ZDNet至顶网软件频道消息:甲骨文斥资53亿美元收购了Micros Systems,软件巨头甲骨文转眼间即在餐饮、零售等行业站住了脚跟。甲骨文此举表明,电子商务极有可能会成为各大科技巨头拼杀的下一个战场,同时,也道出了甲骨文为推动公司增长而四处寻求收购对象的现实。
爱说风凉话的人或许会说,甲骨文收购Micros是为了转移视线(甲骨文连续几个财季表现令人失望),公司的云策略仍未成形,应用程序的业务增长也让人担忧。Summit Research分析师Richard Williams在一份研究报告中戏虐地表示:华尔街有一条古老的黄金定律,内容如下:1)每一个财季的表现必须好;2)某一个财季的表现可能不好时,参见规则1;3)某一个财季的表现肯定不好时,做一桩收购交易。
纵观大局,商务(前端硬件、软件和多通道)正在成为各企业巨头的主战场。IBM深谙其道,一直都专注电子商务,尤其是在移动的多个方面。NetSuite和其他不少公司也是一样。Micros公司的年度报告中列举了多个竞争对手,如餐馆业方面的NCR、Par Technology和Agilysys、酒店业方面的思博公司(Infor公司的子公司)、Sabre和Northwind,以及零售方面的SAP、甲骨文、IBM、Demandware和eBay。
从财务上看,甲骨文的这笔交易无可厚非。此次的收购是甲骨文耗资70亿美元收购Sun以来最大的收购,但此次收购与那次收购比要好得多。甲骨文表示Micros公司将为公司提升收益。一众分析师表示,被收购的Micros营运良好。甲骨文会将Micros与旗下的Art Technology Group(ATG)电子商务平台整合在一起。
FBR的分析师Daniel Ives表示: 我们认为,此举可能为下一轮“云计算竞赛”揭开序幕,特别是在电子商务方面。SAP去年收购了电子商务解决方案供应商hybris,现在甲骨文尽管已经有了大型企业级系统ATG却学SAP再行收购之举。目前许多SaaS厂商仍未达到公司的短期高峰状态,而几个大厂商手里又有大把的现金,可以看到,市场整固的时机已经成熟。
下面是甲骨文对Micros公司在酒店、餐饮和零售方面扮演的角色的看法。Micros在酒店和餐厅方面颇为成功,在零售方面可与甲骨文互补。
酒店行业:甲骨文+Micros
餐饮行业:甲骨文+Micros
零售行业:甲骨文+Micros
从多个方面来看,甲骨文收购Micros事关与对手在各行业的阵地战。SAP的目标是各行业,Salesforce采取了类似的做法。各家的目的都是把各行业弄到一个平台上——可能是云平台、硬件平台或软件平台,然后去主导他们、坐收现钞。至于这些大企业玩家是否会被看作真正的创新合作伙伴、借以变革各个行业则有待进一步观察。
但不管结果是什么,甲骨文和SAP都将在多个垂直市场上演恶斗。SAP CEO Bill McDermott最近表示:我们正在更新公司的重点行业。大家都从有关SAP的报道里知道,我们在25个不同的行业里一直是市场领导者。我们正在加倍专注诸如零售行业、银行、医疗、公共部门等行业,因为我们认为各市场都存在着巨大商机,尤其是SAP的HANA平台。我们希望HANA成为世界业务平台标准,所以,对于那些想在HANA上运行自己的云的合作伙伴,我们对他们的生态系统持非常开放的态度。
甲骨文总裁马克·赫德也有一段类似的说法: 甲骨文成功地帮助过客户跨越多行业和充分利用云计算、移动、社交、大数据和物联网的功能改造业务。我们预计,收购Micros后,我们将为酒店和零售等行业内的公司提供令人信服的优势。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。