Salesforce 今天 (27 May) 签署了一份最终协议,计划以约 80 亿美元(59 亿英镑)的股权收购云数据管理企业 Informatica ,扣除其目前在该公司的投资。这一举措被这家软件巨头视为增强其 agentic 人工智能 (AI) 战略背后“可信数据基础”的重要手段。
Salesforce 表示,将 Informatica 的数据目录、集成、治理、数据质量与隐私、元数据管理和主数据管理 (MDM) 服务与其自有平台相结合,将构建一个统一的 agentic AI 架构,目标是让 AI 代理能够大规模、负责任且安全地运行。
Salesforce 董事长兼首席执行官 Marc Benioff 表示:“Salesforce 与 Informatica 合作将共同打造行业内最完整、最适合 agentic 应用的数据平台。通过整合 Data Cloud、MuleSoft 和 Tableau 的强大功能与 Informatica 行业内领先的先进数据管理能力,我们将使自主代理能够为每个企业提供更智能、更安全、且更易扩展的成果,并大幅提升我们在超过 1500 亿美元的企业数据市场中的地位。”
Informatica 首席执行官 Amit Walia(该公司近期亦开始涉足 agentic AI 领域)补充道:“与 Salesforce 的联手,将是我们在利用数据与 AI 点燃业务变革之旅中的一次重大飞跃,它将通过释放企业这一最关键资产 —— 数据的变革力量,助力企业发展。我们共同拥有一个愿景,那就是帮助各组织在 AI 时代充分发挥数据的全部价值。”
Deeper dive
在更深入探讨该交易背后的技术时,Salesforce 指出,将 Informatica 原生于云端的数据管理能力融入自己企业数据栈最终会激发全新的功能,并为解决 AI 扩展性问题提供一个“完整解决方案”。
Salesforce 领导层制定了五点方案以实现这一目标:
1. 通过加强 Data Cloud 在客户数据平台 (CDP) 领域的领导地位,为客户组织提供可操作、清晰、可信且统一的数据; 2. 通过进一步提升去年推出的 Agentforce,为自主 AI 代理构建一个可以解析和处理复杂数据集的坚实基础; 3. 通过增强 Salesforce Customer 360 CRM,使用户确信借助可信数据他们可以为客户提供更优质的服务; 4. 通过为 MuleSoft 提供治理性的数据分析,确保通过其 API 流转的数据能够实现连接、丰富、标准化并且可信; 5. 通过为 Tableau 用户带来情境丰富的洞察。
Salesforce 表示,要在这一层面实现整合,需要将 Informatica 的技术深度、原生地整合到自己的平台中。
Salesforce 总裁兼首席运营与财务官 Robin Washington 表示:“我们的收购策略是有条不紊、耐心且果断的 —— 当计算效益最大化并能推动客户成功时,我们便会瞄准像 Informatica 这样的变革性资产。这项拟议收购将成为 Salesforce 下一阶段 AI 驱动增长的重要推动力,我们会迅速整合其能力,并在短期内释放协同效应,特别是在公共部门、生命科学、医疗保健和金融服务等领域。我们正全力以赴加速执行,以提升市场差异化,并为所有 Salesforce 利益相关者带来持久好处。”
在满足监管审批及其他条件后,Salesforce 预计该交易将在其 2027 财年第一季度初完成 —— 大约在未来 12 个月内。
Hard road ahead
SnapLogic 首席执行官 Gaurav Dhillon(他在 1990 年代初共同创立了 Informatica)表示,对这笔交易他有着复杂的心情。
他指出:“一方面,我理解且认同此举的道理,这在理论上非常合理。这对我而言是个明确的‘早已料到’时刻,也正是我创办 SnapLogic 的原因,因为大多数企业都需要一个统一的平台来实现应用与数据的整合。但另一方面,这势必会给 Informatica(以及 MuleSoft)的客户带来巨大的动荡。”
他进一步解释道:“当两个传统整合平台 —— MuleSoft 和 Informatica —— 被压缩成一个平台时,为真正掌控关于客户、供应商和市场的重要业务数据,这种动荡是不可避免的。这将是一个缓慢且痛苦的过程,如果一切按计划进行,可能需要数年时间。更何况,现如今我们无法回到云端和 GenAI 时代之前的状态。”
好文章,需要你的鼓励
这项由清华大学与NVIDIA合作的研究提出了"负例感知微调"(NFT)算法,挑战了"自我提升仅适用于强化学习"的传统观念。通过构建隐式负面策略处理错误答案,NFT在数学推理任务上匹配甚至超越了顶尖强化学习算法的表现。研究不仅证明了监督学习与强化学习在特定条件下的等价性,还展示了如何利用负面反馈显著提升大语言模型的数学能力,为AI训练方法论开辟了新视角。
这项研究提出了一种名为混合推理策略优化(HRPO)的新方法,通过强化学习使大型语言模型能够结合离散标记和连续隐藏表示进行推理。HRPO设计了创新的门控机制,初始时以标记嵌入为主,逐渐增加隐藏状态的比例,并通过强化学习优化这一混合策略。实验表明,HRPO在知识和推理任务上显著优于现有方法,甚至使小型模型达到大型模型的性能,同时展现出跨语言推理等有趣特性。
这项研究介绍了REARANK,一种基于大语言模型的创新列表式推理重排序助手。通过强化学习技术,该模型在排序前先进行明确推理,显著提升了排序性能和可解释性。仅使用179个标注样本训练的REARANK-7B在多个信息检索基准测试中表现卓越,甚至在推理密集型任务上超越了GPT-4。研究证明了结合推理能力与高效排序策略的重要性,为构建更智能的信息检索系统提供了新思路。
"当我看到梵高的每一笔中都有他的痛苦时,才明白我们看的不是作品,而是作者的人生。AI正以惊人的速度接近人类水平通用智能,让Google从'伦敦那帮疯子在搞AGI'转变为全公司共识。DeepMind让AI'合理地幻觉'来创造突破,就像Astra技术让用户第一次惊呼'AI能做到比想象更多'——这不仅是技术革命,更是重新定义创造力的开始。"