HPE今天宣布将收购MapR Technologies的资产,收购金额未对外公开,给这个为期两个月、让MapR这家曾经高速发展的大数据公司陷入困境的戏剧性事件画上了句号。
HPE表示,这次收购包括MapR的技术、知识产权、人工智能以及数据管理方面的专业经验。HPE没有说明这次收购涉及吸纳多少员工,但HPE大数据和二级存储副总裁Patrick Osborne表示,“我们希望往大批员工加入HPE”。
HPE称,除了续订客户之外还将继续支持现有的MapR客户。HPE并未把MapR传统的Hadoop业务作为这次收购的一个决策因素,但Obsborne表示,HPE一定会继续支持这些客户。“我们希望最大限度地保留客户,其中一些客户从[Hadoop HDFS文件系统]开始,已经进入流式存储,再到现在扩展至人工智能和机器学习。从我们的角度来看,这个市场正在不断扩大。”
HPE将把MapR的技术融入HPE Intelligent Data Platform,这是一套用于管理数据生命周期的技术。MapR的分布式文件系统“提供了一种数据结构功能,让人们可以在边缘和核心为之管理他们的数据分析,我们没有一种技术可以让客户做到这一点”。MapR的持久性容器存储技术、数据湖泊和流数据特别具有吸引力,他说。
Obsborne表示,两家厂商多年来一直是合作伙伴,并且拥有很多共同客户。“这是一个继续客户旅程的机会,特别是在那些被数据分析和人工智能变革的行业中。”HPE还称赞了MapR由经销商、软件合作伙伴和集成商组成的生态系统,并称将有选择地将其整合到自己的合作伙伴网络中。
分析师也对这次收购表示认可。“MapR的技术和团队都是一流的,他们将成为未来HPE家族的一个出色的补充,”硅谷市场研究公司Wikibon首席人工智能和数据科学分析师James Kobielus这样表示。
HPE表示,MapR的技术在帮助客户跨多个内部部署和云环境组合数据管道以及在同一环境中运行多个工作负载方面具有特别重要的价值。最初MapR的定位是一家构建在Hadoop大数据平台上的服务销售商,如今,MapR将自己的技术定位为整合多个数据源的单一平台。
Kobielus说:“MapR为实时、流数据和边缘用例创建了大量的知识产权组合。HPE将这一成熟的资产纳入自己的云端产品组合是一项明智之举,同时这也为MapR的客户提供了投资安全的保证。”
Wikibon首席分析师David Vellante对此表示认同。他说:“MapR拥有良好的技术;他们的文件系统和数据库是世界一流的,HPE需要这项知识产权。我确信HPE给出了一个不错的价格。”
这一消息的公布也给从5月底开始的肥皂剧画上了一个句号。当时MapR重磅宣布,最近一个财季“业绩极差”,可能会被迫关闭公司,并将7月3日设定为寻找资金来源的最后期限,但随着该日期的到来,MapR只是表示“在战略交易方面取得了有意义的进展”。
MapR和Cloudera、Hortonworks是三家备受瞩目的初创公司,它们在大数据发展的早期阶段共筹集了15多亿美元资金。MapR首席执行官在2015年公开宣布首次公开募股计划,但客户迁移到云端的速度超出了预期,加上市场对Hadoop的整体兴趣减弱,导致这三家初创公司在积累了财富不久就陨落了。
好文章,需要你的鼓励
前谷歌资深工程师David Petrou创立的AI初创公司Continua宣布完成800万美元种子轮融资,由GV领投。该公司开发AI智能体技术,可加入SMS、iMessage和Discord等群聊平台,为用户协作提供智能支持。Continua能够在群聊中自动设置提醒、发起投票、添加日历邀请或生成待办清单,解决群聊混乱问题。公司通过微调技术让AI理解群聊动态,具备社交智能,只在需要时提供帮助。
艾伦人工智能研究院开发的MolmoAct是首个开源的机器人空间推理模型,通过"看懂-规划-执行"三步思考法让机器人具备类人的空间理解能力。它不仅在多项基准测试中表现优异,还支持直观的视觉轨迹调教,用户可直接在屏幕上画线指导机器人行为。研究团队完全开源了模型、代码和数据集,为全球机器人研究提供强大基础平台。
Anthropic宣布为企业客户增加Claude单次提示词的信息处理量,以吸引更多开发者使用其AI编程模型。Claude Sonnet 4现支持100万token上下文窗口,可处理75万词或7.5万行代码的请求,是此前限制的5倍,超过OpenAI GPT-5的40万token。该功能也将通过Amazon Bedrock和Google Cloud等云合作伙伴提供。更大的上下文窗口有助于AI模型更好地处理软件工程问题和长期自主编程任务。
这项由北京大学和清华大学联合完成的研究首次提出时间自奖励语言模型,通过"锚定拒绝"和"未来引导选择"策略解决了AI自学习中的梯度消失问题。该方法让AI既能从过去的低水平样本中学习反面教材,又能向未来的高水平样本学习正面目标,成功维持了清晰的学习对比信号,在多个基准测试中显著优于传统自奖励方法。