长话短说
- Datadog加速其人工智能战略 收购专门从事强化学习操作（RLOps）的初创公司 Adaptive ML，以加强其内部人工智能研究实验室。
- 此次收购最重要的是人才和专业知识 模型的后训练，成为人工智能继大语言模型竞赛之后的新战场。
- 价值从模型转向持续改进 ：公司现在正在寻求使用强化学习而不是培训新的法学硕士来专业化、控制和优化他们的人工智能代理。
- Datadog具有重大竞争优势 得益于其平台上收集的数十亿运营数据，这是专门用于可观察性和网络安全的培训模型的战略资产。
- 该操作说明了一个潜在趋势 ：基础设施平台寻求将其专有数据转化为差异化的人工智能。
- Adaptive ML 于 2024 年筹集了 2000 万美元 与 Index Ventures、ICONIQ Capital、Motier Ventures、IRIS 和 Olivier Pomel 合作。收购金额并未公开，但估值在 100 至 2 亿美元之间似乎是合理的。
- 该文件还凸显了欧洲的弱点 ：尽管有高水平的研究和可用的资金，大型欧洲集团在采用自己的初创公司开发的技术方面仍然进展缓慢。
Datadog 继续向人工智能实验室转型，收购了由 Olivier Pomel 和 Alexis Lê-Quôc 创建的强化学习运营专家 Adaptive ML，这家美国出版商致力于将可能在下一代商业软件中发挥决定性作用的专业知识内化。这次收购的背后隐藏着更深层次的演变，基础设施平台现在希望将其运营数据转化为专有情报。
下一场战斗现在涉及一个不太明显的层面，即锻炼后的层面。即，模型部署给客户后不断适应、改进和发展的能力。正是在这一领域，Datadog 刚刚宣布收购 Adaptive ML，这是一家专门从事强化学习操作 (RLOps) 的法国-加拿大初创公司。
Datadog 对研究能力的投资超过对产品的投资
Adaptive ML 将整合 Datadog AI Research，这是一家内部实验室，负责开发可观测性和网络安全的专用模型。最重要的是，Datadog 正在收购一支研究团队和罕见的专业知识，涉及当前人工智能最复杂的领域之一：使用强化学习的模型后训练。
自适应机器学习从未寻求开发新的主要语言模型。它的目标是构建工具，使大型组织能够根据其运营数据创建、改进和部署自己的专业代理。
价值从模型转移到永久改进
自ChatGPT到来以来，业界的投入主要集中在模型预训练上。法学硕士的表现很大程度上取决于数据集的大小、调动的计算能力和参数的数量。这种逻辑现在已经达到了极限。
通才模型在绩效方面逐渐趋同，公司发现他们真正的差异化不再仅仅取决于所选择的模型，而是取决于他们专业化、控制和持续改进模型的能力。
这正是强化学习所允许的。与传统的微调（包括从静态语料库中调整模型）不同，强化学习允许系统逐渐从与环境的交互中学习，纠正错误并随着时间的推移优化其决策。
自适应机器学习专门研究这个称为 RLOps 的工业层。
Datadog 数据成为竞争优势
当我们看看 Datadog 拥有的资产时，这次收购是有意义的。每天，其平台都会从客户的基础设施中收集大量数据：事件日志、系统指标、分布式跟踪、警报、事件、人工干预和应用的补丁。这些信息正是专业模型取得进展所需的数据类型。
Julien Launay强调，“最困难的从来不是算法，而是生产规模”。 Datadog 正是带来了这种规模，该公司拥有来自全球数千个组织的持续运营数据流。很少有玩家拥有如此丰富的信息遗产。
自然的收购
在 2024 年筹集 2000 万美元资金期间，Adaptive ML 汇集了 Index Ventures、ICONIQ Capital、Motier Ventures 和 IRIS，以及作为天使投资人参与的 Olivier Pomel。
此次收购的财务条款尚未公开。鉴于 2025/2026 年此类收购的倍数，估值可能在 100 至 2 亿美元之间。
法国的成功……凸显了欧洲市场的局限性
自适应机器学习的故事也说明了欧洲市场的局限性。尽管在巴黎设有办事处和法国生态系统，但这家初创公司的大部分活动都是在北美进行的，当时其投资组合中没有主要的法国客户。缺席的原因是欧洲大公司在采用初创公司开发的创新方面进展缓慢，而且与初创公司签订合同的能力较弱。
尽管欧洲正在有效地为其科技初创企业提供资金，但它仍在努力创造一个足够活跃的国内市场，使它们能够成为独立的世界领导者。
