北京時間5月15日上午消息,PayPal周四宣布,在與eBay市場業(yè)務(wù)分拆之后,該公司將在納斯達克上市,股票代碼為“PYPL”。這也是2002年P(guān)ayPal被eBay收購之前所使用的股票代碼。
這一分拆預(yù)計將于今年第三季度完成。PayPal總裁丹·舒爾曼(Dan Schulman)將在分拆之后出任PayPal CEO。他表示:“我很激動,作為一家獨立公司PayPal能回歸自己的根源。對公司來說,這是一個意義深遠的代碼,因為這表明,我們將繼續(xù)堅持17年前PayPal創(chuàng)立時最初的精神。”
eBay于去年宣布將分拆PayPal。此前,激進投資者卡爾·伊坎(Carl Icahn)認為,eBay的增長放緩限制了PayPal的發(fā)展。在加入PayPal之前,舒爾曼供職于美國運通。
另一方面,在分拆完成后,eBay當(dāng)前的15名董事會成員將分別擔(dān)任eBay和PayPal的董事會成員。
作為eBay的創(chuàng)始人,eBay董事長皮埃爾·奧米迪亞(Pierre Omidyar)將成為兩家公司的董事。eBay董事會的其余成員包括:
弗雷德·安德森(Fred Anderson),私募股權(quán)公司Elevation Partners董事總經(jīng)理;
愛德華·巴恩霍爾特(Edward Barnholt),安捷倫前CEO;
安東尼·貝茨(Anthony Bates),GoPro總裁;
伯尼·哈莫爾(Bonnie Hammer),NBC環(huán)球有線娛樂部門董事長;
凱瑟琳·米蒂奇(Kathleen Mitic),Sitch CEO;
鮑勃·斯旺(Bob Swan),eBay首席財務(wù)官;
佩里·特拉奎納(Perry Traquina),投資公司W(wǎng)ellington Management Company前CEO。
eBay董事會的其他成員還包括即將上任的eBay新任CEO德文·維尼格(Devin Wenig),以及新任董事長托馬斯·提爾尼(Thomas Tierney)。
eBay現(xiàn)任CEO約翰·多諾霍(John Donahoe)將擔(dān)任PayPal董事長,而PayPal CEO舒爾曼也將進入董事會。PayPal的其他董事會成員還包括:
喬納桑·克里斯托多洛(Jonathan Christodoro),Icahn Capital董事總經(jīng)理;
斯科特·庫克(Scott Cook),Intuit創(chuàng)始人;
大衛(wèi)·多爾曼(David Dorman),CVS
Caremark前執(zhí)行董事長;
蓋爾·麥戈文(Gail McGovern),美國紅十字會CEO;
大衛(wèi)·墨菲特(David Moffett),聯(lián)邦家庭抵押貸款公司前CEO;
弗蘭克·伊爾利(Frank Yeary),他于今年1月加入eBay董事會。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團隊開發(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。
同濟大學(xué)團隊開發(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。