HPE将以3.74亿美元的价格收购一家名为Zerto的初创公司,这个得到风险投资支持的公司致力于帮助企业保护工作负载以防故障发生,并简化他们的公有云项目。
HPE在今天宣布的这一公告中详细介绍说,Zerto预计将以“软件毛利率”的方式为HPE贡献1.3亿美元的年运营收入。HPE预计此次收购将从2023财年开始为HPE带来调整后营业利润的提升。
在被收购之前,Zerto已经融资了大约1.8亿美元,这家位于美国波士顿的初创公司提供了一款软件平台,让企业能够在由于技术问题或勒索软件而导致离线的情况下,几分钟之内就可以恢复应用。
该平台还有望改善企业的恢复点目标,而这通常是和恢复工作负载所需时间是同等重要的。恢复点目标是衡量故障期间可能会丢失多少信息的一项指标,如果应用出现故障并且应用数据的最新备份是在一天前创建的,那么员工在故障发生前不到一天之内创新的任何数据都将无法恢复。
以前备份产品的恢复点目标让管理员可能会在故障期间丢失几个小时的数据。HPE表示,相比之下,Zerto的平台让企业组织能够在应用出现故障前几秒钟内恢复已经创建的数据,从而减少了信息的丢失,减轻了故障对业务的影响。
Zerto使用一种所谓连续数据复制的技术来改善数据恢复,该技术让Zerto能够每隔几秒钟就创建一个应用数据的副本,这意味着,如果发生故障或者勒索软件攻击,管理员只需要调出事件发生前的数据副本。创建如此多的备份通常需要大量可能会闲置的存储空间,Zerto则通过删除备份文件中的重复信息来释放容量,从而解决存储容量的局限性。
HPE此次收购Zerto将让自己能够更有效地瞄准利润丰厚的数据保护市场。HPE引用IDC的数据,数据保护即服务产品支出预计将从2020年的77亿美元增长到2024年的153亿美元。
此外,此次收购还将让HPE在另一个关键领域获得更大的影响力:云迁移软件。Zerto用来创建应用备份副本的连续数据复制功能,可用于将工作负载从本地基础设施复制到云。目前,Zerto的平台支持所有三大主流公有云。
HPE公司高级副总裁、存储业务总经理Tom Black表示:“混合云和多云移动性领域不断扩展,在公有云上支持VMware,例如Azure VMware Solution(AVS)、Google Cloud VMware Engine、以及Oracle VMware解决方案。这让企业组织可以更容易进行故障转移,迁移应用到公有云上,且体现是统一一致的。”
HPE计划把Zerto的技术集成到自己的Data Service Cloud Console数据服务云控制台上,HPE最近推出的这款云平台让管理员可以用来管理企业的存储基础设施及其中包含的信息。HPE构建该平台,将其作为扩展软件即服务产品组合战略的其中一部分。而且软件即服务解决方案通常比基础设施产品(HPE的核心关注领域)利润率更高,因此可以帮助HPE提高盈利能力。
HPE上个月还收购了Determined AI,一家提供用于训练机器学习算法的软件初创公司。交易条款未对外披露。
HPE预计将在第四财季完成对Zerto的收购,届时Zerto团队将被纳入HPE的存储部门。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。