ZDNet至顶网服务器频道 04月08日:昨天上午的消息称,英特尔本周宣布,将调整会计方法,在季度财报中合并PC业务和移动设备业务的运营业绩。
这一会计方法调整与英特尔销售团队的重组保持一致。英特尔近期组建了统一的销售团队,不再让两大部门分别维持各自的销售团队。
经过重组后,英特尔的业务包括客户计算集团、数据中心集团、软件及服务、McAfee安全软件,以及其他业务。其中客户计算集团面向消费类PC、笔记本、智能手机、平板电脑、移动通信设备、无线网络设备和有线网络设备销售芯片。
有业内人士认为,合并报告两大业务的业绩将掩盖一些问题。目前,英特尔移动和通信集团单季度亏损约为10亿美元,而PC客户集团则是公司的“现金奶牛”。
对此,英特尔发言人卡拉·沃克尔(Cara Walker)表示,将两大业务的业绩合并报告并不是为了掩盖移动业务的亏损。她指出,这一会计方法的调整与公司组织架构调整保持一致。
从最近几年巨头们调整组织架构来看,其目的不外乎掩盖亏空、伺机收购填补短板、或是出售亏空业务。而英特尔方面已回应不是为了掩盖移动业务的亏损。出售亏空业务应该也不是,因为英特尔是把移动设备业务与PC业务放在了一起,起码英特尔目前仍是全球最大的PC芯片厂商。是不是说明英特尔伺机收购填补短板业务,以谋新增长。
赶巧了,近日来自外媒《华尔街日报》的消息称,英特尔斥资100亿收购阿尔特拉(Altera),目前,双方正处于洽谈阶段。但是英特尔收购并不是填补短板业务,而是向新业务发展。如果交易完成,英特尔是不是就像业界谈论的那样,不玩移动转向物联网掘金了?要移动设备业务自生自灭吗?此次是英特尔历史上最大的一笔收购案,收购阿尔特拉有什么好处呢?
业内人士分析,第一,英特尔收购阿尔特拉是为了FPGA(现场可编程门阵列)芯片。在互联网数据中心应用领域,FPGA芯片成本和占地面积方面都优于传统的网络服务器。但是英特尔并不拥有FPGA技术,自行研发又会错失市场时机。其实,已经有公司开始在数据中心使用阿尔特拉及其主要竞争对手Xilinx的 FPGA芯片。英特尔要保持市场份额,就必须拥有FPGA技术。除此之外,FPGA芯片还将有助于对抗英特尔在服务器产业领域的对手——ARM芯片,所以收购阿尔特拉,无疑是英特尔当下最好的选择。
第二,业内将FPGA芯片称为“万能芯片”,从技术角度来说,它可以在不改变芯片本身硬件组成的情况下反复使用。根据市场变化,在同样的载体上实现不同功能,而且不用更改硬件载体。而目前,FPGA芯片已经在多个市场领域有应用方案,这其中就包括消费电子、智能家居、金融安全、机器人、物联网、汽车电子等。
第三,FPGA芯片在功耗上很有优势。即使是在异构计算中GPU(图形处理器)占据主导地位,但由于功耗较大,数据中心对功耗的要求又高,很多时候GPU都被排除在外。
第四,英特尔是全球电脑处理器芯片的垄断性厂商,而在移动芯片领域,却被ARM架构的芯片所垄断。英特尔不想在物联网和穿戴设备芯片等未来的主流趋势市场落后,所以收购阿尔特拉有很多好处。
我们目前的所有结论都只是分析和猜测,英特尔究竟有什么计划在筹谋?4月8日,2015年英特尔IDF第一天,英特尔CEO科再奇重点介绍了英特尔在实感技术的创新。科再奇表示实感技术不仅可以用在平板电脑、笔记本上,还可以使用在手机上。英特尔计划2015年全面进入可穿戴设备市场,科再奇现场展示了一个安装英特尔实感技术的手机。实感技术+手机有更多创新空间,英特尔也不会放弃移动设备业务。
科再奇为英特尔找到一个定位,“智能和互联解决方案的最佳之选。”——公司的解决方案覆盖了数据中心、个人电脑、移动设备、物联网、可穿戴设备,以及软件。
好文章,需要你的鼓励
时尚零售巨头维多利亚的秘密因安全事件导致网站和线上订单服务中断,已立即启动应急响应、邀请第三方专家协助恢复运营,实体店仍正常营业。
IBM研究院AI团队开发的POBs基准测试揭示了大型语言模型在主观话题上表现出明显偏好,尤其倾向于进步-集体主义观点。研究发现,增加测试时计算(思考时间)对减少模型偏见效果有限,且更新版本的模型反而表现出更强烈的立场和更低的一致性。这项研究提供了评估AI系统意识形态倾向的工具,帮助用户和企业做出更明智的选择。
Carma Technology 针对 Uber 提起专利侵权诉讼,称其侵犯了涉及拼车系统的五项专利。案情回溯至十年前,凸显专利保护对创新者的重要性,可能对 Uber 及其他公司带来巨大影响。
东京大学研究团队开发的WebChoreArena是一个全新的网页代理评估基准,它包含532个精心设计的任务,专注于测试AI代理处理繁琐、复杂网页任务的能力。研究结果显示,即使是最先进的语言模型(如Gemini 2.5 Pro)在这些挑战性任务上的表现也比常规任务降低了约14个百分点,证明了这一基准有效区分了不同模型的能力。WebChoreArena通过设计海量记忆、计算、长期记忆等类型的任务,为评估AI代理在实际应用场景中的表现提供了更严格的标准。