长久以来,数据仓库方案供应商Teradata公司对于大数据业务一直保持着宗教信仰般的虔诚态度。就在本周三上午,该公司又宣布对咨询企业Think Big Analytics进行收购,这一消息已经得到相关双方的确认。Think Big是一家颇具知名度的企业,专长于处理Hadoop及NoSQL类技术难题,主要业务为帮助客户将上述方案整合至现有数据架构当中。
自2010年建立以来,Think Big公司的客户清单中已经包含多家知名企业。本次收购交易完成之后,该公司仍将在Teradata的麾下独立运作。Think Big公司联合创始人兼CEO Ron Bodkin指出,他的公司将继续以客户具有以及希望使用的技术方案为关注对象,其中包括与Teradata构成竞争关系的其它数据仓库产品。值得强调的是,Think Big并不会代替Teradata公司内的相关团队、接手此类技术方案的部署工作。
“我们会坚持Think Big的原有任务及关注重点,绝不动摇,”Bodkin表示。
Ron Bodkin
相反,此次收购更像是Teradata表明态度的一种方式——其“一招鲜,吃遍天”的业务定位并不会影响到公司的长远发展。Think Big在未来很可能承担起超大规模、高复杂度基础设施的部署工作,而同样介入其中的Teradata则只是整套体系中的组成部分之一——虽然明显是最大而且最昂贵的组成部分。与此同时,以Pivotal、IBM以及甲骨文为代表的竞争对手们则不断推动数据分析系统方案集合的整体发展。甚至连Cloudera这样的新兴企业都通过打造自家数据仓库方案践踏Teradata的固有领土——虽然在地位方面无法与后者相提并论,但其卖点在于以更低价格为客户提供更为可观的存储规模。
Teradata在过去几年中一直致力于解决这些问题,第一步就是于2011年收购基于MapReduce的探索性分析初创企业Aster Data Systems公司。在此之后,Teradata又与Hadoop新兴企业Hortonworks建立起亲密的合作关系。双方的合作协议为Teradata、Aster以及Hadoop系统的数据查询机制带来新型技术方案,而Teradata也已经推出了自己的白标Hadoop设备、并运行有Hortonworks发行版。去年十月,Teradata宣称其平台将开始支持JSON文件,并于今年六月宣布将与MongoDB进行整合。
今年七月,Teradata收购了Hadoop元数据管理初创企业Revelytix,并顺带将SQL on Hadoop先行者Hadapt公司招至麾下(此次收购价格很低,颇有清仓甩卖之感)。Teradata公司大数据实践业务总裁Randy Lea指出,收购Revelytix的举措已经让Teradata在众多备选系统方案当中跻身最佳分析与数据管理供应商之列。他表示,Hadapt拥有“一些非常有趣的技术方案与专业知识”,Teradata也将在后续的发展规划中为这部分技术设定推进方向。我们可以大胆推测,Teradata完全可以在Apache Hive之外、利用更多原生SQL选项来对其Hadoop设备加以增强。
Lea同时指出,Teradata作出收购Think Big的决策考虑到一系列原因,其中包括后者在大数据通道及数据科学应用程序方面具备一定知识产权积累、能够提供帮助员工快速适应Hadoop运作机制的培训项目、Storm、NoSQL以及其它相关技术。事实上,Teradata公司内部对于Hadoop以及开源技术的大力支持将帮助其更好地将自有技术方案与客户需要的其它产品进行调整与融合,从而保证其能够在无需就使用开源软件说服客户的前提下为自己的产品找到拓展之路。
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。