微软近日宣布,已经与伦敦证券交易所集团(LSEG)签署了一项价值至少23亿英镑(约合28亿美元)的云计算交易协议。
在此次交易中微软将收购伦敦证券交易所集团4%的股份。微软公司云和人工智能集团执行副总裁Scott Guthrie将作为非执行董事加入伦敦证券交易所集团董事会。
微软公司首席执行官Satya Nadella表示:“我们的合作伙伴关系将汇集伦敦证券交易所集团的行业领导地位和微软云的信任和广度——涵盖Azure、AI和Teams,以构建下一代服务,让我们的客户能够产生业务洞察力,对那些复杂且耗时的过程是是自动化,且最终做到事半功倍。”
根据协议条款,伦敦证券交易所集团将在未来10年内至少花费28亿美元从微软那里购买云服务,并且预计在前五年之后花费掉大部分资金。据称,随着微软服务使用量的增加,最初的28亿美元预算可能会随着时间的推移而增加。
双方合作的第一个重点是伦敦证券交易所集团的金融数据业务。这部分业务很大一部分是基于伦敦证券交易所集团去年270亿美元收购Refinitiv获得的资产。Refinitiv提供财务数据,例如金融机构用来为投资决策提供信息的股票价格更新数据。
伦敦证券交易所集团计划将其数据平台连同多个其他内部工作负载迁移到微软的Azure云平台上,目标是在“基于云的数据架构”中梳理他们的数据集,并将采用微软的Azure Purview和Azure Synapse服务来支持这项工作。
Azure Purview是企业用来管理业务信息的数据治理服务。该服务可以按类别自动组织财务数据集等文件,并使用户可以通过集中式界面访问这些文件。伦敦证券交易所集团计划在该项目中使用的另一项服务是Azure Synapse,一个基于云的分析平台。
伦敦证券交易所集团的Refinitiv子公司主要是为金融专业人士提供名为Workspace的应用,该应用让用户能够访问Refinitiv金融数据集,并对这些数据集进行分析以寻找投资机会。
伦敦证券交易所集团计划把Workspace与Microsoft 365(也就是以前的Office 365生产力套件)进行集成。Workspace将集成Microsoft Teams,使不同公司的财务专业人士之间可以相互协作。反过来,双方还计划推出一个针对Excel的连接器,可以从Excel电子表格应用界面访问Refinitiv财务数据。
银行和投资公司会开发财务模型来自动执行股票价格预测等任务。伦敦证券交易所集团通过与微软的合作,希望为客户简化金融模型的开发。工程师将创建预先打包的软件组件,让客户免于从零开始开发的麻烦。
在双方共同开发的计划下,微软的工程师将帮助伦敦证券交易所集团完成一部分软件开发项目。此外,两家公司将探索发展金融基础设施的机会,以简化“市场参与者与资本市场在广泛资产类别中的互动方式”。
伦敦证券交易所集团预计,到2025年之前将产生2.5亿至3亿英镑的成本,这是与微软合作早期阶段的一部分。从长远来看,预计此次合作将通过支持新产品的推出“实质性地”促使收入增长。
在此次合作的大约一年前,芝加哥商品交易所集团公司(CME Group)宣布与微软的竞争对手Google签署了一项类似的云交易协议,在这份为期10年的协议下,CME Group将把技术基础设施转移到Google Cloud上,与此同时,搜索巨头Google将收购这家交易所运营商价值10亿美元的股份。
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。