IBM宣布收购Advanced旗下应用程序现代化部门,希望借这一战略性举措巩固自身在混合云及AI领域的市场地位。虽然交易细则尚未披露,但预计将在2024年第二季度内完成。
此次收购将增强IBM Consulting咨询部门在大型机应用和数据现代化方面的服务能力,标志着IBM在致力于帮助客户完成数字化转型之旅上迈出了新的重要一步。
这笔交易也反映了市场对于快速组织转型的迫切需求,有望解决大型机系统一体化过程中的种种复杂挑战,协助一众企业成功落地至关重要的混合云战略。
此举亦符合IBM公司CEO Arvind Krishna领导下的广泛收购战略,凸显出蓝色巨人对于混合云和AI技术储备的深切关注。
Advanced有什么来头?
Advanced是一家应用程序现代化服务厂商,在遗留系统的现代化市场中表现尤其出色。在英国本土的商业软件与服务提供商中,Advanced基本稳定位居前三,在促进客户过渡到云端解决方案领域长期占据主导,一直为众多公共、私营及第三方部门提供支持。
该公司年营业额高达3.39亿美元,拥有超2万家客户,目前员工超2500人。
Advanced公司的核心使命包括通过关键任务软件简化复杂的业务挑战,大大降低客户的数字化转型门槛,并对数百万受众的工作和生活产生积极影响。
身负重大使命的Advanced掌握着丰富的服务与工具储备,这些方案旨在帮助组织从陈旧、效率较为低下的IT系统过渡到更加现代、敏捷且与云端兼容的新型平台。
该公司的重点业务包括评估现有IT基础设施、设计现代化策略以及实施可与现代IT环境(例如混合云系统)无缝集成的解决方案。
为IBM注入新鲜血液
此番对Advanced应用一体化部门的收购,将为蓝色巨人带来一系列战略收益。其中最重要的一点,就是IBM Consulting咨询部门在大型机应用程序与数据一体化方面的技术储备将得到显著增强,这也是不少大型企业最为重视的业务领域。
此举高度契合IBM在混合云和AI方面的总体发展战略。蓝色巨人正在积极扩大自身业务范围,这次收购将直接满足不断增长的快速业务转型需求,为IBM提供先进的工具与专业知识,帮助客户在快速发展的数字环境中保持强劲竞争力。
大型机已经成为众多组织混合云战略中不可或缺的组成部分,也是此次收购的核心所在。交易完成之后,IBM将在这一领域拥有更加全面、与前沿趋势相匹配的解决方案。
这笔交易将显著增强IBM在关键业务领域的能力,也与其对混合云和AI技术的广泛关注相契合。通过吸纳Advanced在大型机一体化和迁移服务方面的专业知识,IBM不仅能够丰富自家服务产品,同时也将接收一批在领域内拥有30多年从业经验的资深专业人才。
这笔收购将立足金融服务、保险、汽车和政务等不同行业带来丰富的知识和技能,有助于扩大IBM咨询业务的覆盖范围与市场影响力。
Advanced资产将与IBM现有产品(特别是WatsonX Code Assistant for Z)之间产生协同效应,IBM Z系统的客户有望借此迎来更具创新性、更为全面的解决方案。
Advanced的创新工具与IBM现有技术的结合,也将为IT服务的后续发展铺平道路,特别是在大型机现代化这一高度复杂的业务领域。
分析师观点
此次收购再次证明,IBM正致力于加强其在大型机现代化市场上的主导地位。对于一众企业的数字化转型之旅而言,这部分业务已经成为决定成败的关键所在。
从战略角度来看,此次收购也符合IBM的总体发展目标。交易不仅将增强IBM Consulting的咨询能力,更将使该公司能够在日益重要的领域为寻求遗留系统现代化的企业提供愈发全面的服务和支撑。
收购并吸纳Advanced的工具与专业知识之后,IBM将可加快复杂转型项目的交付速度,特别是那些涉及大型机系统与现代云环境的集成类项目。
然而,此类收购带来的挑战也客观存在。将新能力与组织自身文化的结合过程往往艰辛坎坷,甚至可能在短期内产生新的障碍。
IBM从Advanced处收购而来的应用现代化能力,再次凸显出蓝色巨人在战略层面积极追求混合云与AI领域主导地位的坚定决心。自Arvind Krishna担任公司CEO以来,IBM已经进行超过35起收购。此次最新交易也落实了IBM致力于发展自身服务产品,满足现代数字环境中复杂需求的严肃承诺。
通过针对性收购带来的能力增强,IBM正在扩大其技术广度并巩固自身作为行业关键参与者的优势地位。此次最新收购,也成为IBM通过前瞻性方案帮助企业处理应用混合云及AI复杂性难题的又一明证。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。