价值46亿美元的收购,用于推进IBM现有的资源优化、可观测性和应用程序管理产品,为客户实现价值最大化,并为IBM多个增长领域带来显著的协同效应
(2023年6月27日,北京)IBM (NYSE: IBM)于美国时间6月26日宣布已与Vista Equity Partners达成最终协议,以46亿美元收购财务和IT运营管理和优化(FinOps)软件的领导者Apptio Inc.。收购Apptio将加速IBM 的IT自动化能力的发展,助力企业领导者能够为技术投资带来更高的业务价值。
企业与组织正以前所未有的速度对其业务实施数字化转型,使其IT 环境不断地跨多个服务商提供的公有云和私有云而快速扩展。为了管理这种急剧增加的复杂性,客户正转而利用Apptio的解决方案,来集成和简化他们对于自身混合多云的环境、人力及相关资源的技术支出的可观测性。Apptio与IBM的IT自动化软件及其watsonx 人工智能平台一起,将帮助世界各地的企业管理和优化其IT支出,并获得切实的财务价值和运营改进。
Apptio 是一家成熟、不断发展且盈利的技术业务管理和 FinOps 领导者,拥有 1500 多家客户、为财富 100 强中的一半以上企业提供服务。Apptio 是广受业界认可的合作伙伴,与 Amazon Web Services、Microsoft Azure、Google Cloud Platform、Salesforce、ServiceNow、Oracle 和 SAP 等领先公司合作和集成解决方案,这与 IBM 对开放式合作伙伴生态系统的承诺相一致。
Apptio 使企业领导者能够管理技术支出,并将投资直接用于高价值的云创新和数字化转型。该公司有三个核心产品,全部以软件即服务(SaaS)的方式提供,包括ApptioOne、Apptio Cloudability和Apptio Targetprocess:
IBM首席执行官兼董事长Arvind Krishna表示:“技术正在以前所未见的速度和节奏改变着业务。为了把握这些变化,企业须优化投资来获得更好的业务价值,这正是Apptio的价值所在。Apptio的产品与IBM的IT自动化软件和watsonx 人工智能平台相结合,可以为客户提供最全面的方法来优化和管理其所有的技术投资。“
Apptio和IBM的IT自动化软件(如Turbonomic,Instana和AIOps)的性能优化和可观察性功能将为客户提供360度的技术业务管理平台,为支出管理和优化提供一个“虚拟指挥中心”,涵盖其整体技术领域。此外,Apptio还将为IBM带来价值4500亿美元的匿名IT支出数据,为客户和合作伙伴提供新的洞察。
收购Apptio是IBM深度聚焦混合云和AI战略与投资的延续,预计将为IBM多个增长领域带来显著的协同效应,包括自动化、红帽、IBM更广泛的AI产品组合、IBM Consulting,以及与埃森哲、毕马威、德勤和安永等其他领先系统集成商的牢固合作伙伴关系。IBM还将利用Apptio的匿名FinOps数据来增强watsonx,以提供新的创新。此外,Apptio预计将受益于IBM长期建立的规模和影响力,能够与来自175个国家的客户和合作伙伴进行合作。
Apptio联合创始人兼首席执行官Sunny Gupta表示:“我们的客户正在向一个复杂的数字为先和混合的世界发展,在这个世界中,技术投资是分布式和分散的,然而所有创新都必须与明确的业务成果保持一致。我们很高兴能够加入IBM,并将我们行业领先的产品与IBM的全球影响力和强大的AIOps、自动化和混合云产品组合结合在一起。“
Vista Equity Partners创始人、董事长兼首席执行官Robert F. Smith表示:“我们致力于建立具有弹性的企业级软件公司,事实证明这对于战略性和金融买家和公共市场的投资人都极具吸引力。我们的投资理念、价值创造战略和行业专业知识使我们能够识别具有长期成功潜力的公司并与之合作。Apptio 改变了领先的企业和组织优化其 IT 支出和绩效的方式,帮助他们获得更好的业务结果。我们为这些共同的成就感到自豪,同时期待Apptio能够与IBM一起与时俱进。”
Apptio将以手头现金的方式收购。该交易尚需获得监管部门的批准并依照其它惯例成交条件,预计将于2023年下半年完成。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。