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。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。