文章列表 - 蓝海商信 - 蓝海硅谷-金地毯

您现在的位置：首页>>文章列表

全部

文章列表

媒体称爱奇艺估值至少80亿美元最早明年上市

华尔街见闻9月26日——9月26日周二，美国媒体报道称，“中国的Netflix”爱奇艺拟最早于2018年在美国IPO，估值80-100亿美元。

估值上限的100亿美元，超过了乐视网目前的市值。不过，爱奇艺的合作方奈飞（Netflix），目前市值高达770亿美元。

爱奇艺对华尔街见闻旗下原创科技新媒体全天候科技回应称，关于上市爱奇艺没有时间表和明确计划。

美国媒体披露的爱奇艺最新的估值（80-100亿美元），恰好是去年12月华尔街日报披露的爱奇艺上市估值区间的两倍。百度希望在IPO后通过二元股权结构继续控股爱奇艺，此次IPO计划仍处于早期阶段，最终估值可能调整。

2016年2月，百度CEO李彦宏和爱奇艺CEO龚宇代表的财团，曾计划收购爱奇艺，收购计划对爱奇艺的估值在28亿美元。

但百度股东、美国对冲基金Acacia Partners发布公开信称，爱奇艺私有化的28亿美元估值过低。该起收购计划未能就交易结构和收购价达成一致，最终告吹。

Acacia Partners当时称，爱奇艺的估值能达到58亿美元。

私有化失败后，2016年12月，华尔街日报报道称，度考虑将旗下视频网站爱奇艺进行IPO，估值约40亿~50亿美元。不过当时百度回应称，尚未设定爱奇艺的上市时间表。

百度希望让爱奇艺上市，可能是希望这个视频网站筹得更多资金，来帮助自己与阿里和腾讯在视频领域展开竞争。阿里巴巴在2015年耗资超45亿美元收购优酷土豆全部流通股份，而腾讯一直把自家的视频网站攥在手里，没有分拆的迹象。

尽管此前爱奇艺一直被视作百度财报中的负累，既没有实现盈利，又在版权支出上需要百度不断烧钱。不过，爱奇艺在私有化失败后，作出了不少尝试。

今年2月，百度称，已经从一批私募股权投资者手中筹得15.3亿美元资金，用于支持爱奇艺发展。

4月，爱奇艺与奈飞（Netflix）达成内容授权合作，成为唯一一家获得Netflix授权的中国视频网站。

6月，爱奇艺创始人称，爱奇艺的“终身奋斗目标”是超过微信，成为覆盖设备数排名第一的App。

（今年3月，爱奇艺APP的月使用时长已经超错QQ，成为仅次于微信的中国第二大APP。）

爱奇艺在今夏推出的综艺节目《中国有嘻哈》，成为毫无疑问最火爆的网综。12期节目总播放量达到26.9亿次，场均播放量2.24亿次。

阿里巴巴增持菜鸟股份至51% 未来五年投千亿建全球物流网络

全天候科技9月26日——9月26日，阿里巴巴集团宣布，为进一步推进新零售战略，将增持旗下菜鸟网络的股份，并将在已投入数百亿元的基础上，未来五年继续投入1000亿元，加快建设全球领先的物流网络。

按照协议，此次阿里巴巴将投资菜鸟网络53亿元人民币。增资后，阿里巴巴持有菜鸟股权将从原来的47%增加到51%，并新增一个董事席位，从而占董事会7个席位中的4席。

阿里巴巴表示，未来1000亿元投入除了继续投资数据技术等领域的研发，还将主要用于和物流伙伴共同推进智能仓库、智能配送、全球超级物流枢纽等核心领域建设。

对于此次阿里巴巴增持菜鸟，汉森供应链总裁、中国电商协会物流专家黄刚向全天候科技表示：

阿里的动作目的在于对菜鸟绝对控股，未来阿里新零售的核心在供应链的控制，供应链的控制在大数据和金融，逐步弱化线上平台的交易。

阿里巴巴CEO张勇称，对菜鸟的增持和持续加大在物流领域投资，体现出阿里致力于提供给用户最好物流体验的决心。随着新零售战略的推进，阿里将更大程度上加强生态中的商业和物流能力，在物流关键领域加大投入，打造服务于中国乃至全球的高效物流网络。菜鸟网络总裁万霖指出：

菜鸟是一家数据公司，更是一家智能物流网络公司、商业基础设施公司。随着新零售的深入发展，未来的物流网络肯定不是现在的样子，我们将加大在相关基础设施、运营网络、智能技术等领域的投资，和物流合作伙伴一起，前瞻布局面向新零售、全球化的物流网络。

目前在阿里巴巴平台上，菜鸟智能仓配网络在国内1000多个区县提供当日达、次日达服务，天猫超市在生鲜领域推出了1小时送达的极速物流。在农村网络方面，菜鸟搭建了覆盖全国近3万个村庄的送货进村服务。

香港地产股反弹强劲腾讯领衔科技股重挫

华尔街见闻9月26日——今日香港恒生指数开盘跌0.7%至27308.61点，很快就转涨0.1%；恒生中国企业指数涨0.6%。各版块中，地产股转跌为涨，强劲反弹，科技股开盘遭重挫。

开盘之后，地产股延续昨天下跌趋势，中国恒大、雅居乐开盘跌逾3.3%，旭辉控股、中国金茂、碧桂园跌逾2%，富力地产、佳兆业、新城发展控股跌逾1.7%。

不过下跌没有维持很久，香港内房股很快就扭转了开盘下跌趋势，反弹强劲。

截止上午10点，佳兆业涨6%，融创中国涨3%，碧桂园、旭辉控股涨超2%。此外，中国恒大上涨近1%，中国奥园现涨5.25%，雅居乐现涨1.48%。

科技股方面，腾讯控股开盘下跌3.4%，不过很快跌幅就收窄。截至上午10点，腾讯控股跌幅为1.58%。

昨日腾讯由于对微信公号未尽到管理义务，被广东网信办处以最高罚款。

因未尽到管理义务，北京市网信办对新浪微博作出最高罚款，对百度贴吧作出从重罚款。

北京市网信办依据《中华人民共和国网络安全法》就新浪微博对其用户发布传播“淫秽色情信息、宣扬民族仇恨信息及相关评论信息”未尽到管理义务以及百度贴吧对其用户发布传播“淫秽色情信息、暴力恐怖信息帖文及相关评论信息”未尽到管理义务的违法行为，分别作出行政处罚。

此外，瑞声科技开盘跌4.2%，舜宇光学跌6%，丘钛科技跌3%。

隔夜美股大跌，科技股重挫。

本周一，标普信息技术板块指数下跌，股票代码首字母合称FANG的Facebook、亚马逊、Netflix和谷歌母公司Alphabet股价创将近四个月最大跌幅。

其中，Netflix下跌4.7%，Facebook也跌超4%，亚马逊和Alphabet的跌幅一度曾达2%。

效果超过SGD和Adam，谷歌大脑的「神经网络优化器搜索」自动找到更好的训练优化器

谷歌大脑近期放出了一篇论文「Neural Optimizer Search with Reinforcement Learning」（强化学习的神经网络优化器搜索），用强化学习的方法为神经网络（尤其是深度学习）找到最佳的优化算法/权重更新规则。论文并没有重新制造轮子，但也取得了不错的效果，而且也引起了一定的关注。 AI 科技评论把论文内容简介如下。

要成功训练一个深度学习模型，选择一个适当的优化方法是非常重要的。虽然随机梯度下降法（SGD）通常可以一上手就发挥出不错的效果，不过 Adam 和 Adagrad 这样更先进的方法可以运行得更快，尤其是在训练非常深的网络时。然而，为深度学习设计优化方法是一件非常困难的事情，因为优化问题的本质是非凸问题。

在这篇论文中，谷歌大脑的研究员们讨论了一种方案，它可以自动设计优化方法中的权重更新规则，尤其是对于深度学习架构。这个方案的重点是使用了一个RNN结构的控制器，这个控制器可以给优化器生成权重更新方程。这个RNN结构的控制器是通过强化学习的方式训练的，一个具体的网络结构用它生成的更新规则进行同样次数的训练后，可以把模型准确率最大化。这个过程如下图。

训练神经网络很慢、很困难，之前有许多人设计了各种各样的方法。近期的优化方法结合了随机方法和批量方法的特点，比如用mini-batch，跟SGD类似，但是实现了更多的启发式方法来估计二阶对角信息，就和无黑塞方法（Hessian-free）或者L-BFGS类似。这样吸收了两种方法优点的方案通常在实际问题中有更快的收敛速度，比如 Adam 就是一个深度学习中常用的优化器，实现了简单的启发式方法来估计梯度的均值和变化幅度，从而能够在训练中更加稳定地更新权重。

之前的许多权重更新规则都借鉴了凸函数分析中的想法，虽然神经网络中的优化问题是非凸的。近期通过非单调学习速率的启发式方法得到的经验结果表明，在神经网络的训练方面我们仍然知之甚少，还有许多非凸优化的方法可以用来改进训练过程。

谷歌大脑的研究员们的研究目标是在人们已经熟悉的领域内为神经网络训练找到更好的更新规则。换句话说，他们没打算靠自己重新建立一套全新的更新规则，而是用机器学习算法在现有的更新规则中找到比较好用的。最近也有研究人员提出类似的方法，用模型学习生成更新数值。这里的关键区别是，谷歌大脑的这项研究是为权重更新生成数学形式的方程，而不是直接生成数值。生成一个方程的主要好处是可以轻松地迁移到更大的任务中，而无需为新的优化问题额外训练别的神经网络。而且，虽然他们设计这个方法的目的不是为了优化更新规则的内存占用的，不过还是能够在得到与 Adam 或者 RMSProp 等同的更新规则的情况下占用更少的内存。

论文中的方法受到了近期用强化学习做模型探索的研究的启发，尤其是在神经网络结构搜索上，其中用了一个 RNN 生成神经网络架构的设置文本。除了把这些关键思想用在不同的应用中，论文中的方法还展现出了一种全新的模式，把原有的输入以灵活得多的方法组合起来，从而让搜索新型的优化器变得可能。

控制器 RNN的总体结构。控制器会迭代选择长度为5的子序列。它首先选择前两个操作数和两个一元函数来应用操作数，然后用一个二进制函数合并两个一元函数的输出。获得的结果b就可以被下一轮子序列选中作为预测，或者成为更新规则。每次的预测都是由一个softmax分类器执行的，最后成为下一轮迭代的输入。

根据论文中的实验结果，在用 CIFAR-10 训练一个小型的卷积网络中，他们的方法比 Adam、RMSProp、带或者不带 Momentum 的 SGD 找到了许多条更好的更新规则，而且这些生成的更新公式中很多都可以轻松地迁移到新的模型架构或者数据集中使用。比如，在小型卷积网络训练中发现的权重更新规则在Wide ResNet 的训练中取得了比 Adam、RMSProp、带或者不带 Momentum 的 SGD 更好的结果。对于 ImageNet 数据集，他们新找到的更新规则在目前最先进的移动设备级别模型的 top-1 和 top-5 正确率基础上继续提升了最高 0.4%。同样的更新规则在谷歌的神经机器翻译系统上也取得了不错的成果，在WMT 2014 英文到德文的翻译任务中最高能带来0.7BLEU的提升。