4月13日,亚马逊公司日前透露,它已在去年完成了对数据迁移初创公司Amiato的收购,此举将有助于亚马逊的云端战略布局:能让它更好的将数据转移至亚马逊云服务。
根据一位熟悉这项收购事宜的人士透露,亚马逊收购Amiato主要是为了想得到Amiatio员工的专业技能。
这家位于美国加利福尼亚州帕罗奥图的初创公司Amiato,专注于将数据从各类现代大数据库中提取出来,转移至亚马逊的在线数据仓库Redshift。此前,Amiato已经从Data Collective,Andreessen Horowitz, Ignition Partners这些风险基金,获得了200万美元的风险投资。
亚马逊很少为它的云服务部门收购其它相关公司,它的投资主要集中在那些互联网研发领域。亚马逊的收购目标通常是一些有着特殊专长的小公司,像它在上个月收购的物联网公司2lemetry,以及在今年一月份收购的以色列半导体初创公司Annapurna Labs。
Amiato的技术能帮助亚马逊从像MongoDB这样的现代数据库中提取数据,然后上传至亚马逊的在线数据仓库Redshift。根据职业社交网站LinkedIn的数据显示,Amiato的员工将被分配到亚马逊的数据库和Redshift产品团队。
亚马逊的新闻发言人没有对此次收购发表任何评论。
亚马逊早在10几年前,就提出了它的在线服务产品计划。在上个季度中,亚马逊的在线服务事业部为公司创造了16.7亿美元的销售额。亚马逊在公布它的下季度营收目标时表示,它将在这个月末把在线服务单元分拆成一个独立的项目。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。