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
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。