分析显示,Intevac 表示第二家客户对其 HAMR 硬盘盘片和磁头生产设备表现出强烈兴趣。这可能意味着继希捷进入量产后,西部数据现在也开始涉足 HAMR 硬盘开发。
Intevac 为希捷、昭和电工和西部数据等硬盘驱动器媒体制造商提供 200 Lean 薄膜处理设备。该公司声称全球超过 65% 的硬盘生产依赖其设备。200 Lean 用于制造当前垂直磁记录 (PMR) 硬盘的记录媒体和磁盘盘片。
Intevac 的主要 HAMR 兼容 200 Lean 设备客户是希捷,后者在 2000 年代初就开始了 HAMR 开发。直到今年,一家知名云服务提供商才认证希捷的 Mozaic 3 HAMR 硬盘可以广泛使用,这距离开发开始已有 20 多年。这段漫长的开发期主要归因于解决高良率制造工艺生产高可靠性驱动器的难题,Intevac 在确保其 200 Lean 设备发挥作用方面发挥了重要作用。
目前基本上只有三家硬盘制造商:垂直整合的希捷和西部数据主导市场,较小的参与者东芝则使用昭和电工等供应商。这些公司总共安装了约 140 台 200 Lean 设备。由于这些设备价格昂贵,客户数量有限,且采购率往往跟随硬盘市场周期,因此 Intevac 的销售周期较为波动。由于 HAMR 驱动器的接受周期很长,且硬盘市场直到最近几个季度才从下行周期中恢复,Intevac 的 200 Lean 系统销售受到限制,一个 2024 年初的订单甚至被取消。
我们已经向东芝和西部数据询问了 Intevac 提到的第二个 HAMR 客户的身份。B&F 认为这很可能是西部数据,因为这与其预算和市场地位相符,也符合其此前给出的技术量产时间表。
薄膜(从几纳米到几微米厚)使用溅射沉积技术涂覆在硬盘盘片和读写磁头表面。这种技术基于磁控溅射,在真空室内将高能氩气离子射向钴合金等靶材。这会导致一些靶材原子被弹出并沉积在接收基底上,形成薄膜。
硬盘盘片上有多个薄膜层。其中一层是可磁化的钴合金,用于数据记录的正负位区域。还有一层绝缘层防止读写磁头对记录膜层造成损坏、腐蚀或磨损,以及最上层的保护膜。
读写磁头具有支持其读写功能所需的磁阻和隧道磁阻传感器薄膜。
这些薄膜必须以高精度和均匀性应用于基底才能正常工作。200 Lean 设备可以升级以提高产量、降低磁盘缺陷率、增加真空度,并生产 HAMR (热辅助磁记录) 媒体。例如,Intevac 的射频源"最适合沉积在先进 HAMR 应用中可能使用的非金属(绝缘)或高电阻率金属靶材"。
从季度财务报告的角度来看,对新设备或已安装设备的大规模升级的兴趣迹象都值得关注。
一个相关的背景是,由于销售不佳,Intevac 已关闭了用于消费者和汽车触摸屏的 TRIO 涂层系统的第二条产品线,使公司更依赖于 200 Lean 设备销售。
Intevac 刚刚公布了 2024 财年第三季度财报,称:"在 TRIO 技术表现不佳后,公司重点转向硬盘驱动器 (HDD) 领域。...预计 Intevac 的 HDD 业务在未来三年将产生约 2 亿美元的收入,这主要由于行业普遍采用热辅助磁记录 (HAMR) 技术,预计将满足数据中心和人工智能不断增长的需求。"
此外:"公司已为 HAMR 技术获得第二个重要客户,初始升级已完成。Intevac 的重组旨在提高效率和精简运营,专注于核心 HDD 业务。公司 CEO Nigel Hunton 对管理团队和公司推动 HDD 行业向 HAMR 过渡的战略充满信心。"
在 2024 财年第三季度财报电话会议上,Hunton 表示订单取消造成了重大问题:"我们遭遇了前所未有的订单取消,已经超过八个月,但仍未能解决库存和材料收据从资产负债表中转出的问题。这个季度,我们决定暂时暂停履行 HDD 订单,让客户履行其应付款和库存义务。我们有信心能让业务重回标准条款轨道,但我们不会用 Intevac 的现金为客户提供资金。我相信投资者会理解我们的立场。"
分析师 Mark Miller 问道:"西部数据在最近的电话会议上表示,他们要等到每个盘片达到 4TB 才会引入 HAMR。你觉得这会在什么时候?是今年晚些时候还是 2025 年?"
Hunton 回应:"我认为西部数据的声明对我们来说是非常积极的。你可以看到行业向 HAMR 发展传统上主要集中在一个客户身上。现在你看到整个行业都在跟进。在之前的电话会议中,我们说过西部数据可能会落后一年,我认为我们会在今年年底到 2025 年看到变化,我认为这对公司来说是非常积极的事情。"
Intevac 表示已"聘请 Houlihan Lokey Capital, Inc. 就提升股东价值的战略方案提供建议。"
好文章,需要你的鼓励
NAVER和KAIST研究团队发现,先进AI模型在数学题自我修正方面存在严重缺陷。他们创建的MMRefine基准测试揭示,即使是GPT-4O等顶级模型也只能成功修正约23%的错误答案,而且经常将正确答案改错。研究发现不同模型在处理六种错误类型时表现差异巨大,特别是小型模型在空间推理修正上竟然超越了大型模型,颠覆了"越大越好"的认知。
牛津大学研究发现,尽管大语言模型在医学考试中表现出色,但在实际应用中效果大打折扣。研究显示,LLM直接测试时能94.9%准确识别病症,但人类使用LLM诊断时准确率仅34.5%,甚至低于不使用AI的对照组。问题源于用户提供信息不完整、LLM理解偏差等人机交互问题。专家指出,仅凭非交互式基准测试评估LLM存在误导性,需要真实的人机交互测试才能准确评估AI系统的实际性能。
上海交通大学研究团队开发出革命性AI图像检测系统,不仅能以98.1%准确率识别AI生成的假图片,更能像人类专家一样用自然语言详细解释判断依据并标出具体问题区域。该系统通过创新的多模态大语言模型训练方法,实现了从"黑盒判断"到"透明分析"的突破,为新闻、法律等领域提供可信赖的智能辅助工具。