云媒派--原媒体比价网
在资本追逐的年代，AI智能硬件企业宣布本轮融资的消息，往往是新一轮融资的开始。因此融资信息是AI智能硬件企业的重要事件。
在融资活动中，撰写融资新闻是AI智能硬件创业公司最重要的必备技能，也是最有效、成本最低、性价比最高的传播手段之一。通过公布融资新闻，不仅可以提高目标受众与投资人对公司品牌知名度、美誉度的认可，也日渐成为创业公司吸引人才的基本软实力。
一、如何撰写融资新闻稿？什么样的融资新闻稿更容易引起媒体关注？我们就来聊聊融资信息披露的要诀。
1、画龙点睛的标题
新闻的标题可谓文章之灵魂，所以点睛之笔重如千钧。它必须题文相符，概括得当，杜绝使用过于专业或晦涩的词语。它必须简洁，一语中的精炼文章最为核心的部分。标题应避免重复字眼和标点符号，必须凸显全部信息要点，应包括公司名称、融资时间、第几轮融资、投资机构、融资金额等。例如：
2、首段很重要
稿件写作应采用“倒金字塔”结构，将最重要的内容放在标题及首段。根据调查，读者对于稿件的关注度只能持续30秒，并且通常采用Ｆ形模式浏览，重点阅读标题和首段，后面内容基本采用“扫读”的方式。
融资新闻稿可在首段叙述融资事件基本信息的同时，补充领投及跟投信息以及本次融资对于行业的冲击及影响力，例如“首次、金额最大的一次融资”这类信息背书。如此内容才有爆点，吸引眼球也便于扩散传播。
3、融资稿件的Story-telling
稿件应该提供扎实且基本的信息，例如解释公司为什么是一个好项目，解决行业的那些“痛点”，呈现的竞争优势如何填补了市场空白，目前取得的业绩如何，市场占有率等第三方数据如何，投资人对项目的信心背书、评价以及融资过程等。值得一提的是媒体除了对初创企业和商业模式感兴趣之外，还会对创始人天然感兴趣，尤其是已通过自身努力度过困难期，逐步走上发展轨道的成功者。创业者就是最恰当讲故事的人。文章中应该对创始人的背景做详细陈述，例如学历背景、工作经历、创业经历以及取得的成就等。这些信息内容尤其有利于激发人物类媒体的采访兴趣。
4、聚焦企业背景、商业模式
企业背景和商业模式是公司被投的核心要素。文章信息披露对于增强资本和市场信心非常关键。它应该着力展现企业的资质、竞争力、市场地位、业绩数据以及投资人背景，以及对优秀人才的吸纳能力。
但也有以下三点禁忌需要注意：
人工智能公司「可之科技」（下称「可之」）近日宣布完成过亿元A轮融资，投资方为中控创始人褚健、上海交通大学ACM班掌门人俞勇、玖兆资本、羌塘基金、卓源资本、顺澄资本等。
本轮资金将用于三个方面：1）提升认知智能相关技术的研发水平；2）融合服务领域的知识图谱，实现相关行业的认知智能升级；3）提升团队综合能力，加速产品推广。
「可之」2017年创立于哈佛大学创新实验室，在美国波士顿、中国宁波、北京、上海、大连、深圳等地设有办公室，专注于深度强化学习框架和可解释人工智能核心技术的自主研发，目前其认知智能产品主应用于教育“双减”、工业互联网、金融、生物医药等领域。
2021年6月15日，世界经济论坛 (World Economic Forum) 宣布 2021年度“科技先锋 (Technology Pioneers) ”企业名单，「可之」成为年度8家获得该荣誉的中国公司之一。自2018年以来，「可之」连续5年受邀参加世界经济论坛的系列活动。创始人王冠博士受邀成为2020年世界经济论坛50周年年会人工智能主题的专题发言人。
创始人王冠博士毕业于美国布朗大学，现任上海交通大学宁波人工智能研究院智慧金融实验室主任，曾供职于美国华盛顿大学、微软研究院、通用电气等机构。可之核心研发团队来自麻省理工、卡耐基梅隆、哈佛等名校，长期关注认知智能领域的逻辑推理问题；商务团队人均拥有近二十年行业积累，经验丰富。
认知智能致力于使机器拥有人类般的认知思考能力，“能理解、有逻辑、懂推理、会决策、可解释”，可以替代重复性体力劳动和脑力劳动，是人工智能发展的高级阶段。中高考级逻辑推理是其公认的里程碑，自动批改曾被业内公认为“二十年内不可能完成的挑战”。
王冠告诉36氪，人脸识别、自动驾驶等AI技术在某些维度上没有逻辑推理的难度高，原因在于自动驾驶没有“客观标准答案”，只要未违反交规、没发生碰撞，合理驾驶，容错率是比较高的，但逻辑推理就不一样了，在给定条件下，答案相对确定，有全局最优策略，甚至只有唯一正确的解。
随着机器学习模型趋于复杂、精密，模型的可解释性，即让人类理解机器的逻辑推理过程成为了一大难题。一个常见的例子是，金融从业者使用如XGBoost、DNN等黑箱模型得到特定的评分结果，但由于机器推断过程不透明，难以改进业务或调整模型。此外，现有大部分机器学习模型也需要“投喂”海量结构化数据来训练，造成的人力成本和算法歧视也不容忽视。
因此，基于少数据训练人工智能“Learning with Less Labeling (LwLL)”、可解释人工智能“Explainable Artificial Intelligence (XAI)”和终身学习人工智能“Lifelong Learning Machines (L2M)”三种底层技术，「可之」搭建了数据依赖度低、数据隐私度高、可交互、可解释、能逻辑推理的认知智能框架。
在确定了技术优势后，怎样选择落地场景？
「可之」的判断如下：1）目标场景有高频、刚需、用户基数大的特点；2）目标场景需要人类的经验和专业知识进行持续判断、持续决策；3）认知智能可以达到乃至超越人工的水平；4）目标用户群体认可产品价值，能够变现；5）单位资源投入能创造的价值高，边际成本低，边际收益高。
举例而言，教育“双减”领域的考试、作业批改，工业互联网的智能控制，金融领域的投顾、风控、反欺诈等都是适合的业务场景。
“双减”背景下，教培行业进入一片寒冬，教育主阵地回归校内，每日作业、考试作为学生学习效果的直接体现，也作为学生查漏补缺，自我补足的主要依据，其批改与分析的质量直接与学生的学习效率挂钩。
但现实情况中，一位教师常常要同时教授上百位学生，受疫情影响的地区很多情况下作业辅导只能由家长完成……种种现实因素让批改题目变成更加繁重的任务，也让教师难以针对性地为每位学生分析作业情况，提供个性化指导。
根据这一场景诉求，「可之」推出分层、弹性、个性化作业产品，实现作业自动布置、批改服务，可以基于学生的实际情况推荐更有针对性的习题，并为教师提供全过程、全量学情分析，批改范围也拓展至初高中全学科。产品形态主要分为两种：如小程序等在线应用，和如扫描仪、打印机等终端设备。
在日常作业批改之外，「可之」也布局考试赛道，服务过2021年多个省市中、高考多学科各题型的阅卷工作，实现AI自动批改、监测，完成了人工智能自动评分试点任务。
在其他行业中也有类似的问题，例如工业场景中，数据稀缺、环境复杂、部分信息可见等情况制约着经典人工智能的表现。以煤、矸石分选这一传送带物料识别场景为例，人工筛选存在安全风险，X光方案成本较高且有辐射和环境污染的隐患，基于监督学习的经典人工智能方法的数据训练成本高，且由于不同煤矿现场的标准不同，很难泛化。可之的认知智能方案持续和环境交互，在实际使用中能够在较短时间达到X光的水平，通过OTA在线维护升级，快速解决现场问题，性价比高。
金融领域的反洗钱、反欺诈、风控等场景中，为了满足较高的精度要求，银行逐步使用日趋复杂的黑盒模型，不利于业务人员和监管机构对其推理过程的理解，且复杂模型所依赖的各个组件也会相互影响，使得最终预测结果可能存在未知的风险。「可之」的可解释AI产品则希望通过打开黑盒，帮助业务人员分析“可疑交易”之间的潜在关系,了解“可疑”点出现的原因，从而节省时间、提高决策水平。在智能投顾场景中，可解释AI能够解释交易模型给出的交易行为的原因，判断交易模型的可靠程度，描述市场波动特征，为从业人员持续决策提供帮助。可之告诉36氪，其认知智能产品已在银行和证券业的龙头企业得到验证。
在商业模式上，「可之」的泛教育类产品主要与企业、学校、当地政府合作，按年收费，用户也可自己购买账号，按功能分级收费。王冠表示，去年泛教育领域营收占比大约30%，预计今年会增长迅猛，用户人数预计将达到20万，未来也将推出贴合“双减”要求的更多产品，并在工业互联网、金融和生物医药领域稳步拓展。
