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
新加坡人工智能机构与阿里云发布全新大语言模型Qwen-Sea-Lion-v4,专门针对东南亚语言和文化特色进行优化。该模型结合阿里云Qwen3-32B基础模型和大量东南亚地区数据集,在东南亚语言模型评估榜单中位居开源模型首位。模型支持119种语言,能在32GB内存的消费级笔记本上运行,采用字节对编码技术更好处理非拉丁文字,并具备3.2万词元上下文长度,可执行文档级推理和摘要任务。
这项由CMU与亚马逊AGI联合完成的研究揭示了当前AI系统的重大缺陷:即使最先进的模型也不知道何时该说"我不知道"。研究团队开发的RefusalBench评估系统通过176种语言操作技巧动态生成测试案例,发现顶级AI在多文档任务中的拒绝准确率低于50%。这项研究不仅提供了标准化测试工具,更为构建诚实可靠的AI系统指明了方向。
AI智能体是下一代业务自动化工具,不仅能对话交流,还能执行复杂任务。与ChatGPT聊天机器人不同,它们可在最少人工干预下规划并完成工作。文章介绍了五个高影响力应用:自动化客户服务解决方案、销售CRM管理、合规自动化、招聘筛选与排程、市场情报报告。这些应用都具有重复性工作流程、依赖结构化数据、遵循可预测规则等特点,能够释放员工宝贵时间用于更有价值的工作。
这项由中国人民大学联合腾讯开发的LaSeR技术,发现了AI在生成答案最后一刻会无意中透露对答案质量的评估。通过观察这个"最后一词效应",研究人员开发出了一种让AI高效进行自我评估的方法,在几乎不增加计算成本的情况下,大幅提升了AI的自我验证能力,为构建更可信的AI系统开辟了新路径。