HPE目前正在大力投资用于物联网的混合数据中心与“智能边缘”工具,以借此在其名为HPE Next的项目中精简该公司的运营结构。
本周三在HPE公司的分析会议上,首席执行官Meg Whitman概述了该公司的发展与计划,主要目的则是让公司运营更为灵活。
Whitman表示:
我们都很清楚,目前HPE与我们的竞争对手都面临着公有云、白盒供应商、SaaS以及商用组件价格大幅增长所带来的压力。诚然,这些是我们现在需要面对的挑战,但我认为如果我们能够专注于客户需求、通过正确的分割策略以融入市场并建立一套符合公司固有优势的金融架构,这些我们现在所面临的压力都将为Hewlett Packard Enterprise创造巨大的发展机遇。并且,只要我们能成功地将挑战转化为机遇,我相信HPE将会在未来的岁月里蓬勃发展。
HPE公司的战略方案主要包括简化混合IT,采用其Aruba单元以实现校园与分支网络更加智能并启动了诸如Edgeline的边缘计算产品。此外,HPE也将提供一些其它服务项目。
就总体而言,HPE公司的战略方案与其他技术巨头所采取的措施有异曲同工之处。例如,戴尔技术在上周概述了其物联网战略方案并表示其已拥有大量云与数据中心构建模块,而该项举措可将更多的智能与计算转移至外围的物联网设备上以解决将数据从传感器上传至云端的延迟与成本问题。
当然,在物联网领域内也会出现一系列数据所有权纠纷问题,而这也将会影响智能边缘的销售情况。HPE方面表示其将专注于为工作场所、零售业、工业以及智能城市提供智能边缘与数字化体验。此外,HPE公司提供了一系列大型客户实例研究报告,具体包括Home Depot与美国联合航空公司等。
Whitman补充称:
随着工业转型期间所遗留的工业基础设施——制造业公司,例如生产地板、运输系统、能源基础设施,甚至是城市自身——向数字化世界过渡,我们目睹了边缘数据的爆炸式增长。所以,我们认为这种向边缘发展的势头最终将会颠覆云端的统治地位。
诚然,如此巧舌如簧并不足以让HPE方面的战略锦上添花,但却能够找到与之匹配的受众。另外,HPE公司的总裁Antonio Neri概述了该公司最新的简化工作——HPE Next。
在HPE Next项目中,该公司不仅能够在未来三年内节约15亿美元,还可以在市场营销、研究与开发以及运营方面再投资7亿美元。HPE方面还将“优化员工队伍”并简化其系统与不动产业务。
Neri在其演讲报告中明确表示HPE需要一些调整。以下是该公司的运营与管理结构。
对于2017财年,HPE方面预计其收入将增加5%,并且非GAAP收益每股达到1美元。就2018财年而言,HPE公司预计其非GAAP营业利润率约为9.5%,非GAAP收益每股可达1.15美元至1.25美元。
2018财年收入将以“适度的收入增速”实现稳定增长。长期看来,HPE公司预计其有机收入增长将呈现持平状态或实现1%增幅。
换而言之,HPE方面将通过收购实现增长。Oppenhiemer公司的分析师Ittai Kidron在一份研究报告中表示:
我们对于管理层将计划聚焦于公司的具体发展(混合IT、智能边缘与服务)而感到满意,并且该公司也实现了显著的成本与效率收益(Next项目)。尽管其中部分的营收计划足以引人注目,但我们认为,如果不采取激进的企业并购措施——固然,我们不希望公司进行此类并购——公司将会进入较为缓慢的发展阶段。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。