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
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。