美光科技(Miron)表示,已经预见到今年他们将面临着市场对其产品需求急剧下滑带来的冲击。
美光对于即将到来的第三季度给出了低于预期的指引,但是坚持认为自己能够在年底前恢复增长。在公布这一预测的的同时,美光发布了表现抢眼的2019财年第二季度财报,利润和收入都超出了预期。
根据美光的财报显示,在股票补偿等某些成本之前的利润为每股1.71美元,收入为58.4亿美元,低于去年同期的73.5亿美元收入。华尔街分析师此前预测每股收益仅为1.60美元,收入为58.1亿美元。
Constellation Research分析师Holger Mueller表示,美光在存储市场就像是“坐过山车”,在大环境下仍然有良好的表现。
Mueller说:“美光在管理成本方面做得很好,而且也很好地控制住了没有陷入亏损,很少有公司可以这么好地消化收入20%的下滑。”
投资者们对美光的未来前景更感兴趣,但可能会对第三季度未达到预期的指引感到失望了。美光公司首席财务官David Zinsner在电话会议上表示,他预计未来三个月的利润将达到每股约85美分,收入在46亿美元至50亿美元之间。据彭博社报道,华尔街预计美光的收入为52.9亿美元,每股利润不到1.18美元。
通常情况下,投资者们听到如此惨淡的指引可能会做出强烈反应了,然而今天并未发生这种情况,因为美光高管方面解释了他们为应对产品需求减少而采取的措施。
美光公司首席执行官Sanjay Mehrotra在电话会议上表示,由于客户囤积大量库存,导致目前需求大幅下滑,而且存储产品价格急剧下滑也冲击了基线水平。为了解决这个问题,Mehrotra称美光将削减产量以缓解对收入的影响。
美光计划在等待下半年数据中心市场恢复增长的期间,闲置5%的DRAM和NAND晶圆生产。DRAM通常被用于为PC和计算机服务器提供内存, NAND闪存则用于服务器和诸如USB驱动器等小型设备中。
“为应对近期的行业状况,我们采取果断行动,以降低供应增幅,与行业需求保持一致,”Mehrotra在电话会议上这样表示。
Pund-IT分析师Charles King表示,目前美光的主要问题是内存芯片市场正面临供过于求导致供应商降低价格以清除过剩产品的周期中。3D X-Point等新技术并没有很好地帮到美光,使得美光没有足够的动力替代其传统产品。
King说:“这种情况给我们一个很好的提醒,即行业标准的计算组件往往和其他大多数商品是一样的。对于美光的股东来说,所幸的是,美光之前已经经历了这个周期,现在他们似乎正在采取适当的措施来渡过当前的低迷期。”
前方也许已经能看到一些曙光了,因为Mehrotra表示,他们已经看到一些客户正在解决闲置组件的库存问题,而且他们可能会在今年年中之前减少这些库存。
这似乎让投资者放下心来,美光股票在盘后交易中出人意料地上涨了近5%。
但美光的支持者们可能要冒一些风险了,因为有分析师表示,他对美光的前景不太有信心。
Moor Insights&Strategy总裁兼首席分析师Patrick Moorhead表示:“美光面临着严峻的定价市场,不管美光对外的说法是什么,它毕竟还有固定的晶圆厂资产,这些资产可能会逐渐减少而且还要支付固定费用。目前我对美光不是那么地看好。”
好文章,需要你的鼓励
最新数据显示,Windows 11市场份额已达50.24%,首次超越Windows 10的46.84%。这一转变主要源于Windows 10即将于2025年10月14日结束支持,企业用户加速迁移。一年前Windows 10份额还高达66.04%,而Windows 11仅为29.75%。企业多采用分批迁移策略,部分选择付费延长支持或转向Windows 365。硬件销售受限,AI PC等高端产品销量平平,市场份额提升更多来自系统升级而非新设备采购。
清华大学团队开发出LangScene-X系统,仅需两张照片就能重建完整的3D语言场景。该系统通过TriMap视频扩散模型生成RGB图像、法线图和语义图,配合语言量化压缩器实现高效特征处理,最终构建可进行自然语言查询的三维空间。实验显示其准确率比现有方法提高10-30%,为VR/AR、机器人导航、智能搜索等应用提供了新的技术路径。
新一代液态基础模型突破传统变换器架构,能耗降低10-20倍,可直接在手机等边缘设备运行。该技术基于线虫大脑结构开发,支持离线运行,无需云服务和数据中心基础设施。在性能基准测试中已超越同等规模的Meta Llama和微软Phi模型,为企业级应用和边缘计算提供低成本、高性能解决方案,在隐私保护、安全性和低延迟方面具有显著优势。
IntelliGen AI推出IntFold可控蛋白质结构预测模型,不仅达到AlphaFold 3同等精度,更具备独特的"可控性"特征。该系统能根据需求定制预测特定蛋白质状态,在药物结合亲和力预测等关键应用中表现突出。通过模块化适配器设计,IntFold可高效适应不同任务而无需重新训练,为精准医学和药物发现开辟了新路径。