美光科技(Micron Technology)今天发布了第一财季指引,由于预期内存芯片价格下滑导致指引水平随之下降,使得美光股价在今天的盘后交易中遭受重创。
这项警告是在美光发布了表现强劲的第四季度和全年业绩之后发出的。
该季度美光在不计入股票补偿等特定成本情况下的每股利润为2.39美元,收入为82.7亿美元,高于去年同期的60.6亿美元,高于华尔街分析师预期的2.33美元每股利润,以及82.3亿美元收入。
美光表示,该季度毛利率达到47.9%,同比增长13%。
美光公司首席执行官Sanjay Mehrotra表示,美光该季度表现出“出色的执行力”,全年来看实现了多个关键里程碑。
“2021年,我们确立了在DRAM和NAND技术方面的领先地位,在多个市场实现了创纪录的收入,并发送了季度红利。预计2022年市场需求强劲,美光公司将为客户提供创新的解决方案,推动我们的长期增长。”
不过,分析师们更关心的是美光公司的短期前景,而且美光公布的第一季度指引并不尽如人意。美光预计,第一季度调整后每股利润在2美元到2.20美元之间,收入在74.5亿美元到78.5亿美元之间,远低于华尔街分析师预期的每股利润2.53美元和收入85.4亿美元。
美光公司的股价在盘后交易中下跌超过4%。
在整个新冠疫情爆发期间,美光公司的股价一直在上涨。美光是全球领先的DRAM芯片生产商之一,这种芯片主要用于个人计算机和服务器。此外,美光还售卖用于智能手机和U盘等小型设备用的NAND闪存芯片。
疫情期间市场对这些产品的需求量很大,促使存储芯片等组件的价格水涨船高。正如全年业绩所显示的,这个趋势也让美光从中受益:2021财年美光的总收入达到277.1亿美元,高于去年同期的214.4亿美元。
不过大多数分析师认为,这场狂欢即将结束,尤其是对DRAM市场来说。疫情导致的PC销售热潮正在放缓,因此市场对DRAM的需求也在下降,从而让价格走低。
Mehrotra在公司公布业绩之后的分析师电话会议上承认了这一点,称下一季度市场对DRAM和NAND的需求将从非常高的水平“温和下降”。他透露,“由于PC用非内存组件有所短缺,因此一些PC客户正在调整他们的内存和存储采购计划。”
Constellation Research分析师Holger Mueller表示,尽管今天美光的股价出现下跌,但是美光的业绩表现值得称赞,实现了“非常抢眼的一年”,收入增长了近30%,特别是第四季度收入增幅接近40%。
Mueller说:“一部分原因是美光有非常出色的成本策略,使得他们的营业收入翻了一番。我们知道芯片行业就像过山车,在疫情期间到了令人难以置信的高位,现在我们得关注一下2022年PC销售情况会出现怎样的变化。好消息是,在即将到来的放缓之前,美光已经改善了自身的财务状况。”
Pund-IT分析师Charles King表示,美光是在非常时期发展起起落落的一个很好的例子。他说,美光公司处于一个很理想的位置,过去一年从新冠疫情带来的诸多挑战中受益,而且其领导层带领公司所取得的成绩也值得称赞。
“然而,非常时期不会永远持续下去,尤其是在价格和需求经常波动的市场中。总体而言,美光这个季度表现出色,并为全年画上了一个圆满的句号。虽然未来几个季度内存芯片供需情况尚不明朗,但过去18个月美光公司领导层的稳健表现表明,无论发生什么,美光都把自己的未来掌握在自己手中。”
确实,尽管接下来几个季度可能会很艰难,但Mehrotra表示,他对今年晚些时候公司实现反弹持相当乐观的态度。
“该财年下半年出货容量将有所恢复,我们预计将在2022财年实现创纪录的收入和稳健的盈利能力,并且2022年需求前景强劲,美光将为客户提供创新的解决方案,推动我们的长期增长。”
好文章,需要你的鼓励
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。
这项研究提出了"思想家"(Thinker)任务,一种受人类双重加工理论启发的新型AI训练方法。研究者将问答过程分解为四个阶段:快速思考(严格预算下给出初步答案)、验证(评估初步答案)、慢速思考(深入分析修正错误)和总结(提炼关键步骤)。实验表明,该方法使Qwen2.5-1.5B模型的准确率从24.9%提升至27.9%,DeepSeek-R1-Qwen-1.5B模型从45.9%提升至49.8%。显著的是,仅使用快速思考模式就能达到26.8%的准确率,且消耗更少计算资源,证明了直觉与深度推理作为互补系统的培养价值。
这项由ELLIS研究所和马克斯·普朗克智能系统研究所的科学家进行的研究,揭示了大语言模型安全测试的根本规律:越狱攻击成功率由攻击者与目标模型间的能力差距决定。通过评估500多个攻击者-目标组合,研究团队发现:更强的模型是更好的攻击者;当目标能力超过攻击者时攻击成功率急剧下降;社会科学能力比STEM知识更能预测攻击成功。基于这些发现,研究者建立了预测模型,表明随着AI进步,人类红队测试可能逐渐失效,提示需要发展自动化安全评估方法及更全面地评估模型的说服和操纵能力。
华中科技大学和香港中文大学研究团队提出SATORI-R1,一种通过空间定位和可验证奖励增强多模态推理的新方法。该方法将视觉问答任务分解为图像描述、区域定位和答案预测三个可验证阶段,解决了自由形式推理中注意力分散和训练收敛慢的问题。实验证明,SATORI-R1在七个视觉问答基准上一致提升性能,最高达15.7%,并展示出更聚焦的视觉注意力和更低的训练方差。