去年赛门铁克分拆一度登上被热议的IT头条,一年之后,分家了的赛门铁克怎么样了?带着这个问题,今天赛门铁克分拆之后的子公司之一Veritas两位高管在北京办公室接受了媒体采访。
赛门铁克分拆的消息是在去年10月第一次宣布的,最终结果是成立两家独立的公司,一个专注于安全领域,一个专注于信息管理领域。从今年4月1日开始,赛门铁克正式以两家独立公司运作,安全公司继续沿用“赛门铁克”的命名,而存储公司则沿用“Veritas”的品牌。
注释:之所有选择沿用Veritas这个沉寂了多年的品牌是有一定道理的,因为相对使用全新品牌来说,这么做能大大节约市场推广费用,原有黑底衬线字体“VERITAS”标志也改为了红色圆角字体这一新版本。
新的信息管理公司将包括赛门铁克原有的备份和恢复、一体机、信息可用性、信息智能等产品业务。安全公司则包括赛门铁克的端点安全和保护、数据加密、移动、SSL、认证、邮件Web和数据安全、防数据丢失、托管安全和安全管理服务。
赛门铁克在2006年斥资135亿美元收购Veritas,寄望于通过存储+安全这一组合方案带来更强的竞争力。目前Veritas全球共有8200名员工,总部设立在美国加州山景城,主要研发中心包括美国、印度、英国和中国。
具体到中国来说,Veritas早在1999年进入中国,在北京和成都设有研发中心,另外在上海、广州、深圳、香港和台北等20多个城市设有销售和现场服务团队。
在Veritas看来,未来市场的发展机会蕴藏于关注基础架构造成的数据碎片化问题,被普遍看好的大数据市场,针对元数据的管理、备份、归档和电子发现等。据悉,Veritas在2016财年的总收入为28亿美元,而它所在的信息管理市场预计到2018年的整体规模将增加到180亿美元,相当于从2013年到2018年实现7.3%的复合年均增长率。
今年年内Veritas加快推新节奏,3月底Veritas刚刚公布了独立之后的首个新产品NetBackup 7.7,下一代解决方案主要围绕4个维度:
- Veritas速度,也就是提供自助服务访问受保护的副本数据实例,对生产造成零影响;
- Veritas弹性平台,也就是业务连续性软件解决方案,可实现应用程序自动恢复;
- 信息地图,支持单点查看全企业所有信息的云工具;
- 存储管理,也就是归档、记录管理和内容管理。
虽然已经正式决定拆分计划,但Veritas在今年年底之前还不会彻底与赛门铁克母体分道扬镳。 这次分拆大概需要一年多的时间,预计将在2015年年底完成。
分拆的好处当然是可以更加专注于安全和存储这两个不同的领域。最近几年,信息管理和安全两个市场不仅成长速度快,而且面临的挑战也各不相同,所以赛门铁克希望通过有针对性地制定不同的战略来同时赢得两个市场。但是另一方面,分拆也不免会让客户和合作伙伴产生一些担忧。特别是在过渡期内,要看赛门铁克如何采取措施让合作伙伴和客户平滑过渡。
我们尚不清楚Veritas公司的CEO将由谁来担任,目前信息管理业务总经理一职由赛门铁克执行副总裁John Gannon出任。
Veritas管理层团队在北京办公室接受媒体采访,左起至右分别为Veritas亚太及日本地区销售负责人连智浩、Veritas执行副总裁兼总经理John Gannon、Veritas执行副总裁兼首席产品官Matt Cain、Veritas大中华区总裁萧建生
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。