微软将以197亿美元的价格收购Nuance,后者是一家利用人工智能帮助医生更快创建医疗记录的公司。
这笔金额巨大的交易表明Nuance在医疗领域拥有巨大的市场覆盖。Nuance的AI软件已在美国四分之三以上的医院中进行了部署,用户群包括美国超过55%的医生和约75%的放射科医生。
这次收购的价格,还反映了微软期望通过投资获得可观的收入机会。根据微软的估计,收购Nuance将使微软在医疗提供商领域潜在市场规模增加一倍以上,达到近5000亿美元。
CCS Insight企业研究负责人Nicholas McQuire表示:“Nuance不仅在AI领域吸引了一批有吸引力的医疗客户——这对微软有巨大的吸引力,同时它还有深厚的专业领域知识,而此前这一直是微软所缺失的。”
Nuance总部位于美国马萨诸塞州伯灵顿,提供基于云的AI软件,让医生可以通过语音命令记录医疗信息。Nuance的机器学习模型可以创建转录本,让医生可以随后检查这些信息,也可以将其添加到医院的电子医疗记录系统中,此外还能自动发现潜在的数据错误。”
Nuance提供了多个版本的AI技术,其中一项服务旨在在患者就诊时做笔记,而放射科医师则使用另一项服务来记录医疗评估信息。
McQuire说:“在语音识别、文档处理、欺诈检测和图像识别等领域,Nuance为微软提供了一套更为成熟的AI解决方案。最终这对于Azure客户来说,这将成为微软相对于其他横向竞争对手的一个关键差异所在。”
微软将通过这次收购获得一款为众多医疗机构提供医疗服务方面发挥重要作用的产品。 Nuance说,Dragon Ambient eXperience可以让医生在患者就诊时做记录,平均每次就诊可为医生节省6分钟。Nuance称,对于初级医疗患者,该产品平均将等待时间缩短了9分钟。
微软首席执行官Satya Nadella在今天发表的声明中称:“人工智能是技术的重中之重,医疗是其最紧迫的应用场景。我们与合作伙伴生态一起,将把先进的AI解决方案交到全球各地的专业人士手中。”
两家公司的日程上可能还有重要一项:Nuance软件与微软Azure公有云之间的紧密集成。 Nuance使用Azure平台为其产品提供动力。达成收购协议后,两家公司的工程团队将有机会共同探索使用Azure服务的新方法,以提高医生的工作效率。
这次收购表明,医疗行业已经成为主要云提供商的关注重点。微软的主要竞争对手最近几个月也在扩展他们的医疗产品组合。去年,AWS推出了用于处理生命科学数据的Amazon HealthLake,而Google Cloud则推出了面向特定垂直行业的产品,例如Healthcare API。
微软也可以把Nuance的技术应用于医疗之外的领域。Nuance也拥有零售和金融等行业的客户,Nuance的AI软件可用于执行从创建合规报告到开发AI客户支持助手的各种任务。苹果Siri最初是基于Nuance技术构建的。
微软已经同意以197亿美元的价格收购Nuance,比周五收盘时的市值高出23%。这也是微软历史上第二大交易,仅次于2016年以262亿美元收购LinkedIn。
两家公司预计该交易将在今年年末完成。
好文章,需要你的鼓励
前谷歌资深工程师David Petrou创立的AI初创公司Continua宣布完成800万美元种子轮融资,由GV领投。该公司开发AI智能体技术,可加入SMS、iMessage和Discord等群聊平台,为用户协作提供智能支持。Continua能够在群聊中自动设置提醒、发起投票、添加日历邀请或生成待办清单,解决群聊混乱问题。公司通过微调技术让AI理解群聊动态,具备社交智能,只在需要时提供帮助。
艾伦人工智能研究院开发的MolmoAct是首个开源的机器人空间推理模型,通过"看懂-规划-执行"三步思考法让机器人具备类人的空间理解能力。它不仅在多项基准测试中表现优异,还支持直观的视觉轨迹调教,用户可直接在屏幕上画线指导机器人行为。研究团队完全开源了模型、代码和数据集,为全球机器人研究提供强大基础平台。
Anthropic宣布为企业客户增加Claude单次提示词的信息处理量,以吸引更多开发者使用其AI编程模型。Claude Sonnet 4现支持100万token上下文窗口,可处理75万词或7.5万行代码的请求,是此前限制的5倍,超过OpenAI GPT-5的40万token。该功能也将通过Amazon Bedrock和Google Cloud等云合作伙伴提供。更大的上下文窗口有助于AI模型更好地处理软件工程问题和长期自主编程任务。
这项由北京大学和清华大学联合完成的研究首次提出时间自奖励语言模型,通过"锚定拒绝"和"未来引导选择"策略解决了AI自学习中的梯度消失问题。该方法让AI既能从过去的低水平样本中学习反面教材,又能向未来的高水平样本学习正面目标,成功维持了清晰的学习对比信号,在多个基准测试中显著优于传统自奖励方法。