
据《华尔街日报》报道,惠普将于周一宣布一项拆分计划,将当前公司一分为二,拆分后,其中一家公司将专注于企业计算和服务,另一家公司则负责个人电脑和打印机业务。
惠普实施分拆,有多方面积极意义,主要包括:
一、专注。就现在的惠普而言,尚看不清其到底专注哪一行业。3D打印市场:惠普落后;PC市场:惠普失去头把交椅,联想成为全球最大PC厂商。相比之下,惠普企业部门尚有一些有前途的业务,比如惠普的Moonshot服务器、大数据产品,受到市场追捧。但这远未能掩盖惠普面临的问题:惠普没有专注任何一个能使其真正占据主导地位的领域。
二、研发支出。惠普CEO惠特曼正在加大惠普的研发投资力度。实施拆分后,将使各个部门的研发资金紧张局面得到缓解。
三、私有化。惠普的打印业务是现金奶牛,具备了私有化要求的所有条件。而惠普作为一个庞大的公司,要想实现整体的私有化,简直不可思议。实施拆分后,可以选择业绩较好的公司进行单独私有化。戴尔、Tibco和BMC软件等公司,都放弃公开市场、谋求私有化,以期实现长期增长。
四、软件和云服务。惠普的软件部门本该为惠普带来更多营收,但目前该业务未能担当这一重任。作为惠普公司内部较小的企业部门,惠普企业部门可根据市场情况,与Red Hat或SaaS公司进行合并。
五、有利于展开大规模并购。此前的报道称,惠普与EMC已开始进行潜在的并购谈判,交易价格和业务结构成为该交易关键。EMC看上的并非惠普PC和打印机业务,而是惠普企业部门。因而从这一层面而言,惠普也应该放弃PC和打印机部门。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。