据称,HPE即将完成对收购上市网络公司Juniper Networks进行的谈判,此举令人感到惊讶。
据《华尔街日报》援引知情人士消息称,这次交易据称规模达130亿美元,最早可能于本周宣布。此次收购显然是为了让拥有近100年历史的HPE能够在快速发展的人工智能行业中占据更好的位置。
HPE成立于1939年,是美国科技行业最具标志性的品牌之一,以销售服务器和存储阵列等数据中心设备而闻名,此外还为从小企业到全球最大型的企业和政府等客户提供云服务,不仅如此,HPE还是个人电脑和打印市场的重要参与者,但在2015年拆分为两个独立实体之后,将这些业务交给了HP公司。
Juniper则是一家通信网络服务和基础设施提供商,向技术提供商、电信公司、金融服务公司和其他客户销售路由器和以太网交换机等设备,Juniper是思科的主要竞争对手之一,和思科一样,也拥有规模庞大的企业网络管理软件销售业务。
近几个月来,由于企业支出紧缩,Juniper一直在努力应对收入下滑的问题。
两家厂商都在新兴的人工智能行业中占有一席之地。对于那些希望在本地数据中心和云中运行AI工作负载的企业来说,HPE希望能够成为他们计算硬件的主要提供商。最近HPE发布了一系列新的服务器,集成了Nvidia的GPU,主要瞄准的就是AI工作负载。
此外,HPE的云AI战略重点围绕一项名为HPE GreenLake for Large Language Models的新服务,该服务针对AI训练提供了Nvidia GPU的替代方案。客户通过该服务将能够使用HPE的Cray XD超级计算机,后者是一种用于大规模大型语言模型训练的AI原生架构。
至于Juniper,它提供了一项名为Mist AI的AI服务,据称该服务使用机器学习算法来优化客户的无线接入体验,此外还使用AI来增强网络管理和安全软件的功能。
Constellation Research分析师Holger Mueller表示,这笔交易对HPE来说可能是很有意义的,因为HPE正在拼命寻找新的增长动力,收购Juniper可能有助于发展HPE的Aruba Networks业务,这项业务近年来表现良好,但规模仍然太小,无法实现蓬勃发展。
Mueller表示:“看来HPE是打算在网络方面加倍努力,以扩大自己在本地市场的总体目标市场。Juniper拥有不断增长的云业务和大体量的广域网业务,以及AI产品,这对HPE及其投资者来说是一件好事,但这次交易会受到怎样的监管审查还有待观察。”
如果HPE和Juniper能够达成交易,这将成为近年来最大的科技收购之一。过去几年,科技行业受到全球经济疲软和反垄断审查加强的严重打击,交易明显有所放缓。
然而也有迹象表明,收购可能将变得更加普遍。上周,有报道称芯片设计软件公司Synopsys正在洽谈收购结构分析软件公司Ansys,据报道这笔交易可能规模高达350亿美元的股票和现金。
报告发布后,Juniper的股价在盘后交易中上涨了23%多,但是其股票交易价格仍然仅为曾经市值的一小部分。至于HPE,股东似乎对这笔交易不太热情,股价盘后下跌8%多。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。