至顶网软件与服务频道消息: 几天前,国外媒体传出消息,HPE宣布收购MapR 的资产,收购金额未对外公开。两个月前,MapR就已经陷入财务困境,对外表示再没有融资将面临倒闭的命运。此番被HPE收购也算是一个相对圆满的结局。
作为Hadoop三巨头之一,MapR落得今日境地也着实让人唏嘘,而另外两兄弟Cloudera和Hortonworks情况也并不比MapR强太多。去年10月份,Cloudera和Hortonworks已经宣布平等合并,Cloudera以股票方式收购Hortonworks,Cloudera股东最终获得合并公司60%的股份。这笔交易的背后其实是Hadoop市场无法维持两家公司的竞争。
真是此一时彼一时。曾经,旺盛的大数据市场需求让人们非常看好Hadoop的未来。爆发性增长的数据、人们对数据价值的普遍认可,推动着大数据市场的快速增长,建立在开放架构上的Hadoop,大大降低了大数据的门槛,得到了市场的追捧,再加上有Google和Yahoo两大巨头的背书,这促成了众多创业公司的成立。Cloudera、Hortonworks、MapR就是其中最有影响的三个初创公司,也被称为Hadoop三巨头。2008年Cloudera成立于,2009年MapR 成立,2011年Hortonworks 成立。
当时人们普遍看好Hadoop的未来,这些公司的早期融资也非常顺利。特别是2014年,Hadoop行业迎来高光时刻,Hortonworks成功上市,当时Cloudera也是风投正劲,获得Intel 7.5亿美元的投资,Google、Dell公司老总Mike Dell的私人投资基金跟投。当时,Cloudera的总估值达到41亿美元,成为当时未上市的那些大数据公司里面最为闪耀的公司。据统计,上市前Cloudera获得了超过10亿美元的融资,Hortonworks 获得了2.48亿美元融资,MapR一直没有上市,先后融资也近3亿美元。
希望很美好,现实很骨干,尽管大数据市场很热,Hadoop的需求看涨,但无论是Cloudera、Hortonworks、MapR都没有如期成长。Hortonworks在2014年的IPO首先IPO成功,但之后一蹶不振,跌跌不休。3年后Cloudera上市,市值只有19亿美元,不到高峰时期41亿估值的一半,此后股价也没有太多起色。
IDC曾预测,到2020年大数据和分析的收入预计将达到2030亿美元。市场在为什么经营不利?这几家公司经营困难背后的很大一部分原因在于,市场变化太快,云改变了市场需求。
一个主要原因是企业上云。企业上云之后,数据的分析自然地也会转移到云上,而云服务商纷纷提供了各种经济好用的Hadoop的服务,比如AWS的Elastic Map Reduce(EMR), 这些都是完全集成的产品,具有较低的购置成本并且更便宜,Hadoop产品需求和服务需求被分流在所难免。另一方面,
另一个原因是开源软件企业经营不容易,需要公司管理者非常高的经营智慧。开源走的是软件免费和服务收费,如果软件好用,意味着服务需求低;而软件太复杂,实施维护成本就高,公司很难做大。到目前为止,也只有红帽把这样的业务模式玩转了。
显然,虽然Cloudera、Hortonworks、MapR所代表的以Hadoop为主营业务的公司经营困难,但并不能认为市场不需要Hadoop了,市场对Hadoop需求仍然存在,比如,对于非结构化的海量数据存在HDFS依然是首要候选,Hadoop仍然是大数据市场的主要工具。对于这个行业的创业者而言,现状最需要思考的是如何在这个行业找到自己的价值定位,而不能光蹭热度。
好文章,需要你的鼓励
亚马逊在CES期间宣布推出Alexa.com网站,用户可像使用其他AI聊天机器人一样与Alexa交互。经过数月早期体验,Alexa+已获得数千万用户。新网站支持语音和文本交互,需登录使用以确保跨设备功能连续性。76%的Alexa+交互为独特任务,包括智能家居控制和第三方集成。Alexa+兼容七年来的设备,正式版将收费每月20美元或包含在Prime会员中。
SimWorld是由UCSD等多所顶尖院校联合开发的革命性AI仿真平台,基于虚幻引擎5构建了具备真实物理规律的虚拟城市环境。该平台支持无限扩展的程序化世界生成和自然语言交互,让AI智能体能够在复杂环境中学会生存、合作和竞争,为通用人工智能的发展提供了前所未有的训练平台。
AI笔记公司Plaud在CES 2026推出新款可穿戴设备NotePin S,可夹在衣领、戴在手腕或挂在脖子上记录对话。该设备通过蓝牙连接手机,配备双麦克风,录制范围约3米,支持一键高亮标记重要时刻。同时发布的还有Plaud Desktop桌面AI记录工具,可原生捕获线上会议内容,无需机器人加入通话。两款产品将所有笔记、会议和对话整合到统一平台管理。
浙江大学联合华为提出C2DLM,这是一种因果概念引导的扩散语言模型,通过自动提取因果关系并融入注意力机制来增强AI推理能力。相比传统方法,C2DLM在推理任务上平均提升1.31%-12%,训练效率提高3.2倍,为解决语言模型推理能力不足开辟了新路径。