Netflix, Inc. vereinbart Erwerb von Warner Bros., einschließlich seiner Movie- und Fernsehstudios und HBO Max, am 5. Dezember 2025 von Warner Bros. Discovery, Inc. (WBD).

Der Deal hat einen Gesamtunternehmenswert von rund 82,7 Milliarden US-Greenback und einen Eigenkapitalwert von 72,0 Milliarden US-Greenback. Netflix plant die Integration von Warner Bros. bestehenden Betriebe und geht davon aus, dass die Transaktion 12 bis 18 Monate nach der geplanten Trennung der World Networks-Abteilung von WBD, Discovery World, im dritten Quartal 2026 abgeschlossen wird.

Die Übernahme zielt darauf ab, die Streaming-Funktionen von Netflix mit denen von Warner Bros. zu kombinieren. umfangreiche Inhaltsbibliothek. Dazu gehören beliebte Franchises wie „The Large Bang Idea“, „The Sopranos“, „Sport of Thrones“, „The Wizard of Oz“ und das DC Universe.

„Unsere Mission struggle es immer, die Welt zu unterhalten“, sagte Ted Sarandos, Co-CEO von Netflix. „Durch die Kombination von Warner Bros.“ Mit unserer unglaublichen Bibliothek an Reveals und Filmen – von zeitlosen Klassikern wie „Casablanca“ und „Citizen Kane“ bis hin zu modernen Favoriten wie „Harry Potter und seine Freunde“ – mit unseren kulturprägenden Titeln wie „Stranger Issues“, „KPop Demon Hunters“ und „Squid Sport“ können wir das noch besser machen. Gemeinsam können wir dem Publikum mehr von dem bieten, was es liebt, und dabei helfen, das nächste Jahrhundert des Geschichtenerzählens zu gestalten.“

Co-CEO Greg Peters erklärte, die Übernahme werde das Angebot von Netflix verbessern und sein Geschäft um Jahrzehnte beschleunigen. David Zaslav, Präsident und CEO von Warner Bros. Discovery, betonte die Kombination zweier großer Storytelling-Unternehmen.

Netflix geht davon aus, Warner Bros. zu behalten. laufende Aktivitäten, einschließlich Kinoveröffentlichungen von Filmen, und profitieren von der Aufnahme von HBO und HBO Max in sein Inhaltsangebot. Das Unternehmen geht davon aus, bis zum dritten Jahr jährliche Kosteneinsparungen in Höhe von 2 bis 3 Milliarden US-Greenback zu erzielen, und geht davon aus, dass sich die Transaktion bis zum zweiten Jahr positiv auf den GAAP-Gewinn professional Aktie auswirken wird.

Gemäß den Bedingungen der Vereinbarung erhalten die WBD-Aktionäre für jede WBD-Aktie 23,25 US-Greenback in bar und 4,50 US-Greenback in Netflix-Stammaktien. Die Aktienkomponente des Offers umfasst einen Collar-Mechanismus:

• VWAP-Bereich: Wenn der 15-tägige volumengewichtete Durchschnittspreis (VWAP) von Netflix zwischen 97,91 und 119,67 US-Greenback fällt (gemessen drei Handelstage vor Börsenschluss), erhalten WBD-Aktionäre Netflix-Aktien im Wert von 4,50 US-Greenback professional Aktie.
• VWAP unterhalb des Bereichs: Wenn der VWAP unter 97,91 US-Greenback liegt, erhalten WBD-Aktionäre 0,0460 Netflix-Aktien für jede WBD-Aktie.
• VWAP über dem Bereich: Wenn der VWAP über 119,67 US-Greenback liegt, erhalten WBD-Aktionäre 0,0376 Netflix-Aktien für jede WBD-Aktie.

Die World Networks-Abteilung von WBD, Discovery World, wird im dritten Quartal 2026 vor Abschluss der Netflix-Übernahme zu einem separaten börsennotierten Unternehmen. Zu dieser neuen Einheit gehören Marken wie CNN, TNT Sports activities in den USA, Discovery, frei empfangbare Kanäle in ganz Europa sowie digitale Produkte wie Discovery+ und Bleacher Report.

Die Vorstände von Netflix und WBD stimmten der Transaktion einstimmig zu. Die Übernahme ist von der behördlichen Genehmigung, der Zustimmung der WBD-Aktionäre und anderen üblichen Abschlussbedingungen abhängig.

Moelis & Firm LLC beriet Netflix finanziell, Skadden, Arps, Slate, Meagher & Flom LLP leisteten Rechtsberatung. Wells Fargo, BNP und HSBC stellen zugesagte Fremdkapitalfinanzierungen bereit. Allen & Firm, JP Morgan und Evercore sind Finanzberater von WBD, wobei Wachtell Lipton, Rosen & Katz und Debevoise & Plimpton LLP als Rechtsberater fungieren.

---

Hervorgehobener Bildnachweis

Adobe hat seine jährliche Ausgabe gestartet Adobe MAX Konferenz durch die Vorstellung einer Reihe neuer KI-gestützter Funktionen in der gesamten Artistic Cloud-Anwendungssuite mit dem Ziel, kreative Arbeitsabläufe für Benutzer effizienter und intuitiver zu gestalten. Zu den Ankündigungen gehören bedeutende Updates für Photoshop, Illustrator, InDesign und Premiere Professional, die nun fortschrittliche KI-Technologie zur Verbesserung traditioneller Designaufgaben integrieren.

Verbesserungen der Photoshop-KI

Der Höhepunkt der Ankündigungen von Adobe ist die Hinzufügung neuer KI-Funktionen in Photoshop, insbesondere eines Instruments zur „Ablenkungsentfernung“, mit dem unerwünschte Elemente wie Personen, Drähte und Kabel automatisch identifiziert und aus einem Bild entfernt werden können. Diese neue Funktion baut auf dem vorhandenen Take away Instrument von Adobe auf, das bereits ähnlich wie Googles Magic Eraser auf Pixel-Telefonen funktioniert, indem es Benutzern ermöglicht, Ablenkungen zu entfernen. Das Instrument „Ablenkungsentfernung“ vereinfacht diesen Prozess weiter, indem es häufig vorkommende Elemente, die Benutzer möglicherweise entfernen möchten, automatisch erkennt und so eine Bereinigung mit einem Klick ermöglicht.

Generatives KI-Modell von Firefly

Photoshop-Benutzer haben jetzt die Möglichkeit zu wählen, wie sie das Take away Instrument verwenden möchten: Sie können sich auf das generative KI-Modell von Adobe verlassen. Glühwürmchennicht generative KI-Technologie, oder lassen Sie Photoshop entscheiden, welche Methode für die Szene am besten geeignet ist. Adobe hat auch andere Photoshop-KI-Instruments aktualisiert, darunter Generative Fill, Generative Increase, Generate Comparable und Generate Background, die jetzt alle das neueste Firefly Picture 3-Modell nutzen. Dieses Replace soll sowohl die Vielfalt als auch die fotorealistische Qualität der generierten Inhalte verbessern und gleichzeitig komplexe Benutzereingaben besser verstehen.

---

Wie schützt die Adobe Content material Authenticity-Webanwendung die Arbeit von Künstlern vor KI?

---

Webbasierte Photoshop-Verbesserungen

Adobe hat außerdem die Möglichkeiten von Photoshop im Net erweitert und eine KI-Funktion eingeführt, die automatisch alle Objekte in einem Bild auswählen kann und so den Bearbeitungsprozess für Webbenutzer vereinfacht.

Illustrator- und InDesign-Updates

Zusätzlich zu Photoshop kündigte Adobe wichtige Updates für Illustrator an, darunter die neue Funktion „Objekte auf Pfad“. Dieses Instrument ermöglicht Designern das einfache Anbringen, Anordnen und Verschieben von Objekten entlang einer beliebigen Pfadform und bietet so eine größere Flexibilität beim Ausrichten verschiedener Elemente in ihrer Arbeit. Das Mockup-Instrument von Adobe, mit dem Entwürfe auf 3D-Modellen inszeniert werden können, ist jetzt allgemein verfügbar, und die Picture Hint-Funktion, die zum Konvertieren von Rasterbildern in skalierbare Vektoren verwendet wird, wurde verbessert, um präzisere, sauberere vektorisierte Ausgaben zu erstellen.

Adobe hat außerdem sein Generative Increase-Instrument in InDesign integriert und bietet Benutzern die Möglichkeit, Bilder problemlos zu erweitern, um sie an das gewünschte Format anzupassen. Unterdessen erhält Premiere Professional eine neue KI-Funktion namens Generative Prolong, die Teil des neuen Firefly AI Video Mannequin von Adobe ist. Obwohl es sich noch in der Betaphase befindet, wird dieses Modell wahrscheinlich im Laufe des nächsten Jahres die Grundlage für andere Funktionen in den Artistic Cloud-Apps von Adobe bilden und die Arbeitsabläufe bei der Videoproduktion weiter optimieren.

KI-Integration in der gesamten Artistic Cloud

Die Ankündigungen von Adobe unterstreichen den anhaltenden Vorstoß, KI-Technologie in alle Produkte zu integrieren, sodass Benutzer bei komplexen kreativen Aufgaben Zeit und Mühe sparen können. Diese Updates spiegeln das Engagement von Adobe wider, fortschrittliche Instruments sowohl für Anfänger als auch für erfahrene Entwickler zugänglich zu machen und gleichzeitig die Gesamteffizienz kreativer Projekte zu steigern.

---

Hervorgehobener Bildnachweis: Kerem Gülen/Ideogramm

Größer = besser?

In der KI ist größer oft besser – wenn genügend Daten vorhanden sind, um diese großen Modelle zu versorgen. Da jedoch nur begrenzte Daten vorliegen, Größere Modelle neigen eher zur Überanpassung. Überanpassung tritt auf, wenn das Modell Muster aus den Trainingsdaten speichert, die sich nicht intestine auf reale Datenbeispiele übertragen lassen. Es gibt jedoch einen anderen Ansatz, den ich in diesem Zusammenhang noch überzeugender finde.

Angenommen, Sie haben einen kleinen Datensatz von Spektrogrammen und entscheiden sich zwischen einem kleinen CNN-Modell (100.000 Parameter) oder einem großen CNN (10 Millionen Parameter). Erinnere dich daran Jeder Modellparameter ist effektiv eine aus dem Trainingsdatensatz abgeleitete Greatest-Visitor-Zahl. Wenn wir es so betrachten, ist es offensichtlich, dass es für ein Modell einfacher ist, 100.000 Parameter richtig hinzubekommen, als 10 Millionen.

Am Ende führen beide Argumente zum gleichen Ergebnis:

Wenn die Daten knapp sind, sollten Sie erwägen, kleinere Modelle zu erstellen, die sich nur auf die wesentlichen Muster konzentrieren.

Doch wie lassen sich kleinere Modelle in der Praxis umsetzen?

Walnüsse nicht mit Vorschlaghammer knacken

Meine Lernreise in der Musik-KI wurde von Deep Studying dominiert. Bis vor einem Jahr hatte ich quick jedes Drawback mithilfe großer neuronaler Netze gelöst. Während dies für komplexe Aufgaben wie Musik-Tagging oder Instrumentenerkennung sinnvoll ist, Nicht jede Aufgabe ist so kompliziert.

Beispielsweise kann ein anständiger BPM-Schätzer oder Schlüsseldetektor ohne maschinelles Lernen erstellt werden, indem die Zeit zwischen den Einsätzen analysiert bzw. Chromagramme mit Schlüsselprofilen korreliert werden.

Selbst für Aufgaben wie das Markieren von Musik muss es nicht immer ein Deep-Studying-Modell sein. Ich habe gute Ergebnisse beim Temper-Tagging durch einen einfachen Okay-Nearest Neighbor-Klassifikator über einen Einbettungsraum (z. B. CLAP) erzielt.

Während die meisten modernen Methoden der Musik-KI auf Deep Studying basieren, various Lösungen sollten bei Datenknappheit in Betracht gezogen werden.

Achten Sie auf die Dateneingabegröße

Wichtiger als die Wahl der Modelle ist in der Regel die Wahl der Eingabedaten. In der Musik-KI verwenden wir aufgrund der Datenineffizienz selten Rohwellenformen als Eingabe. Durch die Umwandlung von Wellenformen in (Mel)Spektrogramme können wir die Dimensionalität der Eingabedaten verringern um den Faktor 100 oder mehr. Dies ist wichtig, da umfangreiche Dateneingaben in der Regel größere und/oder komplexere Modelle zu ihrer Verarbeitung erfordern.

Um die Größe der Modelleingabe zu minimieren, können wir zwei Wege wählen

1. Verwendung kleinerer Musikschnipsel
2. Verwendung komprimierterer/vereinfachterer Musikdarstellungen.

Verwendung kleinerer Musikschnipsel

Die Verwendung kleinerer Musikausschnitte ist besonders effektiv, wenn das Ergebnis, an dem wir interessiert sind, world ist, additionally für jeden Abschnitt des Songs gilt. Wir können beispielsweise davon ausgehen, dass das Style eines Titels im Laufe des Titels relativ stabil bleibt. Aus diesem Grund können wir für eine Style-Klassifizierungsaufgabe problemlos 10-Sekunden-Ausschnitte anstelle ganzer Titel (oder der sehr häufigen 30-Sekunden-Ausschnitte) verwenden.

Dies hat zwei Vorteile:

1. Kürzere Snippets führen zu weniger Datenpunkten professional Trainingsbeispiel, sodass Sie kleinere Modelle verwenden können.
2. Indem wir drei 10-Sekunden-Schnipsel anstelle eines 30-Sekunden-Schnipsels zeichnen, können wir die Anzahl der Trainingsbeobachtungen verdreifachen. Insgesamt bedeutet dies, dass wir weniger datenhungrige Modelle erstellen und ihnen gleichzeitig mehr Trainingsbeispiele als zuvor zuführen können.

Es gibt jedoch welche Hier gibt es zwei potenzielle Gefahren. Erstens muss die Snippet-Größe lang genug sein, damit eine Klassifizierung möglich ist. Beispielsweise haben selbst Menschen Schwierigkeiten mit der Style-Klassifizierung, wenn ihnen 3-Sekunden-Snippets präsentiert werden. Wir sollten die Snippet-Größe sorgfältig wählen und diese Entscheidung als Hyperparameter unserer KI-Lösung betrachten.

Zweitens, Nicht jedes musikalische Attribut ist world. Wenn ein Lied beispielsweise Gesang enthält, bedeutet das nicht, dass es keine Instrumentalabschnitte gibt. Wenn wir den Monitor in wirklich kurze Schnipsel zerschneiden würden, würden wir viele falsch beschriftete Beispiele in unseren Trainingsdatensatz einfügen.

Effizientere Musikdarstellungen verwenden

Wenn Sie vor zehn Jahren Musik-KI studiert haben (damals, als das Ganze noch „Music Data Retrieval“ hieß), haben Sie etwas über Chromagramme, MFCCs und Beat-Histogramme gelernt. Diese handgefertigten Funktionen wurden entwickelt, um Musikdaten mit traditionellen ML-Ansätzen kompatibel zu machen. Mit dem Aufkommen des Deep Studying könnte es so aussehen, als wären diese Funktionen vollständig durch (Mel)Spektrogramme ersetzt.

Spektrogramme komprimieren Musik ohne großen Informationsverlust in Bilder und machen sie so zu Bildern Ideally suited in Kombination mit Laptop-Imaginative and prescient-Modellen. Anstatt benutzerdefinierte Funktionen für verschiedene Aufgaben zu entwickeln, können wir jetzt für die meisten Musik-KI-Probleme dieselbe Eingabedatendarstellung und dasselbe Modell verwenden – vorausgesetzt, Sie verfügen über Zehntausende Trainingsbeispiele, mit denen Sie diese Modelle füttern können.

Wenn Daten knapp sind, wollen wir das tun Komprimieren Sie die Informationen so weit wie möglich um es dem Modell zu erleichtern, relevante Muster aus den Daten zu extrahieren. Betrachten Sie diese vier Musikdarstellungen unten und sagen Sie mir, welche Ihnen dabei hilft, die Tonart am schnellsten zu identifizieren.

Während Mel-Spektrogramme als Eingabe für wichtige Erkennungssysteme verwendet werden können (und das möglicherweise auch tun sollten, wenn Sie über genügend Daten verfügen), enthüllt ein einfaches Chromagramm, das entlang der Zeitdimension gemittelt wird, diese spezifischen Informationen viel schneller. Aus diesem Grund erfordern Spektrogramme komplexe Modelle wie CNNs, während ein Chromagramm leicht mit herkömmlichen Modellen wie logistischer Regression oder Entscheidungsbäumen analysiert werden kann.

Zusammenfassend, bleibt die etablierte Kombination aus Spektrogramm und CNN für viele Probleme hochwirksam, vorausgesetzt, Sie verfügen über genügend Daten. Bei kleineren Datensätzen kann es jedoch sinnvoll sein, einige Characteristic-Engineering-Techniken von MIR erneut zu verwenden oder eigene aufgabenspezifische Darstellungen zu entwickeln.