作为曾经的闪存存储行业先锋,Violin Memory公司一直未能将自身的早期市场领先优势转化为盈利,而如今其已经申请Chapter 11破产并表示计划对资产进行拍卖。
而就在这份文件披露的一年之前,来自加利福尼亚州圣克拉拉的Violin Memory公司还表示其正在探索新的战略发展方向。
Violin Memory公司于本周三表示,除了递交Chapter 11文件之外,该公司还计划在下个月初对其资产进行拍卖出售,具体包括其掌握的58项美国国内与64项国外专利,外加多项尚未确认完成的专利。该公司的经常性年营业收入为2000美元。
Violin Memory公司创立于2005年,其开发出自己的闪存存储模块,希望替代标准化固态硬盘以提供性能更为出色的解决方案。一段时间以来,该公司一直以全闪存存储解决方案的出色性能表现而著称。到2011年,该公司已经针对一级、关键性业务应用推出了多款全闪存阵列产品。
然而过去几年来,随着市场竞争的加剧,开始有大量初创企业利用标准化SSD以低成本开发高性能全闪存阵列,这意味着主流厂商能够更为轻松地将全闪存存储方案接入其现有存储生态系统当中。这一切都给Violin公司带来沉重打击。
2014年初,Violin公司宣布退出PCIe闪存卡业务并专注于存储阵列市场。同年6月,其将PCIe闪存卡业务出售给了韩国半导体厂商SK-海力士公司。
Violin Memory公司于2014年12月公布了一款新的入门级全闪存阵列以及一款新型高密度闪存存储阵列,二者皆归属于其闪存存储平台(简称FSP)家族。这意味着其已经将业务运营重心由高端0级闪存存储解决方案转向更为主要的存储业务层面。
Violin Memory公司渠道销售副总裁Jeff Nollete在采访中表示,当时该公司已经将关注重点转移至整体可寻址市场之上。“专注于高端市场令发展空间过于有限。因此现在我们开始将业务向一级存储领域扩展。我们是一家高端数据存储解决方案供应商,而非数据库加速解决方案供应商,”Nollete随后在采访中解释称。
Violin Memory公司于2013年9月进行了首轮公开募股,以每股9美元的价格发售1800万股,此次募股总计筹得1.62亿美元。然而,当天收盘时股份已经跌至7.02美元,且其后一路下滑。截至本周四,该公司的场外交易股价再度下跌68%,目前每股仅为5美分。
来自加利福尼亚州帕洛阿尔托的解决方案供应商兼Violin渠道合作伙伴Integrated Archive Systems公司工程技术副总裁John Woodall表示,没人希望看见像Violin Memory这样一家拥有出色技术与人才的企业遭遇失败。
“但他们确实很挣扎,”Woodall在采访中表示。“我看到了他们的财报。他们一直没能真正翻身。很明显,他们被迫选择退出。希望他们的行动能让他们掌握的知识产权与客户业务继续维持下去。”
Woodall将Violin Memory称为闪存存储业务领域的先锋,并表示其帮助定义了整个行业,但Violin方面坚持的闪存模块思路一直未能真正压倒标准SSD。
“Violin Memory公司早期曾经拥有客户与性能优势,”他指出。“但市场很快发生剧变。闪存存储确实是一项颠覆性技术,但其仍然归属于存储领域。这种优势已经转移至更多主流供应商手中,而这些厂商有能力与其它供应商的技术相集成,同时亦可提供更为广泛的软件与服务能力。”
闪存存储业务市场非常残酷,Woodall表示,“看起来主流厂商在与初创企业的较量中仍占有绝对优势。客户并不单纯关心速度与数据供给能力。相反,他们更关心厂商能否提供Docker插件?规模能力如何?事情的变化速度要比初创企业的预期更为迅猛。”
Violin Memory公司的各位高管并未参与此次采访。然而,Violin Memory公司总裁兼CEO Kevin A. DeNuccio在一份声明中表示,“我们正在采取行动,具体实施时间应该是在2017年1月底,旨在提升Violin公司的客户服务能力。Violin公司希望继续向客户销售解决方案,并通过此次重组为客户带来更为光明的前景以及更为出色的服务与支持。”
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。