AWS宣布收购了一家名为Wickr的初创公司,该公司提供了一款被大型企业和公共部门使用的加密通讯应用。
AWS没有透露此次收购的交易金额。此前位于美国旧金山的Wickr已经从投资方那里融资了5000多万美元。
Wickr同名的加密通讯应用已经被美国国防部、上市金融公司Discover Financial Services和麦肯锡等企业机构所采用,该应用使用端到端的加密技术来加密消息及其文件附件,即使是Wickr自己也无法查看这些内容。
每条消息在发送之前都会在用户的设备上经过加密,因此当包含消息的数据包在到达收件人设备的途中,通过Wickr服务器时Wickr是无法检查这些数据包以获取用户通信内容的。
黑客一般通过可以盗取数据的加密密钥来绕过加密。为了降低这种风险,Wickr采用单独的加密密钥对每条消息和文件进行加密,这样如果黑客以某种方式设法窃取了用于加密用户消息的密钥,他们也无法破坏任何其他通信。
除了核心的加密功能之外,Wickr还提供了一系列可选的数据保护设置,让企业可以按需采用。该服务提供了多因素身份验证支持,并可与企业用来保护员工手机的第三方移动设备管理软件进行集成。
反过来,用户可以选择在一定时间后自动删除消息,时间范围可能短至几秒钟。发件人在选择消息可在收件人设备上保留多长时间之后,将Wickr配置为从消息发送的那一刻或收件人阅读的那一刻开始计数。
删除消息时,Wickr也不会简单地将其从设备存储中删除,而是采取额外的措施,用随机代码位替换数据,这使得恢复信息变得几乎不可能。
AWS首席信息安全官Stephen Schmidt在宣布收购Wickr的博客文章中这样写道:“市场对这种安全通信技术的需求越来越高,新冠疫情加速了企业向混合办公环境的转变,企业和政府机构越来越希望保护他们在很多远程位置的通信。Wickr的安全通信解决方案可以帮助企业和政府机构适应这种变化。”
Schmidt充说,在收购之后AWS将继续提供Wickr应用,现有客户可以像以前一样继续使用它。
这次收购将扩大AWS的通信和协作服务组合。这家云巨头提供了可替代微软Teams的解决方案——Amazon Chime、以及Amazon WorkMail电子邮件服务和Amazon WorkDocs,后者是一个类似于Google Docs的协作文档编辑平台。此次收购意味着AWS可能正在寻求扩大自身在这个市场领域的影响力,因为目前AWS与竞争对手微软和谷歌相比,在这个市场的影响力是非常有限的。
AWS和它主要的竞争对手总是不断地扩大到新的市场领域,这已经成为他们的产品战略的一个组成部分。他们不仅瞄准了协作领域等成熟市场,还瞄准了更多新兴行业,例如AWS和微软都提供了面向航天领域的服务,让企业组织可租用地面站天线,利用卫星传输数据,此外他们还提供了按需的云量子计算机使用资源。
此次收购Wickr不仅可以推进AWS,还可以推进母公司Amazon的产品战略,后者可以利用Wickr的技术为消费者构建安全的通讯服务,有可能会通过安卓应用市场Amazon Appstore提供此类服务给用户。
据报道称,Amazon此前曾经考虑过自己开发一款通讯服务。2017 年曾有一系列报道称,Amazon正在开发一款名为Anytime的消费级通讯应用,该应用程序可用于台式机、手机和智能手表。最终Amazon没有将Anytime推向市场,但这次凭借Wickr的技术,有可能会加快恢复该项目。
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。