全球存储市场规模在2016年减小,但可能没有超过15%,因为许多初创企业都在快速发展。整体来看,2015年全球大型存储企业营收下降3%.而2012年至2013年增长5%,2013年至2014年增长9%。
此次排名是基于2016财年发布存储营收且超过20亿美元营收的企业官方数据。
但如果我们要将2015年与2016年做的排名进行对比,由于以下原因变得相当困难:
EMC被戴尔收购,新集团不再透露其营收;
西部数据收购了闪迪(去年的第六名),2016年后者不再上榜;
而博通则前后成功收购了Avago,Emulex和博科;
赛门铁克(2015年排行第九)分拆,并将旗下的Veritas存储业务以80亿美元的价格出售给了Carlyle Group.
日立/ HDS不再公开其存储系统销售额。
我们估计get到EMC(2004年以来年年第一)的戴尔(2015年排名第十二)会是目前全球存储行业的领导厂商。
收购闪迪的西数目前排名第二,而美光则因为从2015年至2016年营收下降23%而降为第三。然后希捷第四,它是去年销售额超过100亿美元,排名最末的企业。
NetApp以55亿美元营收排名第五。
我们假设日立(HDS+日本)的存储营收约为40亿美元,被排名到第六,第七名HPE的存储营收约在30亿美元。第八和第九分别是博通和IBM,存储营收在20亿美元左右,大蓝是去年大型存储企业中营收下降最快的企业。
如果我们只考虑2015年和2016年公开其存储营收的企业,它们的整体销售额下降了15%,前九大企业中除了博通,其它企业销售额都有所下降。原因是大型存储系统公司的传统产品销售额降低,硬盘市场逐渐收缩,无法通过其基于闪存芯片的产品或设备进行营收补偿。全球存储市场规模在2016年减小,但可能没有超过15%,因为许多初创企业都在快速发展。整体来看,2015年全球大型存储企业营收下降3%.而2012年至2013年增长5%,2013年至2014年增长9%.
关于闪存业务,虽然美光在2016年营收下降了23%,但这并不意味着闪存市场陷入颓势。相反,一些其它大型企业,如三星和东芝就做得更好,但由于它们未公开闪存芯片和固态硬盘的财政营收而未列入排名当中。
博通凭借收购案成为唯一一家保持积极成长态势的企业(存储营收增长5%)。
以下前九大企业的存储营收都超过了20亿美元。
2016财年存储营收排名前九位的企业(营收以百万美元计)
*仅存储
**仅存储产品
对于三星和东芝,排名可能在这个前九大企业当中:
三星因为没有发布NAND闪存芯片和固态硬盘的营收,所以并未收录,但仍可能列入前九名。
至于东芝,我们知道,之前东芝一直加倍下注闪存业务,后者作为一个营收增长点希望能爬出金融泥沼同时捞一笔钱挽回它的驱动器业务,但由于本月初,东芝的美国核电业务价值减计63亿美元,财务压力倍增,据称东芝希望通过出售闪存芯片业务的多数股权来筹集至少1万亿日元(约合90亿美元)的资金,以便公司及时应对出现的财务问题,但可能会将闪存业务卖给多个买家而非一家竞购方。
注释:
这里的存储被定义为采用所有类型的数字化设备(基于磁盘,磁带,光盘,非易失性固态硬盘和子系统)记录和检索计算机数据的活动,包括所有相关的连通性,软件和服务。
好文章,需要你的鼓励
随着AI模型规模不断扩大,GPU内存容量已成为瓶颈。Phison和Sandisk分别提出了软硬件解决方案:Phison的aiDAPTIV+软件通过创建跨GPU内存、CPU内存和SSD的虚拟内存池,支持高达700亿参数的模型;而Sandisk的高带宽闪存(HBF)则采用类似HBM的硬件架构,通过TSV连接器将NAND闪存与GPU紧密集成。Phison方案适合中小企业和边缘系统,Sandisk方案则针对大型GPU服务器,两种技术可共存互补。
上海AI实验库推出YUME系统,用户只需输入一张图片就能创建可键盘控制的虚拟世界。该系统采用创新的运动量化技术,将复杂的三维控制简化为WASD键操作,并通过智能记忆机制实现无限长度的世界探索。系统具备强大的跨风格适应能力,不仅能处理真实场景,还能重现动漫、游戏等各种艺术风格的虚拟世界,为虚拟现实和交互娱乐领域提供了全新的技术路径。
法国AI初创公司Mistral AI发布了首个大语言模型全面生命周期评估,量化了AI的环境代价。其Mistral Large 2模型训练产生20,400吨二氧化碳当量,消耗281,000立方米水。运营阶段占环境影响85%,远超硬件制造成本。研究表明地理位置和模型大小显著影响碳足迹,企业可通过选择适当规模模型、批处理技术和清洁能源部署来减少环境影响。这一透明度为企业AI采购决策提供了新的评估标准。
上海AI实验室研究团队开发了革命性的AI编程验证方法,让大语言模型能够在最小人工干预下自动生成和验证程序规范。该方法摒弃传统的人工标注训练,采用强化学习让模型在形式化语言空间中自主探索,在Dafny编程验证任务上显著超越现有方法,为AI自主学习开辟新道路。