IBM近期宣布有意收购为甲骨文云提供咨询服务的全球提供商Accelalpha,这也是其扩大甲骨文咨询专业知识、增强其广泛咨询能力战略的一部分。Accelalpha在供应链、物流、财务和企业绩效管理方面的专业知识,则有助于夯实IBM帮助客户加速数字化转型的能力。
此次收购预计将于2024年第四季度完成,属于IBM将甲骨文云应用程序与包括生成式AI在内的多种先进AI解决方案相结合的整体战略举措的一部分,旨在为各行各业的客户提供更好的价值回报。
除了收购Accelalpha之外,IBM公司还宣布将扩大其全球咨询网络,以帮助客户最大限度发挥甲骨文云应用程序的坐,同时扩大对于生成式AI技术的应用。此番工作的重点,将放在成本优化以及为人力资源、采购、财务及公共部门等领域和行业部署AI用例之上。
IBM还观察到了与生成式AI的采用和增长相关的甲骨文云基础设施(OCI)迁移、现代化能力以及数据领域的巨大机遇。将这些功能与Watsonx及红帽OpenShift相结合,有助于推动IBM更好地满足市场对于甲骨文专业知识和AI驱动业务解决方案方面日益增长的需求。
对甲骨文专业知识的需求正日益增长
Accelalpha将为IBM咨询公司带来丰富的专业甲骨文咨询知识,特别体现在供应链管理、财务、物流以及客户转型方面。凭借Accelalpha在甲骨文云解决方案(包括甲骨文云企业资源规划及甲骨文供应链管理套件)方面的丰富经验,IBM将能够更好地为甲骨文云提供全面的实施、咨询和托管服务。
Accelalpha的全球顾问团队将加入IBM咨询公司,其中包括来自北美、欧洲、亚洲、中东和南美的专家。这符合IBM的远大抱负,即深化其在甲骨文生态系统中的能力,并加强其通过云技术和AI驱动的创新实现为尝试运营现代化的企业提供合作助力的伙伴地位。
扩大IBM的咨询业务范围
除了收购Aceelalpha之外,IBM还着力扩展其咨询服务,以增强其在甲骨文生态系统中的价值定位。IBM咨询公司拥有一个由甲骨文云技术认证顾问组成的全球网络,包括甲骨文云基础设施生成式AI、甲骨文云基础设施AI服务以及甲骨文云基础设施数据科学等分支。该网络通过将定制的舔式AI用例与传统的AI/自动化解决方案相结合,帮助客户解决计算成本上升与AI专业知识短缺等实际问题。
我与IBM咨询公司全球甲骨文实践负责人Corinne Koppel进行了交谈,她在对话中重申IBM的客户渴望扩展生成式AI的应用范围。她还表示,这些客户“也在担心计算成本上升、缺乏内部AI技能、AI助手蔓延以及管理监督方面的问题”。
IBM更广泛的咨询扩展,主要专注于优化客户对于甲骨文云基础设施和甲骨文云应用程序的投资回报率,发挥IBM在AI、数据和云技术领域积累的深厚知识。IBM将成为那些希望实现运营现代化、工作流程自动化,并且在管理与AI、数据分析和安全相关等关键技术决策方面有所作为的企业眼中最值得信赖的合作伙伴。
这是一项强有力的举措,有助于提高IBM的市场竞争力。IBM将其Watson X AI平台与甲骨文云解决方案相结合的能力,也为蓝色巨人带来了独特的价值主张。其顾问服务能够指导客户正确做出与AI模型选择、技术架构、软件许可和安全风险相关的关键决策。
分析师观点:对AI及云未来的准确前瞻
IBM收购Accelalpha以及对自身甲骨文咨询专业知识的广泛扩展,为蓝色巨人的甲骨文咨询业务增添了深度。此举将使IBM咨询公司跻身为顶级甲骨文服务提供商,能够处理跨行业的复杂、大规模实施。如此一来,IBM也能够更好地挑战甲骨文服务领域的其他全球参与者,包括埃森哲、德勤和普华永道等。
IBM专注于将生成式AI技术整合进甲骨文云应用程序当中,并能够利用自家Watsonx产品为公司带来显著的竞争优势。随着企业面临计算成本上升和AI人才短缺等现实问题,IBM在AI模型、数据分析和云技术方面的专业知识,将帮助更多企业客户克服这些实践层面的挑战。
从更广泛的角度来看,IBM的举措也符合其持续发展咨询业务的战略,即通过专注于高价值AI、数据和云服务来发展其咨询业务。随着IBM进一步扩大其咨询业务范围,蓝色巨人完全有能力在快速发展的企业云和AI市场中抓住新机遇。
总体而言,收购Accelalpha和扩大咨询业务,将增强IBM在甲骨文咨询领域的专业知识、增强其竞争地位,并支持蓝色巨人向着AI驱动的数字化转型解决方案迈出坚实且极具战略性的一步。
IBM咨询公司现可提供全面的服务——包括将云迁移、AI部署与长期数字化转型战略同托管服务相结合——这使其成为希望最大化自身甲骨文投资的企业客户的理想合作伙伴。这与IBM的战略愿景保持一致,也使得该公司在竞争激烈的咨询市场中成为一股更为强劲的支柱力量。
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。