韩国DRAM厂商与NAND制造商SK海力士公司公布其2017年第一季度实现营收增长,同时创下破纪录利润水平。
该公司本季度营收达到6.29万亿韩元,较上年同期增长72%,亦较上季度高出17%。净收入则为1.9万亿韩元,较上年同期提升惊人的324%,较上季度增幅则为17%。
另外,SK海力士公司亦借此创下破纪录利润水平。
本季度净运营利润率为30%,而营收与利润的双重增长主要受到产品价格上涨的推动
在DRAM方面,该公司的出货总量下降5%,但产品平均售价(简称ASP)则上涨了24%。由于年初库存量低而引发的供应量受限状况导致了供应紧张,最终带来总出货量下降状况。然而,PC与服务器供应商的强劲需求仍然显著提高了产品的单位售价并因此带来出色的财报表现。
在财报电话会议当中,SK海力士公司总裁兼企业支持负责人Kim Jun-Ho表示:“云计算市场开始起飞,因此市场对于服务器DRAM的需求表现出极为强劲的势头。”
尼古拉斯公司分析师兼总经理Aaron Rakers表示,PC市场的缩水趋势正得以缓和。SK海力士预计将凭借着约20%的市场需求增长而继续享受这一DRAM供应量不足带来的红利。
DRAM营收在本季度占SK海力士公司整体营收的74%。
闪存产品同样迎来了类似的出货量增幅下降与平均售价提升趋势,其销售量缩水3%,但产品平均售价则提升了15%。移动产品与固态硬盘市场需求继续保持旺盛,而供应商的库存量则与DRAM一样处于较低水平。
SK海力士公司的72层3D NAND产品
Rakers指出,该公司本季度的NAND闪存营收约为13.3亿美元,占其总体营收中的24%。他认为SSD仅占全部闪存产品营收中的16%。
Kim Jun-Ho同时表示:“市场需求旺盛主要是受到中国智能手机NAND闪存需求量增长以及个人计算机SSD使用比例的提高所推动。”
着眼于未来,SK海力士认为DRAM需求量的增长主要受到系统内DRAM容量水平提升的推动,而非系统本身数量的增长。Kim Jun-Ho指出,“今年推出的新型智能手机将越来越多地采用双摄像头与改进型AI技术,而采用LPDDR4X等速度更快的移动DRAM将能够更好地支持这些先进功能。”
在服务器方面,随着云服务规模的持续增长,数据中心的需求量亦快速提升。众多供应商正在建立自有数据中心,而这仅成为云服务市场的普遍潮流。很明显,高容量DRAM模块能够帮助相关服务器提供低延迟与高处理能力优势。
在PC领域,“高端笔记本与游戏PC亦在不断提升内置DRAM内存容量,这也将给销售额带来增长。”
总体而言:“今年市场对于DRAM的需求量增长预计将超过20%,且需求增长量将超过供应能力增长。在另一方面,厂商并无能力显著提升DRAM生产能力,而对3D NAND的迫切需求也将导致针对DRAM的投资额保持在较低水平。”
SK海力士公司表示,其将扩大2Z纳米DRAM的生产能力,并在今年下半年开始大规模生产1X纳米DRAM。不过Kin Jun-Ho强调称,“我们认为这种供应能力短缺将持续至今年年底。”
在闪存方面,“今年市场对NAND的需求量增长预计将在30%到35%之间,而需求增长可能略微超过供应量增长……我们计划向移动市场内投放36层MLC产品,并面向高存储密度移动与SSD市场投放48层与72层产品。”
SK海力士公司正在参与东芝存储器业务的投标,如果其成功,那么东芝方面的NAND生产设施及容量将帮助海力士显著提升DRAM产能水平。
好文章,需要你的鼓励
亚马逊云服务宣布雷尼尔项目正式投入运营,该AI超级集群配备近50万块Trainium2芯片,分布在多个数据中心。AWS称这是全球最大的AI计算集群之一,从宣布到全面运营仅用不到一年时间。合作伙伴Anthropic计划年底前扩展到超过100万块芯片。该项目与OpenAI星门计划展开激烈竞争,AWS凭借自主硬件开发优势能够控制从芯片到数据中心的完整技术栈。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
谷歌开始推出Fitbit应用的重大更新,采用全新设计并集成由Gemini AI驱动的个人教练功能。该更新于10月28日首先面向美国地区的Fitbit Premium用户开放,后续将逐步扩大覆盖范围。新版本围绕今日、健身、睡眠和健康四个主要标签重新设计,强调周趋势数据分析。AI教练功能可根据用户的实时和历史数据提供个性化建议和训练计划,支持语音或文字交互。用户可选择是否使用AI功能,预览期间可在新旧界面间切换。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。