ZD至顶网国际消息: Mellanox近日称,已经签署了最终协议,将以约值8.11亿美元的现金收购另一家以色列芯片公司EZchip半导体公司。EZchip是一家主打网络处理芯片的供应商。
Mellanox表示,这一交易将加强公司为数据中心和广域网提供智能互连和处理芯片的能力。据Mellanox称,该交易在2017年将令Mellanox公司的总有效市场规模增至140亿美元。
Mellanox公司总裁兼首席执行官Eyal Waldman在一个新闻发布会上表示,“此次收购将扩大Mellanox的规模,提高盈利能力。这也令我们能在大型智能网络空间获益,我们将拥有所需的知识产权,以开发嵌入式处理产品。”
EZchip首席执行官Eli Fruchter表示,正值整合之风横扫半导体空间之际,这一交易事关多元化和协同。他称,“我们认为,在半导体空间里,实力雄厚的大公司有优势。我们觉得,加盟Mellanox公司是有意义的。”
时下的半导体行业正在展开前所未有的大整合,一众芯片供应商用了很多手法,旨在增加自己的规模、增加销售额以及力争将自己的产品扩大到其他市场。据市场调研公司IC Insights的资料,2015年前六个月里半导体行业的总体并购交易额约为726亿美元,是过去五年达成的平均并购交易额的六倍多。
EZchips拥有安全、深度包检测、视频和存储处理方面的产品和专业知识,纳入这些可以提高Mellanox的地位,使得Mellanox能够为先进数据中心和边缘平台提供终端到终端、智能10、25、40、50和100Gb每秒的互连和处理解决方案。
Fruchter表示,Mellanox公司提供的技术用于1、2和3层网络的技术,而EZchip提供的产品则可用于3到7层。他还称,Mellanox公司目前的销售对象主要是数据中心,而EZchip销售产品对象则主要是运营商网络公司。
Fruchter称,“如果将这些网络层合并起来,将这些客户细分市场合并起来,我们的销售产品范围将涵括1层到7层,客户将涵括运营商和数据中心空间。从协同的角度看,这是十分有意义的。”
Mellanox公司营销副总裁Kevin Deierling在接受采访时表示,该交易将为合并后的公司带来新的机遇。 Mellanox公司的传统客户群大型数据中心公司要求的一些技术目前Mellanox尚未拥有。“我们抓住机会将EZchip的技术引入到数据中心。”
Deierling 表示,Mellanox公司也见到“类似的合并”,云技术和数据中心技术已经开始进入电信营运环境。他称,“我们见到新技术的出现,大家接受了云架构,并想利用云架构用于管理大型基础设施和快速交付新的服务,达到同样的效率和敏捷性。这方面,我们可以与我们的云供应商有很好的合作,我们也看到电信市场在演变,正在接纳这一类的架构。我们认为,我们两家公司的结合使得我们处于一个非常独特的地位,可以更好地面对电信运营商朝更加云数据中心模式进化的过程。”
根据交易条款,Mellanox公司将按每EZchip股25.50美元付款。交易已经被两家公司董事会一致通过,其企业价值为EZchip账面净收现金额约6.20亿美元。
该交易仍须经EZchip股东批准以及需满足其他惯例成交条件,包括监管部门的批准。交易预计将于2016年第1季度完成。
Waldman称两家公司过去曾探讨过合并的可能性。他表示,“以前我们未能进行交易,由于一些客户问题、估值和供应商选择等原因。现在的时机正好。”
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。