IBM即将收购位于美国波士顿的Turbonomic该公司,该公司的平台可以帮助企业降低云支出同时提高应用性能。
IBM没有透露这笔交易的金额,但有消息人士告诉路透社,交易估值在15亿至20亿美元之间,这比Turbonomic在上一轮融资后获得的9.63亿美元估值要高得多。
Turbonomic提供一个所谓应用资源管理平台,利用人工智能帮助企业优化公有云环境。该平台专注于两个主要场景,一个是优化云应用性能,另一个是降低云应用带来的基础设施成本。
Turbonomic的AI模型可以分析企业的云环境,检查是否分配给工作负载的硬件资源少于最理想的所需硬件资源。例如,Turbonomic可以检测周末流量激增期间是否需要为电子商务网站数据库提供更多的网络带宽。然后,AI模型向管理员提供有关如何解决已确定问题的建议。
Turbonomic的平台提供类似建议来减少云支出的浪费,这也是Turbonomic的另一重要卖点。例如,Turbonomic可以告诉IT团队他们为某个工作负载配备了超出所需的存储容量,同样也可以检测出应用是否运行在一个没有必要那么庞大且昂贵的云实例上。
IBM计划把Turbonomic与最近收购获得的监控产品Instana进行集成。Instana在堆栈上层提供了可观察性。Turbonomic主要专注于检测基础设施级的问题,例如应用由于未被分配足够多的虚拟机处理器而导致运行缓慢,而Instana主要致力于发现软件级的问题,例如因为应用升级存在漏洞而导致延迟越来越高。
IBM认为另一款可以通过收购Turbonomic得到加强的产品是IBM Cloud Pak for Watson AIOps。去年推出的这款产品提供了由AI生成的建议(有些类似于Turbonomic所能提供过的建议)可以帮助IT团队解决基础设施相关问题。
此次收购Turbonomic将推动IBM从传统业务领域(例如专业服务)向云和AI等高增长市场的重心转移。作为该战略的一部分,去年底IBM宣布计划分拆规模190亿美元的管理基础设施服务部门。当时IBM首席执行官Arvind Krishna表示,这次分拆将有助于IBM把更多精力放在“规模高达1万亿美元的混合云市场机会”上。
IBM云与数据平台事业部高级副总裁Rob Thomas在一份声明中表示:“IBM将继续重塑自己作为一家混合云和AI厂商的未来前景。收购Turbonomic,是我们致力于通过最具影响力的投资来推进这一战略的又一例证。”
IBM还特别提到了AIOps的行业趋势,AIOps是一种利用机器学习实现重复性IT任务自动化的一种技术。IBM自动化部门总经理Dinesh Nirmal表示:“我们相信以AI为基础的自动化已经成为一个必然趋势,这将让所有以信息为中心的任务变得更加高效。其他主流行业参与者(例如ServiceNow)近期也进行了相关投资以扩展自身的AIOps能力。
IBM预计将在第二季度完成对Turbonomic的收购。
Gartner分析师Chirag Dekate在电子邮件中表示:“IBM收购Turbonomic,代表了IBM在为那些希望加速云迁移和价值增长的企业IT领导者提供聚合价值方面,迈出了自然而然的一步。”
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。