市场对DRAM和闪存的强劲需求,促使美光在2018财年第三季度实现创纪录的收入和利润,但面向英特尔的XPoint销售有所下滑。
该季度美光的收入为78亿美元,同比增长40%,净利润为38亿美元,是去年17亿美元2倍多。该季度内存收入占据主导,其中DRAM贡献了71%的收入,NAND占比25%。
美光公司总裁兼首席执行官Sanjay Mehrotra表示:“SSD、移动管理型NAND、汽车解决方案、云/企业和图形DRAM内存收入都创下新的纪录。我们预计第四季度将持续这一增长势头以及健康的行业基本面,从而实现一个抢眼的2018财年。”
DRAM和NAND数据中心的收入同比增长87%,计算和网络部门的收入为39.9亿美元,同比增长67%。云服务器和图形内存销售额同比翻一番,唯一令人失望的是客户端产品业务。
移动业务收入达到17.5亿美元,增长55%;嵌入式业务收入达8.97亿美元,增长28%。
XPoint销售下滑
美光存储业务部门(SBU)的SSD收入已经超过其收入的一半达到11亿美元,涨幅相对较低,仅为13%。美光表示,这反映了NAND的供应开始转向高价值移动管理型NAND。
在财报电话会议上,美光高级副总裁兼首席财务官Dave Zisner表示:“NAND供应的这一转变,以及面向合作伙伴的3D XPoint销售下降,导致存储业务部门收入环比减少9%。”
他补充说:“我们向合作伙伴[英特尔]销售的3D XPoint有所下滑。”
Zisner在回答Credit Suisse MD的提问时表示,目前这个季度(第四季度)向英特尔的销售额可能为零,“不排除不向合作伙伴售卖任何3D XPoint 的可能性。”
Mehrotra说:“我们一直在讨论与英特尔合作的下一代3D XPoint的商业条款。”
他充说:“随着讨论的进一步深入,我们将适当提供一些更新信息。”
美光仍然打算在2019年底推出自己的第一款XPoint产品,并在2020年看到有实质性的收入。而这已经是英特尔推出XPoint技术的5年之后了。
QLC NAND和近线磁盘驱动器
美光也谈到了QLC(4bits/cell)NAND对磁盘驱动器销售的影响。
Mehrotra表示:“QLC SSD采用业界领先的64层3D NAND,利用业内首款太比特(兆兆位)级NAND芯片。随着我们不断推出低成本下一代技术的新SSD解决方案,相信可以解锁当前由HDD提供的新需求池。”
Wells Fargo分析师Aaron Rakers表示,Micron提到QLC NAND可实现1000次程序擦除周期,而基于TLC(3bits/cell)SSD则为3000次。预计2019年可以看到有实质性的QLC NAND销售额。
他表示,Micron和英特尔预计QLC NAND SSD将抢夺2-2.4TB 10000转2.5英寸磁盘驱动器和8TB 3.5英寸磁盘驱动器的市场。
Rakers认为,到2021年基于QLC的SSD可以覆盖规模在45亿美元到50亿美元的高容量/近线企业级硬盘市场。
内存业务的繁荣与萧条
美光预计下个季度的收入在80亿美元到84亿美元之间,中间值为82亿美元,这意味着全年收入约为301亿美元,比去年的203亿美元高出近50%。
内存代工业务一直是个短板,因为行业存在生产能力与需求不协调的问题。是否有任何迹象表明这个过度建设的情况将继续蔓延下去?
美光认为需求仍然强烈且持久(也就是所谓的长期需求),主要是由于NAND、DRAM以及Zisner提到的“由数据经济驱动的长期增长趋势”。
Mehrotra表示:“数据密集型应用正在推动着内存和存储解决方案的长期增长......我们所在行业的结构与过去不同了,技术转型需要更多的资本支出,转型的步伐由于流程复杂性增加而放缓,结果是供需前景更加稳定,这些结构性的变化也促使过去几年投资回报率有所改善。”
繁荣和萧条日子结束了吗?
在内存需求方面,Mehrotra表示:“需求驱动因素多种多样,本质上是长期需求。在提供终端市场应用的价值定位方面,内存已经变得至关重要,所以这就是DRAM行业整体强劲需求的推动因素。”
“无论是在数据中心还是在移动设备中,亦或是在图形或汽车应用,所有这些都需要更多的内存。而内存现在也确实能够为终端市场应用带来更高的价值,所以,这一切都预示着长期健康的行业基础。”
现在就是繁荣的时期。
好文章,需要你的鼓励
香港中文大学与华为诺亚方舟实验室合作开发了PreMoe框架,解决了大型混合专家模型(MoE)在内存受限设备上的部署难题。研究团队发现MoE模型中的专家表现出明显的任务专业化特征,据此提出了概率专家精简(PEP)和任务自适应专家检索(TAER)两大核心技术。实验证明,DeepSeek-R1 671B模型在精简50%专家后仍保持97.2%的MATH500准确率,内存需求降至688GB;而更激进的精简方案(减少87.5%专家)也能保持72.0%的准确率。该方法适用于多种MoE架构,为强大AI系统的广泛部署铺平了道路。
SCIENCEBOARD是一项开创性研究,旨在评估多模态自主智能体在真实科学工作流中的表现。研究团队构建了一个包含169个高质量任务的基准测试,涵盖生物化学、天文学等六个科学领域,并开发了一个真实环境让智能体通过CLI或GUI接口与科学软件交互。实验评估表明,即使是最先进的模型在这些复杂科学任务上的成功率也仅为15%,远低于人类表现,揭示了当前技术的局限性并为未来科学智能体的发展提供了宝贵见解。
帝国理工学院的研究团队开发了AlphaMed,这是首个仅通过极简规则强化学习就能培养医疗推理能力的AI模型,无需依赖传统的思维链示范数据。通过分析数据信息丰富度和难度分布的影响,研究发现高信息量的医疗问答数据是推理能力的关键驱动因素。AlphaMed在六个医疗问答基准上取得了领先成绩,甚至超越了更大的封闭源模型,同时展现出自发的步骤推理能力,为医疗AI发展提供了更加开放、高效的新路径。
Alita是一种新型通用AI代理系统,采用极简设计理念,以"最小预定义,最大自我进化"为原则构建。由普林斯顿大学等多家机构研究团队开发的Alita,只配备一个核心能力和少量通用模块,能自主创建所需工具并重用为模型上下文协议(MCPs)。实验显示,Alita在GAIA基准测试上达到87.27%的通过率,超越包括OpenAI Deep Research在内的复杂系统,证明简约设计可带来卓越性能。