当地时间周五下午,据《华尔街日报》报道,高通已就收购事宜与英特尔进行了接触,但目前这笔交易还远未确定,高通也未正式向英特尔提出收购要约。《纽约时报》在周五晚上证实了这一报道,并补充说“高通尚未对英特尔提出官方报价”。
英特尔曾是全球最大的芯片制造商,但由于技术转型的困难、市场竞争的加剧,以及在移动和AI芯片市场的相对落后,其市值大幅缩水,在2023年的市值为2118.5亿美元,而到目前,市值只有约为934亿美元,刚过去的第二季度净亏损达到16.1亿美元,正面临历史上最大的危机。
相对之下,高通作为智能手机芯片供应商,正处于扩张之际,希望通过收购进一步拓宽业务领域。根据高通官方发布的财报,2024年第二季度高通实现了营收93.93亿美元,净利润达到21.29亿美元。这一增长主要得益于智能手机业务和汽车业务的推动,其中汽车业务增速高达86.9%。此外,高通在AI领域的布局也为其带来了新的突破和更广阔的市场空间。
高通在2023年10月推出了面向Windows 11 PC的骁龙X Elite处理器,标志着高通正式进军PC处理器市场。骁龙X Elite处理器采用定制的集成高通Oryon CPU,其单线程性能超过了苹果M2和英特尔i9,同时在功耗方面表现出色,与同级x86产品相比,性能可达竞品的两倍,而达到相同峰值性能时,功耗仅为竞品的三分之一,目前高通市值约为1882亿美元。
如果交易能够顺利完成,并且通过了监管审查,这将是近年来规模最大、影响最广泛的交易之一。高通将能强势进入PC及服务器领域,还可以利用其在移动设备芯片领域的丰富经验,带动PC市场的技术转型,这意味着未来可能会看到更多结合移动技术和PC处理能力的设备,提供更强大的性能和电池续航。
不过,这样的收购并非易事。历史上,类似的大型收购案,如英伟达收购ARM,就曾面临重重挑战和监管障碍。
英伟达在2020年宣布计划以400亿美元收购ARM,但该交易遭到了包括英国、欧盟和美国在内的多个国家和地区监管机构的审查和反对,虽然英伟达和软银集团都在努力争取批准,但该收购协议最终在2022年宣布终止。
高通若要收购英特尔,也可能面临类似的挑战。首先,监管机构可能会对这样的交易进行严格的反垄断审查,以确保市场公平竞争。英特尔和高通在多个市场领域存在竞争关系,如个人电脑和服务器芯片市场,这可能会使得收购更加复杂。此外,英特尔与AMD之间的x86/x86-64交叉许可专利协议也可能对后续的芯片设计使用带来限制。
从近期的情况来看,英特尔的业务也在向好的方向发展,比如,英特尔分拆其芯片代工业务,成立一个独立的子公司,以吸引潜在客户。英特尔还宣布了与亚马逊网络服务签署了一项合作协议,该协议是一项多年期、价值数十亿美元的框架协议。英特尔还在公告中宣布,已获得一份价值30亿美元的政府合同,市场闻风后其股价在当日收盘时飙升了6%以上。
目前,英特尔和高通都未对收购传闻做出明确回应。考虑到交易的规模和复杂性,以及可能涉及的严格言反垄断审查,这起交易能否顺利进行还有待观察。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。