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
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。