西部数据公司正在大嚼“胃动力”,因为其需要持续消化自身及下辖各部门在过去十年当中进行的多达14次企业收购。
这位存储巨头正在将近线磁盘驱动器整合至主要营收业务当中,同时着手打理各类设施。
该公司还需要对目前手中掌握的品牌进行统一,从而消除各业务间的交集与冲突。
下表所示,为西部数据公司自2009年以来收购的所有单位。
其中的两项主要交易分别为西部数据于2012年收购HGST并将其作为自身磁盘驱动器整体过程的一部分,再加上2016年收购SanDisk以全面进军闪存行业——SanDisk与东芝联合建立起闪存代工合资企业,并在磁盘驱动器领域建立起类似的垂直整合模式以向系统提供原始存储介质。
每家被收购的企业都拥有自己的设施、前沿、生产线、后台员工以及品牌。这一切都被慢慢整合至HGST与SanDisk当中,而二者如今则逐步被并入西部数据体内。
随着吉隆坡磁盘工厂的关闭,我们发现西部数据在处理设施地产方面已经出现了思路性转变。
在此之前,西部数据公司于去年4月将总部从加利福尼亚州南部的欧文迁至湾区的圣何塞。此外,其在硅谷范围内的弗里蒙特、米尔皮塔斯(西部数据另一处旧总部)、纽瓦克以及红木城等地也拥有地产设施。此外,西部数据的足迹还想知道了波士顿地区、科罗拉多州以及明尼苏达州。
而本月报道的马萨诸塞州马尔波罗办事处的关闭计划,此外位于盐湖城及圣迭戈的设施也将逐步停用。
由于两次大规模收购加上无数小型兼并,目前西部数据总计拥有三大主要品牌集团,其中存在着大量彼此相交、冲突且无法统一的品牌命名与宣传定位。
下面来看概述表格:
品牌推广计划必须涵盖各类产品组,同时涉及相关消费者、专业买家以及小型、中型与大型企业中的具体应用。很明显,西部数据需要发起一轮品牌闪电战,从而统一这种混乱局面。
将西部数据与HGST磁盘驱动器品牌相结合的工作将是其中的一个重要步骤,再加上接下来的SSD品牌整合任务,这是一场三段式大融合。
西部数据旗下的磁盘驱动器品牌以颜色进行区分,而HGST则采用星体名称——但也有一些磁盘产品的命名跟颜色和星体都没关系。
SanDisk SSD品牌与其旗下的闪存卡品牌同样毫无关系,而这些闪存卡又与西部数据的Purple microSD存在市场定位重叠。
这意味着西部数据之内已经存在三个独立的产品开发体系与三大独立的业务部门,而各个部门又有着自己的品牌历史与想法。
然而,三方又被汇聚在一起,共同成为完整的西部数据产品家族。
正如前文所提到,磁盘驱动器业务正在吞并3.5英寸高容量近线驱动器业务,而该公司将需要一套综合性的制造系统以向超大规模的买家——包括戴尔-EMC以及NetApp等OEM厂商——销售驱动器产品。这些都属于成熟的买家,而存储巨头显然并不需要两个相互独立的品牌类别(西部数据+HGST)。在我们看来,HGST与西部数据将逐步合并,而后者的品牌可能得到进一步强调。
磁盘驱动器业务得到整合的原因,在于闪存的兴起——很明显,SanDisk对西部数据的未来命运至关重要。西部数据收购SanDisk之后,SanDisk凭借着与东芝公司合资建立的闪存芯片代工体系成为皇冠上的无双明珠。目前,SanDisk品牌的市场占有率甚至高于西部数据闪存品牌。对于期待着西部数据产品开发、发布渠道与产品品牌迎来统一的人们来说,其中存在着大量复杂且随时变化的因素需要考量。但可以肯定的是,这将是一段有趣的历史进程。
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。