ZDNet至顶网软件频道消息:“资本的最大力量就是让强大者更强大,让弱小者成为刀俎之鱼,服务于强者。”这是自然法则,也是商道,软件业也难逃这样的定律。
如果把产品竞争和品牌竞争看作为是软件业的最初发展阶段,那么随着软件应用环境的逐步成熟,现在的企业竞争已进入资本并购阶段。从2014年上半年一些巨头企业的市场动作来看,软件业从未停止追逐资本的热情,并且正呈现新的特色。
软件业并购只是序曲!
我们可以看到,甲骨文继续占据并购大鳄的头衔,以53亿美元收购了旅馆餐厅软件商Micros,成为2014年上半年以来,并购金额最大的一笔并购。而IBM则发力新技术领域:在云端,IBM以20亿美元收购了云计算公司SoftLayer;在大数据领域,IBM收购了人工智能初创公司Cognea,并为此投资10亿美元成立了新的沃森部门 。为了控制NoSQL“数据库即服务”(DBaaS),IBM还收购了NoSQL数据库公司Cloudant。同样发力云端的软件企业还有微软,微软收购了云软件厂商Parature 。
而对于国内企业的资本并购,你可能会认为这类企业还处于“幼稚期”,不具备资本并购参与资格,那你就大错特错了。随着国内软件企业实力的增加,他们也正在积极“参与”整合。2014年年初,金蝶宣布授出2500万份购股权。而用友畅捷通则分拆上市,在香港挂牌后,畅捷通将集资约为9.62亿元,全部用于云平台建设和推广。2014年4月份,高德软件已正式与阿里巴巴集团达成收购协议。2014年6月份,远光软件已收购中合实创,深耕电力行业,预估交易价格为1.8 亿元。
综合来看,2014年的软件行业并购方向:一个是新技术领域;另外一个是行业的深化应用。新技术包括:云计算、大数据等;行业深化应用并购,主要在关系国计民生的应用层面,表现突出。这些以资本为纽带的并购整合背后,反应的是近几年软件业已进入新的调整期,软件业正在酝酿新的变局。
一份数据显示,从2009年至2013年,中国软件业务收入前百家企业营业收入占全国软件业务收入的比重下滑了8.47%。软件业营业收入增幅大幅下滑,经济大环境影响是一方面,但同时也说明软件企业已经整体进入营业收入增长瓶颈期,软件企业面临较大的生存压力。为了扭转企业当前运营状况,并购可能是获取市场快速增长的唯一手段。而一些小型软件厂商很有可能面临成长困境,或转为与大企业合作,或退出市场竞争。所以说,越是市场低迷期,越容易出现大型并购,在各种耐力比拼中,能坚持到最后的企业,才会迸发出更大的能量。可以预测的是:并购只是刚刚开始,软件业将迎来新一轮并购与整合浪潮。
谁会成为下一个被并购的目标?
尽管,管理软件市场仍然存在各种缺陷,诸如新技术应用不够成熟,竞争分散,产品同质化严重,利润率低等,但市场竞争不进则退,没有哪个管理软件企业可以一劳永逸,谁最先抢在前面,谁就有可能把握市场的新一轮机会,而最终胜出。软件企业需要更多增强危机意识,增强应对市场的快速变化能力。在强化技术砝码,加快上下游产业链的合作事宜的同时,要加快圈地跑马的步伐,争取获得最大话语权。
当然,软件业的资本整合与并购不只是一个“大鱼吃小鱼,小鱼吃虾米”的过程。上市能够带给软件企业一个历史性的推动力,可以带给企业投入产业发展的足够资金,并购可以完善企业在新技术领域的拓展能力,提升产品竞争能力。这一点,从2014年的并购动态中我们可以看得清清楚楚, 甲骨文、IBM、微软、金蝶、用友、远光等企业,其资本并购与整合,并不是一个简单的兼并过程,而是企业的一种行业延伸与产品扩展。
在这场新的并购游戏中,软件业的市场格局或被打破,强者可以“通吃”整个软件产业链,弱者将被淘汰出局。有些企业因其资金实力的强大,成为最后的幸存者;有些企业因其小而美,立足于细分市场。谁能赶超时代潮头,谁就是胜者。在见证软件市场烽火硝烟的同时,也让我们拭目以待!谁才是最终的强者?谁会成为下一个被并购的目标?
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。