根据Gartner的初步结果,2018年全球半导体收入总额为4767亿美元,比2017年增长13.4%。内存仍然是最大的半导体类别,占半导体总收入的34.8%,高于2017年的31%。
Gartner分析师、副总裁Andrew Norwood表示:“蓬勃发展的DRAM市场,促使最大半导体提供商三星电子(Samsung Electronics)扩大了作为市场第一厂商的领先优势。虽然2018年继续保持了2017年的增长势头,但受内存市场推动所实现的增长是2017年的一半,因为2018年年底内存市场进入低迷期。”
2018年前25大半导体厂商的总收入增长了16.3%,占市场的79.3%,优于市场其他部分(收入增长3.6%),这是因为内存厂商都集中排名在前25位。
由于单位价格和平均销售价格(ASP)的增长,使得英特尔在2018年的半导体收入相比2017年增长了12.2%。2018年表现抢眼的主要内存厂商还包括SK海力士(受DRAM推动)以及Microchip Technology(因为收购了Microsemi)。2017年前四大厂商继续在2018年保持了自己的排名(见表1)。
表1、2018年全球收入排名前10位的半导厂商(单位:百万美元)
资料来源:Gartner(2019年1月)
Norwood表示:“目前的排名可能会在今年出现重大变化,预计2019年内存市场将出现疲软。技术产品经理必须为这一有限的增长做好准备,才能在半导体行业取得成功。”
例如,内存供应商需要通过在持续节点转换、新兴内存技术和新制造技术的研发上投入资金,为即将到来的供应过剩和巨大利润压力做好规划。当中国新兴厂商不断涌现的时候,这将为他们提供最佳的成本结构。
非内存供应商必须让那些一直面对较高内存定价的关键客户参与到设计环节。随着智能手机和平板电脑市场持续饱和,应用处理器供应商必须在可穿戴设备、物联网(IoT)终端和汽车领域寻找机会。
就半导体设备而言,内存也是2018年增幅最大(35%)和性能最高的设备类别,收入增长27.2%。这是由于除了2018年第四季度之外,2018年大部分时间DRAM的平均销售价格都在上涨。
在内存细分市场,NAND闪存遭遇明显放缓,供过于求导致今年平均销售价格出现下滑。由于固态盘(SSD)的采用率提高以及智能手机内容不断增加,NAND闪存设备的收入增长了6.5%。
作为第二大半导体类别,应用特定的标准产品(ASSP)增长率仅为5.1%,这是由于智能手机市场停滞不前以及平板电脑市场持续下滑所导致,包括高通和联发科等这一细分领域的领先厂商们正在积极拓展相邻市场,因此汽车和物联网应用等市场增长前景更加强劲。
2018年的并购(M&A)活动对于没有发生交易的交易更为重要。随着美国政府的介入,博通对高通的恶意收购尝试失败,而高通对于恩智浦半导体的收购也被卷入了中美之间的持续贸易战。已完成的交易包括东芝在2018年6月将其NAND业务分拆为Toshiba Memory,以及Microchip在2018年5月收购Microsemi。
Norwood说:“2019年将与前两年的市场情况截然不同。内存已经进入衰退期,美国和中国之间正在进行贸易战,以及全球经济的不确定性日益增加。”
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。