IBM宣布将以110亿美元收购数据流处理公司Confluent,以应对日益增长的AI部署需求。
IBM表示将整合Confluent的开源企业级数据流平台,实现实时数据连接、处理和治理,从而增强AI部署能力。该平台旨在保持跨系统和数据中心的数据连接,同时消除可能阻碍自主AI有效性的数据孤岛问题。
"IBM和Confluent的结合将通过在环境、应用程序和API之间提供可信的通信和数据流,让企业能够更好更快地部署生成式AI和智能体AI,"IBM首席执行官阿尔温德·克里希纳在声明中表示。
"数据分散在公有云、私有云、数据中心和无数技术提供商之间。通过这次收购,IBM将为企业IT提供专为AI构建的智能数据平台。"
两家公司董事会均已批准这项交易,预计将于2026年中期完成。Confluent股价在周一交易中飙升29%。这将是IBM自2019年以340亿美元收购红帽以来最大的交易。
克里希纳在接受CNBC采访时进一步阐述了IBM的战略:"没有人能接受一个月前甚至一周前的数据,而Confluent拥有最强大的技术来释放数据的实时价值。"
"我认为,现在拥有一个层面、一个控制平面,人们可以管理向AI智能体提供数据,但仍然能够确保以正确的安全性和正确的控制来完成这一切,这将释放巨大的潜力。"
Confluent带来的价值
总部位于加利福尼亚州山景城的Confluent基于Apache Kafka构建,Apache Kafka是一个用于动态数据的开源数据和事件流平台。该公司的产品包括数据流、连接器、流治理、流处理、TableFlow、Confluent Intelligence和流智能体。
部署选项包括Confluent Cloud、Confluent Platform、WarpStream和Confluent Private Cloud。
"我们对加入IBM的可能性感到兴奋,通过IBM的市场营销专业知识、全球规模和广泛的产品组合来加速我们的战略,"Confluent首席执行官兼联合创始人杰伊·克雷普斯在声明中表示。
在交易宣布之前,杰富瑞分析师布伦特·蒂尔表示IBM的产品和Confluent的服务组合是很好的匹配,在研究报告中指出Confluent"解决了现代企业架构中最关键的痛点之一:为AI、分析和云原生应用程序提供低延迟数据管道"。
Q&A
Q1:IBM收购Confluent的主要目的是什么?
A:IBM收购Confluent主要是为了应对日益增长的AI部署需求,通过整合Confluent的开源企业级数据流平台,实现实时数据连接、处理和治理,消除数据孤岛问题,从而让企业能够更好更快地部署生成式AI和智能体AI。
Q2:这次收购对IBM来说有多重要?
A:这是IBM自2019年以340亿美元收购红帽以来最大的交易,价值110亿美元。两家公司董事会均已批准交易,预计2026年中期完成。交易宣布后Confluent股价飙升29%,显示市场对此次收购的积极反应。
Q3:Confluent主要提供什么技术和服务?
A:Confluent基于Apache Kafka构建,是一个开源数据和事件流平台。主要产品包括数据流、连接器、流治理、流处理、TableFlow、Confluent Intelligence和流智能体。部署选项包括Confluent Cloud、Confluent Platform、WarpStream和Confluent Private Cloud。
好文章,需要你的鼓励
2025年,企业技术高管面临巨大压力,需要帮助企业从持续的AI投入中获得回报。大多数高管取得了进展,完善了项目优先级排序方法。然而,CIO仍面临AI相关问题。支离破裂的AI监管环境和宏观经济阻力将继续推动技术高管保持谨慎态度。随着AI采用增长的影响不断显现,一些CIO预期明年将带来劳动力策略变化。
这篇论文提出了CJE(因果法官评估)框架,解决了当前LLM评估中的三大致命问题:AI法官偏好倒置、置信区间失效和离线策略评估失败。通过AutoCal-R校准、SIMCal-W权重稳定和OUA不确定性推理,CJE仅用5%的专家标签就达到了99%的排名准确率,成本降低14倍,为AI评估提供了科学可靠的解决方案。
FinOps基金会周四更新了其FinOps开放成本和使用规范云成本管理工具,新版本1.3更好地支持多供应商工作流。该版本新增了合同承诺和协商协议数据集,增加了跨工作负载成本分摊跟踪列,以及云支出和使用报告时效性和完整性的元数据可见性。随着云和AI采用推动企业IT预算增长,技术供应商正在关注将成本与价值联系起来的努力。大型企业通常使用三到四家云供应商,小企业可能使用两家,同时还有数据中心、SaaS和许可等服务。
NVIDIA团队开发出Fast-FoundationStereo系统,成功解决了立体视觉AI在速度与精度之间的两难选择。通过分而治之的策略,该系统实现了超过10倍的速度提升同时保持高精度,包括知识蒸馏压缩特征提取、神经架构搜索优化成本过滤,以及结构化剪枝精简视差细化。此外,研究团队还构建了包含140万对真实图像的自动伪标注数据集,为立体视觉的实时应用开辟了新道路。