月2日上線,至今6個月用戶數(shù)近億,月活躍用戶超7000萬。
從粗加工到深加工的市場營銷
針對海外市場的營銷工作,李濤擁有豐富經(jīng)驗,此前李濤幫助360手機衛(wèi)士在海外市場進(jìn)行深度拓展。
李濤總結(jié)海外市場營銷的要點是利用現(xiàn)有優(yōu)勢,“做安卓市場,谷歌繞不開,還有Facebook、twitter這些大平臺等也要充分利用。第二,前面是粗加工,還要深加工,每一個市場都有很多本地化的平臺,這些本地化平臺也會成為我們深入拓展的對象。我們在加拿大、德國、巴西印度都有本地合作伙伴。”
“而國際化則要分兩步走,用戶和市場開拓。移動互聯(lián)網(wǎng)本身是輕資產(chǎn)產(chǎn)品,市場開拓的時候不需要本地化,需要有人去理解本地市場,用更輕的方法來做本地拓展。到整個市場開拓得相對成熟,要本地商業(yè)化的時候,就要實現(xiàn)落地了。”
相比pc屏幕,手機屏幕更加寶貴,李濤認(rèn)為,Launcher的未來一定能發(fā)展成平臺級的產(chǎn)品。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。