风投企业批评两位发展已久的巨头级供应商。意外吗?我们倒不怎么意外。
质疑的表情: 来自Khosla风投公司掌门人Vinod Khosla。
亿万富翁、风险投资大师兼Sun Microsystems公司联合创始人Vinod Khosla认为,戴尔与EMC之合并将给双方未来的创新道路带来严重影响。不出所料,EMC公司CTO John Roese对Khosla的观点做出了一一驳斥。
Khosla是在上个月于旧金山召开的Structure大会上接受采访时表达这一观点的。
这笔由戴尔以670亿美元收购EMC的巨额交易案将阻碍产品开发,Khosla表达了这样的意见,而以此作为基础,他进一步宣称各大主流供应商都在将更多时间投入到财务调整而非开发新奇技术方面。
在他看来,80%到90%的技术创新都将由初创企业负责贡献,而各大主流供应商最终将以合作方式借力于这些羽翼未丰的年轻厂商。
EMC公司CTO兼高级副总裁John Roese很快对Khosla的观点做出了猛烈还击,并在博文及SEC文件中皆就此做出了说明。
Roese认为Khosla的说法基本上完全错误:"Vinod是一位睿智的风险投资家,我对于他在初创企业初创能力认知方面的水平毫不怀疑,不过他对于我们以规模化方式实现创新的能力的评论则不太准确。"
EMC与戴尔双方将共同把研发资金投入到"增量性与颠覆性技术"当中,同时"积极培养、引导、收购并推动具备颠覆性技术成果的初创企业",而不仅仅像Khosla所描述的单纯依靠合作关系来实现。
Roese表示,在接受戴尔的收购之后,EMC方面将不再需要负担按季度发布财报的沉重任务,并最终将更多精力与资金节约下来投入到创新工作当中,这笔从股票回购及分红当中节约下来的资金,其具体数额将达到"35亿美元"甚至更高。他并没有提到任何需要花费在维护现有业务以及支付戴尔与EMC债务方面的成本。
Roese "同时指出,EMC公司在收购创新型技术成果方面拥有出色的以往表现--包括XtremIO与DSSD--但同时亦持有大量自主研发的技术方案,例如CLoudPools、Atmos、ViPR、ECS、Vblocks、大部分Cloud Foundry成果、RackHD以及CoprHD等。这直接驳斥了Khosla所提出的戴尔、EMC与思科"在过去三十年当中拿不出任何新鲜想法"的言论。
坦率地讲,我们认为Khosla的论调基本属于一派胡言。技术创新工作绝不是单纯立足于硬件与/或软件、设备或流程的新鲜想法,而是一种更为全面且完整的创造体系,而且无论是初创企业还是主流厂商都在为之而不懈努力。技术层面的创新可以表现为专利成果,而EMC显然拥有值得称道的专利积累--甚至在刚刚开始的2016年中其已经拥有两项新专利。
很明显,创新在不同领域有着不同的含义,而且我们很难将这些含义简单进行直接比较。Khosla想要表达的真实观点可能是他没有发现戴尔及EMC拿出的任何一种创新成果足以吸引他放弃初创企业,转而将资金投入到这两位巨头身上--但这只是我们的猜测。
值得指出的是,Khosla已经向多家初创企业进行了投资,并希望这些厂商能够继续保持强劲的发展走势。另外,这些年轻公司也需要通过与戴尔及EMC等主流厂商的直接竞争实现业务增长。所以他在发表这些言论时,其实是有着自己的出发点的。当然,Roese也绝对不是一位单纯的旁观者--以他的立场来看,作为EMC员工他当然需要无条件支持戴尔-EMC的此次合并决策。
Roese在博文结尾写道,"只要创新工作仍然在业务与IT成本领域扮演重要角色,与之相关的有机增长与外部战略性投资就永远不会消失。"
是的,话说得没错,不过戴尔与EMC在合并之后是否还会遵循EMC此前所采取的双管齐下创新方式?
这正是Khosla可能想要提出的问题,而且这个问题确实极具份量。我们期待着戴尔与EMC能够在这方面给出令人满意的答案。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。