希捷在2018财年第二季度收入基本持平,利润下滑。
截至2017年12月29日的三个月中,希捷的收入为29亿美元,去年同期为28.9亿美元,上个季度为26.3亿美元。
该季度希捷的GAAP净收入为1.59亿美元,去年同期为2.97亿美元,下降47%,比2018财年第一季度的1.81亿美元下降12%。
该季度希捷产生了8.5亿美元的运营现金流和7.73亿美元的自由现金流。Wells Fargo高级分析师Aaron Rakers表示,现金流非常强劲,“高于我们此前预期的5亿美元和普遍预估的4.1亿美元”。
他还表示,收入和非GAAP每股收益超过预期。
上周,西部数据公布了同一季度创纪录的业绩。希捷如何包装这些沉闷的收入数字?
希捷公司首席执行官Dave Mosley表示:“12月份这个季度实现同比收入和盈利增长以及产生了大量现金流,这反映出希捷在存储解决方案组合方面的稳健执行和竞争力。”
希捷在2018财年第二季度的季度收入和GAAP净收入
盈利增长?一点点吧。所得税前利润为3.71亿美元,去年同期为3.10亿美元。
对西部数据产生了深远影响的美国新税法,再次被视为所得税从税前利润中剔除的一个原因。没有这部分的话,GAAP净收入可能会有所增长。
那为什么没有有效的收入增长呢?因为希捷没有售出足够多的磁盘驱动器。
该季度希捷的出货容量为87.5EB(西数的出货量为95.3EB)和4000万个硬盘(西数为4230万个),这两个数据都落后于西数。 Raker表示,希捷出货的大容量/近线驱动器总容量为35.1EB,同比增长62%。现在企业级硬盘为希捷贡献大约40%的收入。
其他磁盘驱动器细分市场都在下滑:
- 客户端硬盘出货容量为19.2EB,同比增长12%,客户端硬盘收入达6.7亿美元;同比减少4%
- 非计算硬盘出货容量为30.9EB,同比上涨15%,非计算机硬盘收入为8.6亿美元,下滑3%
- 任务关键型企业硬盘容量出货容量为2.4EB,同比下降8%(上个季度为-13.5%)。
Rakers表示,希捷的企业级硬盘总收入约为12亿美元,同比增长9%。这意味着来自其他驱动器细分市场的总收入或多或少地减少了9%,使收入持平。
未来呢?Mosley表示:“展望未来,我们将继续专注于运营卓越性,实现我们的财务和股东回报目标。”是的,但是要实现真正的增长呢?
Rakers表示:“随着成本降低已经接近尾声,我们仍然认为希捷高线增长的能力将成为投资者日益关注的焦点。”
有趣的是,希捷公司已经任命了两名新董事。Judy Bruner被描述为“作为财务负责人,在全球高科技行业拥有丰富的经验和职业成就”。
另一位董事Dylan Haggart,希捷称“自2016年以来,他以咨询顾问的角色一直是受董事会尊敬的贡献者,我们期待着他作为董事会成员继续发挥顾问作用”。Haggart是ValueAct Capital的合伙人,ValueAct Capital目前是希捷最大的投资者之一,持股比例为7.4%。
ValueAct也被认为是非常积极的投资者,可以识别那些看似不受欢迎的公司,或者那些正在经历重大转变的公司,并致力于改善这些公司。
与西部数据相比,希捷在固态硬盘市场几乎没有存在感,SSDS正在蚕食高端磁盘驱动器。不过据说希捷已经与东芝达成了闪存战略供应协议。观察人士正在期待着看希捷将如何利用这一协议,在整体SSD市场取得更大的份额。
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。