至顶网网络频道 11月21日 综合消息: 半导体制造业正在进一步整合,本周一家芯片制造商Marvell Technology Group已同意以60亿美元收购Cavium。

这次收购预计将在2018年年中完成,让Marvell实现从之前面向存储设备售卖芯片的大型企业实现多样化,通过这次收购扩展到网络设备市场。
Moor Insights & Strategy总裁兼首席分析师Patrick Moorhead表示:"随着网络日益软件定义化,并整合到片上系统,网络厂商感受到了整合的压力。这就是Marvell和Cavium合并的原因。"
Marvell将为Cavium股东支付每股40美元现金,以及为Cavium每股支付大约2.18股的Cavium普通股。基于11月3日也就是第一次有收购消息流出之前Marvell的股价,这相当于收购价为每股80美元。Cavium股东将拥有合并后公司约25%的股份。据悉,Marvell的股价在早盘中上涨了1%,而Cavium股价上涨了7%。
这次交易将基于Marvell和Cavium自身拥有的现金,外加17.5亿美元债务融资,包含美国高盛银行和美银美林的8.5亿美元过桥贷款承诺和9亿美元承诺定期的贷款。
Marvell表示,合并后的公司年收入约为34亿美元。公司首席执行官Matt Murphy在一份声明中表示:"这是一个激动人心的组合,两家互补性很强的公司合并在一起能发挥更大的效应。"而他将成为合并后公司的首席执行官。
据称,这次收购将打造一个"基础设施解决方案的强大厂商",就在一年半之前Marvell发现自己成为激进对冲基金Starboard Value LP的目标。2016年2月,Starboard宣布已经持有Marvell公司7%的股份,并表示认为该公司"被低估",并通过重组业务来降低成本。
2016年年底,Marvell同意接受Starboard任命的三位新董事成为其董事会成员。之后,Matt Murphy被任命为该公司的新任首席执行官。Murphy开始迅速大规模重组Marvell的业务、裁员、并在数据中心和无线通信领域增加新产品。
而位于加州圣何塞的Cavium主要为网络、安全、服务器和交换机设备打造计算机芯片。这家公司在去年以13亿美元收购了QLogic,最近扩展到了面向SAN的接口设备领域。
如果这次交易如预期般顺利进行,那么会加速芯片制造行业的持续整合。本月早些时候,博通公司以高达1050亿美元的价格收购了高通公司,这笔交易本来会成为科技行业有史以来最大的一笔收购,甚至超过了戴尔以670亿美元收购EMC公司。然而,高通公司董事会却拒绝了这一提议,称公司价值被低估,将面临监管阻碍。
博通自身也在2016年进行了重组,当时Avago Technologies以370亿美元收购了博通。上周,博通表示将会把总部从新加坡迁回至美国圣何塞。上周五,博通完成了60亿美元对博科通信系统公司的收购。
与此同时,高通也在寻求完成自己470亿美元对荷兰半导体公司NXP Semiconductors的收购,这是在一年前公布的,但是尚未最终确定。这笔交易一直受到欧洲监管机构的监督,另外还有投资公司艾略特管理公司的接入,该公司称这些条款嘀咕了NXP的价值。然而,路透社周六的一份报告称,日本监管部门即将批准通过,欧洲当局可能会跟进,并在年底前对高通公司做出一些调整。
Marvell目前的市值为1000亿美元,相比之下Cavium的市值为52亿美元。自华尔街日报报道出现以来,Cavium的股价已经上涨了10%以上。Marvell还公布了第三季度业绩(将在11月28日正式公布)预期:收购在6.1亿美元到6.2亿美元之间,除个股票补偿等特定成本之外每股收益在32美分到34美分之间,高于8月24日提供的指南中间点。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。