三大互联网巨头抢购高德软件 阿里巴巴胜算最大

【导读】坊间盛传,腾讯、百度和阿里巴巴正在与中国第一大导航地图供应商高德洽谈收购事宜。为什么三大互联网巨头都想收购高德?谁又能笑到最后?公司无间道关注:高德争夺战。

    据经济之声《天下公司》报道,昨天晚上10点35分,创业公社创始人李易发了一条微博,说坊间盛传,高德软件公司正在与腾讯、百度和阿里巴巴轮番洽谈投资事宜。《天下公司》栏目联系到了李易,他表示,他所说的投资事宜指的其实是腾讯、百度和阿里巴巴打算收购高德软件公司。

    高德软件公司是国内第一大导航地图供应商,这家公司成立于2002年,拥有甲级导航电子地图测绘资质和甲级航空摄影测绘资质。2010年7月1日,高德软件在美国纳斯达克成功上市。李易表示,高德拥有的测绘资质证明了这家公司的实力:

    李易:高德在国内导航地图类别里应该是排第一名,能做这件事情的人不简单——首先需要比较强的背景,有比较大的资质才能做这个事情。高德公司全国各地开着车实时去丈量道路,这个东西要是没有资质,国家能允许你做吗?取得和维持这个资质第一需要实力,而不是企业你想做就能做到。

    事实上,无论是谷歌地图,还是苹果地图,有关中国的所有资料都是来自高德软件。这家公司固然很有价值,但在腾讯、百度和阿里巴巴三家公司中,只有百度是做地图的,为什么他们都想收购高德呢?

    李易:现在手机上用地图或导航已经排到了前五名,甚至前三,未来的空间很大,实际上是移动互联网的入口。百度、腾讯、阿里巴巴手上的现金非常多,高德地图对于他们来说,首先能够壮大他们在移动互联网时代对于流量的获取,将来对于它的延伸服务也有重大的意义。阿里巴巴将来要做物流,实时的定位,实时的地图非常需要。对于百度来说,本身自己在做地图,用收购的方式比自己做可能更划算;对于腾讯来说,他又要做电商,又要抢入口,将来是无可不做,他更有理由要去收这样一个有战略性意义的东西。

    不过,既然高德软件未来的想象空间这么大,公司的股东为什么还愿意把它卖掉呢?留在手里等待它继续成长不好吗?创业公社创始人李易说,高德也有自己的难处:

    李易:它的主营收入现在增长相当缓慢,作为一个移动互联网产品,你可能做到1亿,但实际上那是免费产品,就像微信一样,做4G用户还是一个坑,没钱挣。所以现在股东来讲,心里也有点发毛,互联网公司如果再抛一个比较诱人的价钱,那么确实是可以谈。

    从今天美股收盘的情况来看,高德软件报收于10.81美元,总市值为5.3亿美元。如果这家公司真的出售,那么能卖多少钱?据了解,以色列一家与高德类似,但规模小得多的公司,都让Facebook开出了10亿美金的天价:

    李易:国外已经有这样的案例,以色列的一个公司,在很早期的时候李嘉诚就投资了它,Facebook在去年也开出了天价10亿美金去收这个公司。某意义上来讲,对于一个已经上市资本化的公众公司来说,没有什么收购是不可能的。

    有意思的是,奇虎360的董事长周鸿祎是高德的独立董事,而最近两年,奇虎360与腾讯、百度一直纷争不断,打过无数的口水仗。因此有网友在评论这三家公司谁最有可能收购成功的时候说:百度已经有自己的地图产品,腾讯与360的关系人尽皆知,倒是阿里巴巴为了做大物流,最有可能笑到最后。

    今天《天下公司》也一直想联系有关的四家公司,向他们了解情况。阿里巴巴公关负责人顾建兵只回应了一句话:市场传言,不予置评。而其它三家公司的电话一直无人接听。关于谁最有可能成功收购高德软件,创业公社创始人李易也认为是阿里巴巴,因为它开得价钱最高:

    李易:照目前看,阿里巴巴的可能性应该是最大的,百度是最早谈的,但是百度据说是嫌太贵,对方可能开了一个李彦宏认为是天价的价格。腾讯据我所知,反正也在谈,但是现在好像最积极的,在出价方面最为大方的是阿里巴巴。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值