IBM正在向私募股权公司Francisco Partners出售旗下Watson Health业务的软件产品等资产。
就在一年之前,首次有报道称IBM正在考虑出售Watson Health业务。去年2月,《华尔街日报》报道称,IBM高管们曾一度考虑通过与一家空白支票公司的合并将该部门上市。
当时《华尔街日报》报道称,Watson Health的年收入约为10亿美元,而且当时尚未实现盈利。Axios本月早些时候发布的一份最新报告援引消息人士的话说,IBM正试图为该业务部门获得至少10亿美元的资金。
此次公告中IBM和Francisco Partners都没有披露交易的财务条款,但是详细说明了将有哪些资产被易手。
Francisco Partners将收购Watson Health部门的Health Insights平台,该平台可帮助医疗组织分析他们运营过程中所生成的数据。这家私募股权公司还收购了许多用于处理医学图像的软件产品以及Clinical Development、Social Program Management和Micromedex产品线。
Francisco Partners此次收购的产品并非所有都是软件解决方案,还包括MarketScan——IBM用于研究项目的医疗数据集。
此次出售资产将让IBM能够把更多精力集中于通过在混合云和人工智能领域获得额外市场份额来促进收入增长的战略。此前IBM也有类似举措,去年11月IBM剥离了托管基础设施服务业务,现在该业务已经成为一家名为Kyndryl Holdings的独立公司,在纳斯达克证券交易所上市。
医疗和技术服务市场仍然是IBM关注的焦点,IBM旗下红帽子公司凭借软件产品在医疗领域占有重要地位。在技术服务领域,IBM最近几个季度进行了多次收购,以扩展自己的云咨询服务产品。
IBM Software业务高级副总裁Tom Rosamilia表示:“今天与Francisco Partners达成的协议是我们明确的下一步战略,IBM将更加专注于我们基于平台的混合云和人工智能战略。IBM仍然致力于Watson、更广泛的AI业务、以及我们在医疗IT领域支持的客户和合作伙伴。Francisco Partners则通过此次交易获得了数据和分析资产,受益于不断增强的投资,以及专注于医疗行业的投资组合所带来的专业技能。”
此次交易并不是Francisco Partners第一次从一家大型企业技术厂商那里收购资产。早在2016年,Francisco Partners就与Elliott Management联合收购了戴尔的Quest Software和SonicWall子公司,最近又以54亿美元的价格将Quest Software卖给了另一家投资公司Clearlake Capital Group。
Francisco Partners合伙人Justin Chen表示:“与企业合作进行资产剥离一直是Francisco Partners的核心重点。我们期待为优秀的员工和管理团队提供支持,帮助这家独立的公司专注于增长机会以发挥其全部潜力,为客户和合作伙伴提供更高的价值。”
IBM和Francisco Partners预计将在第二季度完成收购,届时这家私募股权公司将把收购来的Watson Health资产转变为一家独立公司,由现任管理团队领导。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。