话题公司 › 阿里巴巴

公司:阿里巴巴

关联话题: Alibaba、阿里、闲鱼、1688

阿里巴巴集团创立于1999年,是中国大陆一家以提供互联网服务为主的综合企业集团,目前实行位于杭州,上海与北京的双总部制度。

阿里巴巴服务范围包括B2B贸易、网上零售、购物搜索引擎、第三方支付和云计算服务。集团的子公司包括阿里巴巴B2B、淘宝网、天猫、一淘网、阿里云计算、聚划算、全球速卖通、阿里巴巴国际交易市场、饿了么、飞猪、优酷、盒马鲜生、阿里影业、菜鸟网络、高德地图、Lazada、Daraz等。旗下的淘宝网和天猫在2012年销售额达到1.1兆人民币,2015年度商品交易总额已经超过三兆元人民币,是全球最大零售商。

至2012年九月底止的财政年度,以美国会计准则计算,阿里营业额按年增长74%至318.39亿元(港元‧下同),盈利急升80%至37.75亿元。2015年全年,阿里巴巴营收146.01亿美元,净利为74.94亿美元。2017年,根据阿里巴巴集团向美国证券交易委员会提交的IPO招股书显示,雅虎持有阿里巴巴集团22.6%股权、软银持阿里集团34.4%股份,另管理层、雇员及其他投资者持股比例合共约为43%,当中马云持阿里巴巴集团约8.9%、蔡崇信持股为3.6%。

2019年11月,阿里巴巴集团在在港交所二次上市。香港财经界把阿里巴巴、腾讯(港交所:700)、美团点评(港交所:3690)、小米(港交所:1810)四只中国大陆科技股的英文名称首个字母,合称“ATMX”股份。

2019年11月26日,阿里巴巴集团港股上市,总市值超4兆,登顶港股成为港股“新股王”。2020年8月,阿里巴巴集团港股总市值首次超过6万亿。

阿里巴巴拆份出去的蚂蚁集团上市前,网络金服整体遭遇到政府的强力监管,阿里巴巴同样受到影响,2021年4月10日,阿里巴巴集团涉垄断被中国市场监管总局罚款182.28亿元人民币。2023年三家中国最主要的金融机构,再联合开罚71亿元,不过也随着官方宣布最后整顿工作的完成,阿里巴巴股价开始反弹。

AI 基础知识从 0.3 到 0.4——如何选对深度学习模型?

小编带你了解AI模型架构与预训练模型的应用。从CNN、RNN到Transformer,不同架构适用于各种任务。预训练模型如BERT、GPT系列,通过微调快速适配特定需求,提升效率。Hugging Face等平台提供丰富资源,助你轻松上手AI开发。掌握这些核心概念,AI之旅更顺畅!

APIG x OKG:游戏连接治理的「最后一公里」

游戏连接治理面临七层网络挑战,OKG与APIG联手打造新一代游戏网关,实现优雅下线和无感变更。通过状态感知和流量管理,保障玩家会话连续性,优化云原生游戏体验。解决方案零改造接入,提供全维度可观测性,简化API治理,助力游戏服务快速迭代与高效运维。

150%训练效率提升:感知检测小模型训练优化方法

智能驾驶感知小模型训练优化指南:针对不同算力卡性能差异,从环境配置、代码适配到性能优化提出完整解决方案。重点解决依赖冲突、多卡通信等问题,并通过进程池、共享内存、torch加速等方法提升训练效率。测试表明优化后模型收敛速度提升80%,为自动驾驶场景下的模型部署提供实用参考。

AI 基础知识从 0.2 到 0.3——构建你的第一个深度学习模型

深度学习通过多层神经网络模拟人脑决策,自动提取数据特征,广泛应用于图像、语音和文本处理。本文以MNIST手写数字识别为例,详细介绍了深度学习的基本原理和实现流程,包括数据准备、模型定义、训练和评估步骤,帮助读者理解神经网络的核心概念和实际应用。

面向互联网2C业务的分布式类Manus Java框架

阿里巴巴推出的分布式类ManusAgent框架ali-langengine-dflow,旨在解决现有Agent架构在互联网2C业务场景中的局限性。通过结合分布式服务端与异构C端的混合架构,该框架有效打破了信息孤岛,提升了响应速度与安全性。基于Java生态,采用DFlow分布式执行库,支持本地异步运行,简化了Agent的研发与迭代,特别适用于电商等复杂业务场景。

AI写代码的“上下文陷阱”:为什么AI总是写错?如何系统性解决?

AI协作编程的核心在于系统性管理上下文,通过分层记忆结构提升效率。合理任务分解、完整背景信息、精确指令描述和有效验证反馈是关键。AI辅助记忆维护,渐进更新,确保记忆与代码同步。代码生成与测试中,控制任务规模,AI自Review代码,避免作弊和超额输出。工程师需动态认知模型能力,掌握软件架构设计,深入理解业务。

基于智能体的自适应资损防控体系 - 淘工厂实践(二)

电商平台的资金安全面临严峻挑战,传统资损防控体系效率低下且覆盖不全。基于智能体的新型防控范式,通过多智能体协同,实现了从需求分析到实时监控的全链路主动防护。智能体前置风险识别,自动生成防控措施,并构建资损知识图谱,显著提升了风险防控的精准性和效率,为电商平台的资金安全保驾护航。

AI编码不是梦:手把手教你指挥Agent开发需求

AI编码实践展示了如何通过工具如通义灵码和模型如Qwen-Max、Claude-4-Sonnet,从接口定义到业务逻辑层,实现高效开发。文章详细拆解了工程结构、应用层、数据层和业务逻辑层的生成过程,并探讨了AI在编码中的实际应用与挑战,强调技术方案和Prompt设计的重要性,展望AI在编程中的未来潜力。

AI操作网页:browser-use和AI大模型互动解析

browser-use是一款AI浏览器自动化框架,通过精巧的prompt设计和多种Message类型组合,高效完成在线任务。它利用LangChain工具,系统提示(SystemMessage)约束AI行为,人类消息(HumanMessage)传递任务信息,AI消息(AIMessage)响应指令,工具消息(ToolMessage)拓展功能。其结构化输出和上下文感知对话,为AI大模型交互提供了优秀实践。

超清分辨率文生图模型微调实践

探索了FLUX.1-dev模型在原生2k分辨率图片生成上的微调经验。通过超清图片微调和多分辨率混合训练,解决了位置编码外推和细节缺失问题,提升了模型生成超清图片的质量。微调后的模型在发丝、眼睛等细节上表现优异,兼容社区LoRA,未来将拓展更多艺术风格和高质量打标,进一步提升美学性和人物质量。

200行极简demo - 学习如何手搓一个ReAct Agent

这篇教程教你用Java打造一个极简ReAct Agent,通过200行代码拆解"思考-行动-观察"的循环机制。以补货审批场景为例,演示Agent如何解析用户需求、调用工具链并动态响应,两次对话触发4次大模型调用的过程尤为精彩。核心在于用代码实现ReAct的决策闭环,适合开发者动手实践AI决策逻辑的底层原理。

Qwen3-Embedding 全揭秘:从技术到服务,打造高效AI产品的关键路径

Qwen3-Embedding是阿里通义实验室推出的新一代文本嵌入模型,支持多语言和灵活维度定制,在语义搜索、推荐系统等场景表现优异。通过PAI或百炼平台可快速部署,支持微调定制,相比大模型延迟更低、成本更优。实验显示其响应速度达毫秒级,成本仅为LLM的1/4,适合高并发场景。提供缓存、降级等工程优化方案,助力开发者高效构建智能应用。

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

本文通过房价预测的实例,详细讲解了从需求分析到模型部署的完整机器学习开发流程。包括数据收集、特征工程、模型选择与调优等关键步骤,帮助开发者理解如何使用Python及相关库构建和优化回归模型。最后,介绍了模型部署与监控的方法,为实际应用提供了指导。

AI 基础知识从-1到0.1:带你走进机器学习的世界

AI学习从基础概念开始:人工智能(AI)模拟人类决策,机器学习(ML)从数据中提取规律,深度学习(DL)利用神经网络处理复杂任务。大模型参数庞大,依赖海量数据训练。监督学习通过标签预测,无监督学习挖掘数据潜在结构。特征工程优化数据质量,向量化和Embedding将文本转为数值向量,便于模型处理。强化学习通过试错优化策略。后续将深入模型训练和Transformer架构。

Cursor 0.50 版本升级后如何省钱又高效?一份给开发者的避坑指南

Cursor编程助手凭借强大的交互能力和精准的代码理解,成为开发者新宠。其0.50版本更新后,统一了计费机制,引入MAX模式,要求用户更高效利用。建议通过多对话框、任务拆解、对话引用等技巧提升使用效率,并合理配置Cursor Rules以优化开发流程。注意避免Cursor的常见问题,如无法读取jar包、偷懒等,确保代码质量。

1688 AI 原生应用的创新探索与实践

1688通过AI技术重构电商体验,打造找挑一体化智能导购系统。该系统突破传统搜索限制,利用大模型精准理解用户需求,结合多模态商品解析与智能推荐算法,实现从搜索到决策的无缝衔接。通过ReACT模式优化检索流程,AI导购助手可3轮对话内完成需求匹配,准确率超90%。未来将向Agent自动化和端到端模型方向演进,持续提升购物效率与体验。

- 위키
Copyright © 2011-2025 iteam. Current version is 2.144.1. UTC+08:00, 2025-07-25 01:16
浙ICP备14020137号-1 $방문자$