虽然上图中这两位与戴尔、图斯二人并不太像,但却喜感十足。
迈克·戴尔已经任命了一位戴尔公司高管--Rory Read--与一位EMC公司高管--Howard Elias--共同监督两家企业产品线内业务交集部分的清理工作。
"Rory的新任务是领导戴尔方面的业务整合工作,并向我直接汇报,"迈克·戴尔在10月13号于圆石城戴尔公司总裁召开的戴尔-EMC全体会议讨论当中表示。
"而EMC方面则将派出Howard Elias负责EMC的业务合并事务,并直接向乔·图斯报告,"戴尔公司掌门人同时补充称。"我们将马上开始着手推进两家企业的业务整合计划。"
Read目前担任戴尔公司全球商业销售事务总裁兼COO,其于今年3月刚刚来到戴尔,此前他曾于AMD公司担任CEO兼总裁。Howard Elias目前则担任EMC公司全球企业服务运营事务COO兼总裁。
EMC公司董事会主席、总裁兼CEO乔·图斯与迈克·戴尔一同出席了这次会议,另外在现场现身的还有Marius Haas以及其他多位戴尔公司高管团队成员。
Rory Read (左) 与Howard Elias (右)
我们已经查看到了会议记录的副本。戴尔公司掌门人首先就企业当前运营状况进行了说明,表示"我们已经成为一家连续22个季度在Gartner魔力象限报告当中位列领导者区间的厂商"。好吧,其实EMC也是。
他同时提到,目前IT行业正面临着规模庞大且极具颠覆性的转变,指出:"我们率先迈出了关键性的第一步,而且其它厂商现在将不得不想办法抵御这场冲击……要么做大做强,要么回老家种地。而我们无疑是要做大做强的一方。"
他提到,合并之后圆石城将继续作为戴尔公司的总部所在地,而其创新中心则分别设在霍金普顿(EMC总部所在地)与硅谷(VMware总部所在地)。戴尔指出:"我们正在着手将自身ESG业务融合至EMC位于马萨诸塞州的企业业务机构当中,"并由David Goulden负责运营。
而关于品牌及联邦体系,戴尔表示:"EMC长久以来所采取的体制在多数情况下都比我们拥有更出色的实际表现。而且正如大家所知,我喜欢这种方式。我认为我们能够从中学习到相关经验。我同时认为,双方合并将构建起整个技术行业当中最为强大的品牌,而我们将专注于进一步拓展现有品牌--很明显,在这种情况下树立新的品牌将是个愚蠢的决定。"
"关于EMC的运营战略我们有很多可谈,这套机制使得其旗下各个部门(Pivotal等)得以蓬勃发展,并接受来自母公司的协助,"他补充称。"目前,其母公司在规模上已经得到极大拓展--或者说融入一个更为庞大的整体--这是一家私营性质的企业。这将给我们带来更为理想的灵活性空间。"
迈克·戴尔与乔·图斯强调了二人之间的亲密友谊,乔·图斯甚至将戴尔公司的掌门人形容为"我同父异母的兄弟",并证实他已经开始在戴尔身边帮助其进行合并工作的相关善后事务。
乔·图斯指出,戴尔与EMC的合并将推动整个行业迎来转变,并给其中的每位从业者造成影响:"这一颠覆将非常巨大,而且很多很多企业都将无法从中幸存下来,或者说至少无法像当下活得那么滋润。从今天开始的这未来一年时间,很多企业甚至根本无法顺利度过。"
此次会议同时指出,戴尔与EMC双方在解决方案积累方面存在着很强的互补性。戴尔表示:"在公司当中的每一个领域,我们都将贯彻并寻求一切能够抓住或者建立起的商业机遇……Rory和他的团队将定期提供更新资讯。"
而在双方业务交集方面,这类问题"并不像表面上看起来那么严重,特别是在对不同类型的市场区划进行认真审视之后。事实证明,我们的很多强项恰恰是EMC方面的薄弱环节所在,"戴尔解释道。
是的,是的,你说的都对,不过EMC旗下的VNX确实与戴尔的SC与PS阵列存在明显的定位重合。我们很难看到双方能够通过怎样的细分手段为这三款产品找到能够共存的市场角色。
评论意见
注意:从这笔巨额投资当中获取回报并不像某些分析人士们想象的那么困难,因为EMC不再需要每年花费超过10亿美元来进行股票回购、偿还利息或者向股东支付分红。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。