Акции Nebius (NBIS) выросли на 8,5% благодаря сделке по приобретению Eigen AI стоимостью 643 миллиона долларов

Оглавление 1 мая 2026 года компания Nebius (NBIS) объявила о своем намерении приобрести Eigen AI в рамках сделки на сумму около 643 миллионов долларов. Приобретение будет профинансировано за счет комбинации денежных средств и акций Nebius класса A, рассчитанных с использованием 30-дневной средневзвешенной по объему цены акций компании на момент подписания. Реакция рынка была немедленной: акции NBIS выросли на 8,51% до $150,00. $NBIS КУПИТ EIGEN AI ЗА 643 МЛН ДОЛЛАРОВ Небиус говорит, что сделка добавит технологию вывода и оптимизации моделей Eigen AI к своей платформе Token Factory, направленную на улучшение производительности модели и экономики единицы в масштабе. Ожидается, что сделка будет закрыта в ближайшие недели. pic.twitter.com/nxyRrI6L8t — Wall St Engine (@wallstengine), 1 мая 2026 г. Ожидается, что сделка будет завершена в ближайшие недели при условии получения одобрения регулирующих органов с учетом антимонопольных требований и обычных требований к завершению. Eigen AI специализируется на оптимизации вывода и повышении производительности моделей. Решения компании позволяют командам разработчиков искусственного интеллекта более эффективно и экономично развертывать модели с открытым исходным кодом в реальных средах, устраняя необходимость в специально созданной инфраструктуре оптимизации. Nebius Group N.V., NBIS Nebius намерена беспрепятственно интегрировать технологию Eigen AI в Token Factory, свое предложение управляемого вывода. Token Factory предоставляет конечные точки API с автоматическим масштабированием и возможности тонкой настройки для известных моделей с открытым исходным кодом, таких как Llama, DeepSeek, Qwen, Gemma и дополнительных архитектур. Партнерство между двумя организациями возникло еще до этого приобретения. До анонса они совместно работали над внедрением оптимизированных моделей, что позволило занять лидирующие позиции на искусственном анализе, известной платформе оценки производительности искусственного интеллекта. Eigen AI появился из исследовательской группы HAN Lab Массачусетского технологического института. Соучредители компании Райан Ханруй Ван и Вэй-Чен Ван разработали две весьма влиятельные методологии в производственной инфраструктуре искусственного интеллекта. Исследование Райана о разреженном внимании (SpAtten) стало самой часто упоминаемой публикацией HPCA с 2020 года. Разработка Вэй-Чена по квантованию веса с учетом активации (AWQ) получила награду MLSys 2024 Best Paper Award и зарекомендовала себя как отраслевой стандарт для развертывания 4-битных моделей. Третий соучредитель Ди Джин получил докторскую степень в MIT CSAIL и сыграл непосредственную роль в разработке посттренировочных процессов Meta Llama 3 и Llama 4. Его работа включает в себя соавторство обучения подкреплению CGPO на основе методологии обратной связи с людьми. После завершения сделки команда Eigen AI начнет свою деятельность в районе залива Сан-Франциско, создав первый американский инженерный и исследовательский центр Nebius. Вывод стал наиболее быстрорастущим сегментом в сфере вычислений ИИ. Текущие прогнозы показывают, что на него будет приходиться примерно две трети общих вычислительных потребностей ИИ в течение 2026 года. Эффективное развертывание логического вывода представляет собой серьезные технические проблемы. Этот процесс включает в себя представление модели, оптимизацию ядра графического процессора и динамическое управление рабочей нагрузкой — возможности, которых не хватает большинству организаций внутри компании. Модели с открытым исходным кодом усугубляют эти трудности, поскольку они обычно выпускаются без оптимизации. Современные архитектуры, включая смесь экспертов и сжатое разреженное внимание, создают дополнительные препятствия, связанные с использованием памяти и эффективностью вычислений, которые требуют специальных знаний. Комплексная методология оптимизации Eigen AI включает в себя уточнение после обучения, процедуры тонкой настройки и выводы производственного уровня во всех ведущих семействах моделей с открытым исходным кодом. Методы компании на уровне ядра и для конкретных моделей разработаны для максимизации производительности существующей аппаратной инфраструктуры без необходимости дополнительных ресурсов для разработки.