Akamai于美国东部时间 2 月 15 日下午 4:30 在其第四季度和 2021 年年终财务业绩电话会议上讨论了此次收购
2022 年 2 月 23 日——负责保护和交付数字化体验且深受全球企业信赖的解决方案提供商阿卡迈技术公司(Akamai Technologies, Inc.,以下简称:Akamai)(NASDAQ:AKAM)近日宣布已达成收购 Linode 公司的最终协议。Linode 是一家提供易于使用且深受信赖的基础架构即服务 (IaaS) 平台的供应商。
现代数字化体验(包括元宇宙等虚拟环境)是通过融合媒体、娱乐、技术、电子商务、金融服务和线上游戏打造而成。几十年来,Akamai一直是这些行业中全球领导公司的重要合作伙伴,为当今的多云、多平台环境中的应用程序提供支持和保护。Linode 助力开发人员以简单、经济和易于访问的方式使用云计算。此次Akamai 将携手 Linode,成为覆盖从云端到边缘环境的全球分布广泛的计算平台。
Akamai首席执行官兼联合创始人 Tom Leighton 表示:“对 Akamai 来说,将 Linode 易于开发人员使用的云计算功能与 Akamai 市场领先的边缘平台和安全服务相结合,这一契机可以看作是一次变革。20 多年来,Akamai 一直是边缘计算业务领域的先驱,我们很高兴开启新的发展篇章:通过创建一个独特的云平台来构建、运行和保护从云端到边缘环境的应用程序,帮助开发人员在具备卓越规模、覆盖范围、性能、可靠性和安全性的平台上构建应用程序,这可以说是一次巨大的进步。”
Linode 创始人兼首席执行官 Christopher Aker 补充道:“我们在 19 年前创立了 Linode,目的是让功能强大的云技术更易于使用,也更容易获取。在此过程中,我们构建了一个深受全球开发人员和企业信赖的云计算平台。如今,随着云服务逐渐包罗万象,囊括计算、存储、安全和从核心到边缘的交付,我们的客户面临着全新的挑战。应对这些挑战的过程需要进行大量整合与扩展, Akamai 与 Linode 将携手规划,共同实现这一目标,这也标志着 Linode 开启了激动人心的崭新篇章,对我们当前和未来的客户来说都是一次重要的进步。”
根据协议条款,在进行惯例收购价格调整后,Akamai 已同意以大约 9 亿美元的价格收购 Linode Limited Liability Company 的所有已发行股权。由于本次交易为资产购买,Akamai 预计将在未来 15 年内节省现金所得税净现值约1.2 亿美元。本次交易预计将于 2022 年第一季度完成,并须满足惯例成交条件。
在 2022 财年,对 Linode 的收购预计将带来约 1 亿美元的收入,而 Akamai 的非 GAAP 每股收益预计将略微增长约 0.05 美元至 0.06 美元。Akamai 已于美国东部时间 2022 年 2 月 15 日下午 4:30 在其第四季度和 2021 年年终财务业绩及全年营收指导电话会议上提供其他详细信息。
本次交易顾问
PJT Partners 担任 Akamai 的财务顾问,WilmerHale 担任 Akamai 的法律顾问。DH Capital 担任 Linode 的财务顾问,Latham & Watkins 担任 Linode 的法律顾问。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。