凭借上个月完成的50亿美元融资(更不用说数十亿美元的收入),Databricks正在进行收购活动。
这家以云数据分析平台闻名的公司周二宣布,推出名为Lakewatch的新安全产品。Lakewatch利用Databricks存储海量数据的能力,执行经典的安全信息与事件管理(SIEM)任务,如检测和调查威胁。不同的是,它借助由Anthropic的Claude驱动的智能体来完成这些工作。
Databricks收购了两家初创公司来支撑这款新产品:Antimatter(该交易直到现在才披露,去年完成)和SiftD.ai(该交易在过去几周内迅速达成,周一完成),该公司告诉TechCrunch。
两笔交易的条款均未披露。根据PitchBook的估算,由安全研究员Andrew Krioukov创立的Antimatter在2022年由New Enterprise Associates领投,融资1200万美元。如果小型初创公司SiftD.ai曾经融资,PitchBook并不知情。
SiftD.ai非常年轻,11月才刚推出产品:一个交互式笔记本(类似Jupyter笔记本),旨在成为人类和智能体协同工作的工具。Databricks团队认识这家初创公司的联合创始人兼首席执行官Steve Zhang,他在Splunk担任首席科学家多年(至2021年)。他在那里创建了搜索处理语言。(他的LinkedIn还显示他曾是Astronomer的首席技术官,该公司卷入了Coldplay首席执行官丑闻,但他在2023年离开后创立了SiftD。)
这两项收购都是小型初创公司——根据LinkedIn信息,SiftD只有几个人,Antimatter不到50人。SiftD似乎是一次人才收购。通过收购Antimatter,Databricks可能也获得了一些知识产权。Krioukov曾在2024年RSA创新沙盒竞赛上台展示Antimatter的技术。Antimatter正在开发一个"数据控制平面"工具,允许企业安全部署智能体,同时保护敏感数据。
虽然Databricks拒绝透露收购了多少员工,但确认这些初创公司的员工确实加入了公司。已在Databricks工作数月的Krioukov正在领导Lakewatch团队。
我们问Databricks是否会继续收购初创公司,发言人基本上表示是的,公司持续在寻找机会。"我们总是在寻找下一个机会——我们的目标是保持市场领先地位,弥补客户需求的空白,"发言人说。
Q&A
Q1:Lakewatch是什么产品?
A:Lakewatch是Databricks推出的新安全产品,它利用Databricks存储海量数据的能力,执行安全信息与事件管理(SIEM)任务,如检测和调查威胁,并借助由Anthropic的Claude驱动的智能体来完成这些工作。
Q2:Databricks收购了哪两家初创公司?
A:Databricks收购了Antimatter和SiftD.ai两家初创公司。Antimatter是去年完成的未披露交易,由安全研究员Andrew Krioukov创立;SiftD.ai的交易在过去几周内达成,周一完成,是一家非常年轻的公司。
Q3:这些收购对Databricks有什么意义?
A:这些收购帮助Databricks推出Lakewatch安全产品。通过收购Antimatter获得了安全部署智能体的技术和知识产权,SiftD.ai则提供了人类和智能体协同工作的交互式笔记本技术,两家公司的员工都加入了Databricks。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。