Cisco以280亿美元完成对Splunk的收购已有18个月,两家公司专注于将Splunk的机器数据分析技术与Cisco的网络产品线深度融合。由此产生的"Cisco数据结构"是这家网络巨头在人工智能革命中寻找立足点的最雄心勃勃的努力。
尽管一些客户最初担心Cisco会分散Splunk对核心业务的关注,但收购后的协同效应实际上为Splunk催生了新的发展动力。Splunk平台高级副总裁兼总经理Mangesh Pimpalkhare在本周波士顿举行的Splunk .conf25大会上接受采访时表示:"我们没有偏离原有战略,而是放大了它。"他强调,Splunk正在利用Cisco的网络优势为平台寻找新的应用场景。
这次收购是Cisco历史上规模最大的一次,推动了Splunk"更加前瞻性"的战略。Pimpalkhare说:"发展势头正在向以AI为中心、AI增强的解决方案建设。"
两家公司已迅速整合工程团队,围绕Cisco AI Canvas实时协作平台和Isovalent内核级安全监控等项目展开合作。
"Cisco拥有一些与Splunk非常互补的优秀技术,如AppDynamics、AI产品组合的部分内容、AI Canvas和基础模型,"Pimpalkhare说。"一旦我们将这些整合在一起,一加一远远大于二。我们希望它等于十。"
Splunk正在推动Pimpalkhare所说的"平台效应",即Splunk的数据分析与Cisco广泛的网络产品组合和芯片集成,创造复合价值。他将这一策略比作苹果公司的生态系统模式,手机和笔记本电脑推动手表和耳机的销售。
在销售方面,整合更加谨慎。原有的Splunk销售团队保持完整,与Cisco的同行携手合作,而不是成为网络销售人员。Pimpalkhare表示,Splunk不希望稀释客户对销售代表所期望的技术专业知识。
两家公司合并后的AI中心能力旨在解决企业信息技术最棘手的问题之一:数据孤岛。这是组织更好地利用可观测性数据的最大障碍之一。
"安全运营只关注安全漏洞,站点可靠性工程师只担心正常运行时间。问题是,站点可能因为安全攻击而宕机,"他指出。Splunk正在使用跨域分析来连接这些功能。
一个值得注意的新举措是将机器数据与业务洞察联系起来。例如,这将允许零售商确定网站速度下降是否对高价值客户的影响程度超过新客户,或者欺诈事件是否对大客户产生不成比例的影响。
Cisco本周推出了面向Snowflake的Splunk联邦搜索,朝这个方向迈出了一步。这使用户能够从Splunk内部访问Snowflake数据云中的数据,将运营机器生成的数据集与业务数据相结合。
另一个支柱是Splunk机器数据湖,这是Cisco数据结构的一个组件,作为模型训练和分析的持久基底。它可以与Splunk AI工具包和模型控制协议服务器一起使用,处理用于入门、监控和自愈的AI原生服务。
Pimpalkhare断言,Splunk是管理防火墙后机器数据洪流的理想机制,而传统的公共大语言模型无法访问这些数据。"我们可以提供客户工具包,在这些机器数据上训练AI模型,"用于检索增强生成和微调,他说。
Q&A
Q1:Cisco收购Splunk后最大的变化是什么?
A:收购后两家公司专注于将Splunk的机器数据分析技术与Cisco的网络产品线深度融合,创造了"Cisco数据结构"。这不是偏离原有战略,而是放大了Splunk的能力,利用Cisco的网络优势寻找新的应用场景。
Q2:什么是"平台效应"?
A:平台效应是指Splunk的数据分析与Cisco广泛的网络产品组合和芯片集成所创造的复合价值。类似于苹果公司的生态系统模式,通过整合AppDynamics、AI产品组合、AI Canvas等技术,实现一加一大于二的效果。
Q3:Splunk如何解决企业数据孤岛问题?
A:Splunk通过跨域分析连接不同功能,比如将安全运营和站点可靠性工程师的关注点整合。同时推出面向Snowflake的联邦搜索功能,将运营机器数据与业务数据相结合,并开发机器数据湖作为AI模型训练的基础设施。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。