早在一个月前,说博通公司准备收购老牌安全软件厂商赛门铁克的消息,收购资金在150亿美元左右,随后有烟雾弹说这一交易落空。据外媒最新消息,博通公司曾经提出能够满足条件的收购价格,但是后来却下调了价格,导致交易失败。
但是就在今天计算机芯片制造厂商博通(Broadcom)本周四正式宣布,将以107亿美元的价格收购赛门铁克的企业安全业务,这也证实了此前有关这次收购的讨论已经进入高级阶段的报道。
这次收购意味着赛门铁克将被划分为两个部分,博通将接管赛门铁克的企业安全产品组合和赛门铁克品牌名称。赛门铁克将保留消费产品组合,包括诺顿防病毒软件和LifeLock身份保护品牌。
两家厂商表示,预计该交易将在今年年底前完成。
赛门铁克的企业业务在2019财年的收入为23亿美元,约占总收入的一半。赛门铁克售卖帮助大企业检测网络和设备是否遭受网络攻击的软件,以及用于云和其他计算服务的安全监控软件。这项业务在企业安全领域面临激烈竞争,主要竞争对手包括思科、微软、Palo Alto和Zscaler等。
此次收购是博通在软件领域继去年190亿美元收购敏捷软件开发、DevOps和计算机安全软件公司CA Technologies之后的第二大收购,目的是帮助将业务扩展到半导体和存储之外的领域。
2016年博通以55亿美元的价格收购了网络厂商博科(Brocade Communications Systems)以扩大商机,后来试图以1000多亿美元的价格收购芯片制造商高通(Qualcomm Technologies),但却因为美国总统特朗普所谓安全问题被叫停。
博通正在试图扩大自己的版图,因为面对激烈竞争和中美贸易争端的影响,博通很难维持在计算机芯片市场的增长。今年6月,在特朗普总统禁止与其最大客户华为公司开展业务之后,博通调低了今年的收入指引。
博通首席执行官Hock Tan今天在宣布收购消息的电话会议上表示,加大对软件的投入力度将会缓解公司面临的波动性。
Tan在电话会议上向分析师表示:“博科和CA的解决方案中存在有意义的交叉销售机会。”
博通表示,这次收购并未影响2019财年的收入预期(约为225亿美元),预期将保持不变,其中大约175亿美元将来自计算机芯片业务,其余的来自基础设施软件。
Moor Insights&Strategy分析师Patrick Moorhead表示,今天这一交易表明博通正在努力为自己寻找一个身份。
“这是一家芯片公司吗?是一家软件公司吗?或者正在成为一个投资工具,就像一个各项投资之间几乎没有联系的科技基金?现在还很难说。”
但Constellation Research首席分析师兼副总裁Holger Mueller表示,这笔交易对于博通来说仍然是很有意义的。
“如果博通能够很好地执行下去并且将自己重新定位为一家覆盖更广的企业平台和软件厂商,那么这将对博通来说是一个很好的策略。”
至于赛门铁克,现在它将主要专注于自己的消费级安全产品。
这次收购似乎让赛门铁克有了一些喘息的机会,今年赛门铁克面临裁员和高管离任等巨大挑战,还因涉嫌会计违规行为受到美国政府的调查,背负着20亿多美元的债务。
此前赛门铁克宣布了一项重大重组计划,预计裁员7%,以及关闭数个数据中心和其他设施,这将需要约7500万美元的遣散费以及2500万美元的关闭费用。
赛门铁克今天公布第一季度财报,在股票补偿等特定成本之前的利润为每股43美分,收入为12.4亿美元,两项都超出了华尔街的预期。此前华尔街预期每股收益仅为32美分,收入为11.9亿美元。
赛门铁克股票在常规交易中上涨超过12%后,在盘后交易中上涨超过2%。
好文章,需要你的鼓励
在技术快速发展的时代,保护关键系统越来越依赖AI、自动化和行为分析。数据显示,2024年95%的数据泄露源于人为错误,64%的网络事件由员工失误造成。虽然先进的网络防御技术不断发展,但人类判断仍是最薄弱环节。网络韧性不仅是技术挑战,更是人员和战略需求。建立真正的韧性需要机器精确性与人类判断力的结合,将信任视为战略基础设施的关键要素,并将网络韧性提升为国家安全的核心组成部分。
南洋理工大学团队开发了Uni-MMMU基准测试,专门评估AI模型的理解与生成协同能力。该基准包含八个精心设计的任务,要求AI像人类一样"边看边想边画"来解决复杂问题。研究发现当前AI模型在这种协同任务上表现不平衡,生成能力是主要瓶颈,但协同工作确实能提升问题解决效果,为开发更智能的AI助手指明了方向。
自计算机诞生以来,人们就担心机器会背叛创造者。近期AI事件包括数据泄露、自主破坏行为和系统追求错误目标,暴露了当前安全控制的弱点。然而这种结果并非不可避免。AI由人类构建,用我们的数据训练,在我们设计的硬件上运行。人类主导权仍是决定因素,责任仍在我们。
360 AI Research团队发布的FG-CLIP 2是一个突破性的双语精细视觉语言对齐模型,能够同时处理中英文并进行精细的图像理解。该模型通过两阶段训练策略和多目标联合优化,在29个数据集的8类任务中均达到最先进性能,特别创新了文本内模态对比损失机制。团队还构建了首个中文多模态评测基准,填补了该领域空白,为智能商务、安防监控、医疗影像等应用开辟新可能。