私募股权公司KKR拟160亿美元收购东芝芯片部门

简介:

image
 东芝

据彭博社北京时间5月8日报道,知情人士称,私募股权公司KKR正与东芝公司磋商,寻求获得东芝旗下存储芯片业务的优先购买权,从而让东芝加快完成出售交易,结束与其他潜在收购方的磋商。

知情人士称,对于KKR和日本产业革新机构的提议,东芝表示赞同,原因是这会简化监管审批流程,令公司加快拿到亟需的现金。KKR以及包括日本政策投资银行在内的合作伙伴已表示,将出价1.8万亿日元(约合160亿美元)至2.1万亿日元收购东芝芯片业务。另一知情人士称,西部数据公司CEO计划在本周访问日本,讨论加入这一收购财团的可能性。

东芝尚未最终决定是否接受KKR的要约,可能仍会继续推进拍卖程序。其他有意竞购东芝芯片业务的公司包括台湾鸿海精密、韩国SK海力士以及美国博通。东芝、KKR以及日本政策投资银行发言人不予置评。

在美国核电子公司西屋电气遭遇巨额亏损后,东芝希望通过出售资产来填补资产负债表中出现的财务漏洞。东芝半导体部门为手机和其它设备生产存储芯片,是东芝最具价值的资产。东芝的目标是在2018年3月前完成芯片业务的出售。

自从东芝在去年12月警告核电子公司将遭遇数十亿美元亏损后,东芝股价已经累计下跌一半。东芝股票还面临被东京交易所摘牌的风险。东芝股价周一在东京交易所下跌0.9%。

东芝半导体部门已经吸引了其他公司的浓厚兴趣,但是目前占先的竞购方可能很难快速完成交易。例如,鸿海已表示愿意最高出价3万亿日元,但是日本和美国政府很可能会反对这笔交易,原因是担心鸿海把东芝技术泄露给中国。SK海力士和博通可能会面临监管部门的严格审查,原因是他们已经从事芯片业务。

知情人士称,西部数据CEO史蒂夫·密里根(Steve Milligan)将赴日本,研究是否能够和KKR、日本产业革新机构联手竞购东芝芯片业务,而不是单独竞购。西部数据已经和东芝在四日市联合建立了一家大型制造工厂,并已表示想要继续持有工厂的股份。西部数据反对东芝出售芯片业务,并表示公司拥有竞购该业务的独家谈判权。

日本政府支持的日本产业革新机构和政策投资银行的参与,很有可能会帮助任意潜在竞购方赢得日本政府的批准。西部数据称,已经与日本产业革新机构和政策投资银行进行了磋商。

苹果公司的iPhone手机使用了东芝的芯片,想要确保公司能够在市场中获得稳定的芯片供应,也可能会对东芝进行投资。知情人士称,如果苹果参与其中,它很可能会与另一竞购方一同竞购,获得少量股权。目前还不清楚苹果是否会与KKR、鸿海或者其他潜在竞购方合作。

本文转自d1net(转载)

相关文章
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
305 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
317 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
873 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
256 113

热门文章

最新文章