至顶网软件频道消息: 在Teradata年度行业分析师峰会的开幕主题演讲中,Teradata公司首席运营官Oliver Ratzeberger展示的一张图显示,过去一年中Teradata股价上涨近40%,几乎比过去一年翻了一番。华尔街喜欢看到这样一个事实:Teradata的订阅业务增长速度远远超出预期,第一季度订阅业务占比超过60%,而预期为40-50%。请注意,Teradata是作为一家上市公司展开这一系列转型的,而不是像Tibco和Informatica这样的中型软件公司是在私有化的情况下进行的。
Teradata对其业务进行了一系列深层次变革,这促进了向订阅模式的转型,其中很多部分是去年公布的。
首先是专注于目标市场。正如我们当时所指出的,Teradata正式宣布将把目标集中于500强企业,这些企业提出了最苛刻的分析需求;而且Teradata去争夺那些更适合Redshift或Snowflake的业务是完全没有意义的,这一点也达成了共识。
其次是平台的可移植性,解决需求,不仅是针对云,而且商用硬件也越来越强大而变得“足够好”。因此,尽管Teradata仍会向你售卖设备,但主要关注点是Teradata Everywhere策略。无论你是在商用硬件还是在专有的IntelliFlex基础架构上部署Teradata,都可以采用相同的订阅方式。Teradata Everywhere的一个关键构建块是简化的定价,使用基于CPU和IO带宽的TCore度量标准来简化定价。
对于那些正在争夺成为下一代默认选择的新兴云分析平台的本地部署提供商来说,混合式的、具有可移植性的战略是显而易见的选择。在这个领域,Teradata和Oracle之间是有明显差别的,Oracle显然是为Oracle公有云优化的,而不是面向所有云。
关于云,目前Teradata正专注于公有云。Teradata通过美国和西欧的一些数据中心提供服务,但主要关注的是AWS和Azure;Teradata会在有足够的客户需求的后增加对Google Cloud的支持。至于托管私有云,可以关注下这个领域。Teradata确实有专门的软件定义基础设施IntelliFlex提供了该技术。由于IBM、Oracle和微软都在其堆栈中部署了托管私有云产品,因此我们预计面向精英市场的Teradata也会提供一种选择。这不是为了跟上发展步伐的问题,而是向顶级客户承诺,会支持一些除了公有云之外的场景。
另外还有一个转变在短期内是相当温和、但是从长远来看有更大的回报。去年秋天,Teradata宣布推出了Teradata Analytics平台。Teradata正在弱化之前的数据仓库品牌,因为Teradata将扩展到大数据和AI工作负载,而不会把开发人员局限在只使用SQL。目
前,产品方面的变化是与日递增的,包括在旗舰产品中支持支持更多的Aster分析功能:机器学习、图形、时间序列、以及一些临时功能。Teradata在去年启动了这个过程,我们预计这将会成为拥有百余种功能的Aster库中最受欢迎的。
但关键的是还有更多根本性的变化。Teradata透露,将开始支持原生R和Python,而不是通过SQL(正是Aster处理的方式)。
Teradata还表示,未来将为R和Python群体支持Anaconda库,后续还会增加Spark和TensorFlow。Teradata不是第一个这么做的厂商,微软在过去几个版本的SQL Server中也为R和Python添加了数据库功能。我们猜测未来还将与那些已经成为数据科学家首选开发环境的笔记本电脑建立连接。Teradata和SAS一样,意识到必须在工具和环境中与数据科学家进行交互。
容器化将是实现这一切的关键,因为R、Python、Spark和TensorFlow工作负载的资源消耗情况可能与运行SQL查询脚本大不相同。在某些情况下,这也意味着要支持异构的硬件。鉴于Teradata正在扩展到人工智能领域,目前缺少的是对GPU的支持,但这只是个时间的问题。
Teradata还透露了未来云存储的发展方向。这也反映了我们在年初看到的情况:云存储正在成为事实上的数据湖。虽然云存储专为此而设计,但是必要性是创新的源动力,这促使Amazon等厂商纷纷支持对S3的直接查询和扩展数据仓库集成,而Hadoop供应商则迅速采用云存储以替代HDFS。
因此,Teradata将自己定位为Hadoop和基于云的专有AI分析服务的一个更加并发、有组织的、可管理的替代选择。Teradata在支持数百或数千个并发用户方面表现出色,这也是Hadoop和Spark的不足之处,因为它们最初并不是为这种场景设计的。
所以,Teradata逐渐扩展到处理多种分析工作负载,这个举动绝非巧合,并且多次提到在eBay实施的号称最大也是最多元化的项目。Singularity是eBay项目中的一个多PB数据仓库,它的历史可以追溯到2010年左右,这是Teradata第一个适用于日志和其他形式的数据实例之一。Teradata分析平台显然是从这一概念出发的。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。