Nvidia今天宣布已经达成协议,将以69亿美元的价格收购数据中心网络专业厂商Mellanox Technologies,为最近关于Nvidia收购计划的传闻画上了句号。
这次全现金交易是迄今为止Nvidia规模最大的一笔交易。69亿美元的报价拆分为Mellanox股票每股125美元,比周五收盘价高出14%。
这是一个明显的溢价,特别是考虑到在10月收购传闻浮出水面之后Mellanox的股价上涨了66%。今天Mellanox股价上涨超过8%,至每股118.50美元左右。Nvidia投资者也非常乐意听到这个消息,Nvidia股价在今天的交易中涨幅超过7%。
据报道,英特尔和赛灵思(Xilinx)等芯片制造商也曾试图收购总部位于以色列的Mellanox。Mellanox主要为数据中心网络系统开发专用处理器,此外还提供各种相关产品,从交换机到用于连接服务器和存储的线缆。
Mellanox的客户中包括主要的数据中心硬件制造商(如戴尔)和多家基础设施即服务提供商。微软也在自己的Azure云平台上使用Mellanox的网络产品,并且曾一度成为Mellanox的潜在买家。
Mellanox在高性能计算领域也拥有重要影响力,全球500强超级计算机中有一半以上采用了Mellanox的产品,其中包括前两大超计算机——由美国能源部运营的Sierra和Summit,而且这两套系统也采用了Nvidia GPU。
Mellanox所在的三个市场——企业数据中心、公有云和超级计算——也都是Nvidia的重点关注领域。这次收购可以为Nvidia在这些领域的增长提供重要推动力。
Moor Insights&Strategy总裁兼首席分析师Patrick Moorhead表示:“Nvidia收购Mellanox应该是两家公司之间的协同举措。Nvidia和Mellanox都在高性能计算、机器学习、汽车、公有云和企业数据中心市场都有重要的地位,双方的结合可以为客户带来更多价值。”
Nvidia首席执行官黄仁勋在今天上午的新闻发布会上,阐述了他对这次收购的看法。他说:“这背后的策略基本上是就是加速数据中心,通过人工智能、数据分析和数据科学,将像构建高性能计算机一样构建数据中心。”
黄仁勋补充说:“数据中心将成为一个巨大的计算引擎。计算将扩展到网络,网络本身将成为计算结构的一部分。”他认为,Mellanox在实现这一新模型方面将发挥重要的作用,因为“这些计算机协同工作所需的连接性正在变得越来越强大和越来越重要”。
69亿美元的收购价格背后的另一个因素是,Mellanox将为Nvidia带来重要的收入增长来源。Mellanox借助以太网业务的强劲表现,在2018年的收入增长了26%,超过10亿美元。市场对Mellanox以太网交换机的需求同比增长70%,而且Mellanox预计2019年这一增长还将继续加速。
英特尔对Mellanox的收购企图也可能是促使Nvidia提出如此慷慨要约的原因之一。英特尔是Nvidia的主要竞争对手之一,正在积极致力于扩大在数据中心连接业务中的影响力。就在今天早上,英特尔推出了一项新技术,用于将GPU等加速器芯片与服务器CPU连接起来。
Nvidia预计此次收购将在年底前完成。在新闻发布会上黄仁勋表示:“我们的商业模式不会改变”,即使是将业务范围从GPU扩展到成为他所谓的系统架构公司。
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。