来自DRAM和闪存的大笔收入,让美光(Micron)公司CEO Sanjay Mehrotra非常开心。第三季度业绩已经不错了,但相比第四季度真是黯然失色。
虽然此前美光对2017财年第四季度的收入预期中间点为59亿美元,但是最终收入为61.4亿美元,因为供不应求导致价格和盈利上涨。
去年同期美光的收入为32.2亿美元,上个季度为55.7亿美元,分别同比增长了90.7%和10.2%。
净收益为23.7亿美元,相比之下,去年同期是亏损1.7亿美元,上个季度盈利16.5亿美元。
该季度DRAM销售量环比增长5%,NAND销售量增长3%。DRAM和NAND平均销售价格分别增长了8%和5%。
全年的业绩也非常抢眼,收入为203.2亿美元,净收益为59亿美元。去年同期这两个数字分别为123.9亿美元和亏损2.76亿美元。
新任CEO Sanjay Mehrotra在声明中演示不知庆祝的语调:“美光发布了出色的第四季度和财年业绩,表现出稳健的执行力和对我们内存及存储解决方案的强劲需求。我们预计医疗行业的基本面将持续到2018年。”
SSD正在取代磁盘,计算机需要更多内存,AI和自动驾驶应用正在推高对内存和NAND的需求,这让一趋势稳定地持续下去。
看起来不错。Sanjay在财报电话会议上表示:“第四季度的业绩促成了出色的一年……全年收入、盈利能力和自由现金流也创下了公司新高。”
美光所有业务部门都有增长:计算和网络、移动、存储和嵌入式业务部门。
不过,他也指出了SSD收入遇到的一些波折:“在第四季度末,我们发现并纠正了部分TLC 3D NAND产品中闪存组件出现的问题。我们暂止中止出货受影响的产品,因为他们还在努力制定解决该问题的解决方案,该问题只在少数性能条件下才会出现。因此,该季度我们的SSD环比有所减少。现在我们重新开始出货,预计将在第一季度恢复SSD收入的环比增长。”
如果没有发生这个问题,美光的收入和利润还会更高一些。
Mehrotra列出了5个战略重点:
1、“推动我们成本竞争力达到一流水平,而这主要是通过加速DRAM和NAND等领先技术方面的产出比例。”
2、“快速地、可预见地、符合产品发布窗口地为客户提供解决方案。”
3、“加速我们向高价值解决方案的过渡。我们打算引导行业部署具有颠覆性的内存和存储解决方案。”
4、“与大客户开展更摄入的协作与合作。”
5、“强化我们对团队的专注,投入最优秀的人才,推动一种赢得胜利的文化。”
第4项可能意味着美光将让其完整的Quantx 3D XPoint永久性内存产品更快速地推向市场,美光已经让英特尔使用Optane产品运转起来了。
这将意味着美光成熟的存储系统业务运转速度越来越快。
Mehrotra没有确认美光下一代3D NAND是96层技术。他说,已经取得了良好的进展,我们将会在2018年看到这种技术的推出。
当被问及在DRAM和NAND方面追赶三星时,他说:“在过去几年时间,美光在让先进技术准备就绪、将这些技术批量生产方面落后于竞争对手。”
他并没有预测美光何时会赶超三星,只是说:“推动加速新技术的量产,继续缩小在成本方面的差距,这是多年来我们一直在做的,我们已经取得了很好的进展。”
那么收购呢?“我我们未来并不排除收购的可能。目前,我们的重点是我上面提到的优先事项,包括成本竞争力和强化收入中的高价值组合。”
现在美光的现金很充沛,有可能进行下一代技术产品的投资,同时面对稳健的需求环境,有望在未来几个季度增加收入和利润。
所以陷入合作困扰的WDC和东芝,要注意了。
 0赞
0赞好文章,需要你的鼓励
 推荐文章
                    推荐文章
                  杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。
 
         
             
                 
                     
                     
                    