CNET科技資訊網(wǎng) 7月11日 北京消息: “互聯(lián)網(wǎng)造車”漸漸走到風口之上。
近日,馬云開始為阿里巴巴的造車行動公開站臺,格力電器董明珠也宣布進軍智能汽車計劃——當互聯(lián)網(wǎng)巨頭和傳統(tǒng)制造企業(yè)紛紛掉頭進入一個產(chǎn)業(yè)的時候,投資圈的人就知道“風已經(jīng)起來了”。
不過,最早進入這一領域的樂視超級汽車卻似乎有些麻煩:近日網(wǎng)上開始流傳其首輪融資遇冷、僅聯(lián)想控股一家公司參投等負面消息,對此樂視官方一直保持緘默。
“互聯(lián)網(wǎng)造車趨勢已成,資本不可能在這個時候放過投資樂視的機會。”一位參與樂視超級汽車首輪融資的某金融機構(gòu)人士告訴記者。“據(jù)我所知,他們這輪融資可能在1-2周內(nèi)就全部完成了。”
樂視超級汽車版圖已成
樂視超級汽車以超強的產(chǎn)業(yè)大咖集結(jié)能力著稱:丁磊、張海亮固然是樂視汽車生態(tài)對外官宣時最為亮麗的兩張名片,但其實還有更多大咖隱身背后擔任“里子”的角色。此前美路透社記者就曾經(jīng)爆出,樂視超級汽車在汽車產(chǎn)品質(zhì)量管控等領域也早有牛人坐鎮(zhèn),以至于某巨頭至今仍為痛失人才而遺憾。
最新數(shù)據(jù)顯示,樂視超級汽車團隊目前人數(shù)在1000人左右,分布在北京、硅谷和洛杉磯等地。
雖然業(yè)內(nèi)常常將樂視汽車與特斯拉相對比,但實際上兩者模式并不相同。特斯拉更偏重電動車屬性,而樂視超級汽車卻主打互聯(lián)網(wǎng)概念。為此,它除去布局智能互聯(lián)網(wǎng)電動汽車研發(fā)、生產(chǎn)制造和銷售之外,車聯(lián)網(wǎng)、充電樁、尤其是汽車共享與社會化運營也是其重點布局領域。
“樂視超級汽車量產(chǎn)計劃時間表已出,整車95%以上的配套供應商已經(jīng)確定,樣車及具體參數(shù)也將公布。”針對外部反復追問樂視汽車何時推出市場,相關(guān)人士如是回應。
7月6日,賈躍亭致北美員工內(nèi)部信流出,其中透露樂視在硅谷已經(jīng)成立Le Future 實驗室,正在全力探索人工智能、無人駕駛、VR/AR等代表未來趨勢的前沿科技。
“樂視是目前在智能汽車領域布局最為完整的公司,這或許與其創(chuàng)始人的理念與堅持有關(guān)。”上述投行人士告訴記者,“它的模式和方向已經(jīng)非常清晰,資金將會將其迅速推上跑道并拉開與后進者的距離,這恐怕也是競爭對手會在此時對其發(fā)起狙擊的原因。”
首輪融資并未遇冷或于兩周內(nèi)收官
此前有媒體報道,樂視超級汽車首輪融資總額在5-10億美元之間。近期網(wǎng)上開始流傳樂視超級汽車首輪融資遇冷、且只有聯(lián)想控股參投的消息。
“這顯然不屬實。” 某PE人士這樣告訴記者。此前他試圖通過各種渠道參與其中,但由于競爭異常激烈而黯然退出,“據(jù)我所知,此次參與樂視超級汽車首輪融資的還有央企、券商和大型金融機構(gòu)。”
記者向接近樂視超級汽車的人士求證上述消息,進而獲得更多細節(jié):據(jù)稱,參與樂視超級汽車首輪融資的央企是一家早就在新能源與電動車領域進行布局的公司。而且,領投方不止聯(lián)想控股一家,相關(guān)細節(jié)仍在確認之中,“預計將在兩周內(nèi)完成。”
7月8日,記者就上述消息致電樂視控股公關(guān)部。針對網(wǎng)上關(guān)于融資遇冷等傳言,相關(guān)人士表示均為不實信息,不排除是來自競爭對手的惡意攻擊,“公司已經(jīng)收集到相關(guān)證據(jù)并擇機采取法律手段。”
至于是否有央企、券商和大型金融機構(gòu)加盟,上述人士并未予以否認,同時表示“樂視超級汽車所有消息將于首輪融資完成后對外公布,一切請以公司公告為準。”
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(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,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。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)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(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)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓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練效率,已在多個任務上驗證有效性。