云服务提供商在 2024 年第四季度采购了更多大容量硬盘,推动 Seagate 营收增长近 50%。
Seagate 在 2025 财年第二季度(截至 12 月 27 日)的营收从去年同期的 15.5 亿美元增长至 23.3 亿美元。公司实现 GAAP 利润 3.36 亿美元,相比去年同期亏损 1900 万美元实现显著转折。然而,投资者对其下一季度的预期表现不太满意。据路透社报道,硬盘制造商预计第三季度营收约为 21 亿美元,低于分析师平均预期的 21.9 亿美元。
CEO Dave Mosley 表示:"Seagate 以强劲势头结束了 2024 年,全年各季度的营收、毛利率和非 GAAP 每股收益均实现连续增长。我们的业绩展示了业务结构的改善,以及在需求改善环境下注重价值获取的成果,12 月季度末的毛利率创下十年新高。"
"我们的业绩得益于几乎所有市场需求的增长,其中云计算领域增长最为显著。来自全球云客户的广泛需求使得 12 月季度的近线产品收入同比增长近一倍,全年近线收入增长接近 60%。"
"总的来说,Seagate 在需求增长的环境下,在竞争和技术方面都处于优势地位。"
公司的 24TB CMR 和 28TB SMR 硬盘产量快速增长,这两款产品代表了 Seagate 收入和容量最高的生产平台。
财务摘要: - 毛利率:34.9%,去年同期为 23.3% - 经营现金流:2.21 亿美元 - 自由现金流:1.5 亿美元,上季度为 2700 万美元 - 稀释每股收益:2.03 美元,去年同期为 0.12 美元 - 股息:每股 0.72 美元 - 现金及现金等价物:12.3 亿美元,去年同期为 7.87 亿美元
然而,公司遇到了影响非 HAMR 硬盘的生产问题,目前已经解决。这导致了即将到来的 3 月季度供应受限。CFO Gianluca Romano 在财报电话会议上表示:"由于我们没有及时补充必要的生产设备,在某个时期没有启动足够的材料生产。因此,我们没有足够的供应来满足 2025 财年第三季度的需求。"
随着其他市场领域低迷,大容量近线硬盘的占比继续上升。
Mosley 强调了 AI 驱动的未来:"我们预计生成式 AI 将推动未来大容量存储的增长。这一点在生成式 AI 模型创建的数据丰富的图像和视频内容方面尤为明显,预计从 2024 年到 2028 年将增长近 170 倍。"
硬盘之所以必要,是因为"在 AI 模型训练数据集不被 GPU 主动处理时,HDD 在存储这些海量数据集方面发挥着关键作用。这些大规模存储数据湖通过存储 AI 模型数据集的检查点或快照,确保数据能够保留并用于未来持续的模型改进,从而形成可信 AI 的基础。"
"随着 AI 计算和推理向数据生成源靠近,我们预计企业将在边缘本地复制和存储更多数据。视频监控和工业应用 (VIA) 是边缘计算的另一个充满机遇的市场。一段时间以来,我们一直在谈论 VIA 市场中 AI 分析的增加应用,这有助于从智慧城市和智能工厂等应用的数据中形成可行的洞察。"
HAMR 技术硬盘认证工作正在推进,Mosley 表示:"现在在每个大容量终端市场都有多个客户通过了该平台的认证。目前,我们正在为主要云服务提供商客户增加产量,同时推进其他云和超大规模客户的认证。这些认证将为 2025 年下半年开始的下一阶段 Mosaic 量产奠定基础。"
Seagate 计划依靠 HAMR 技术的面密度提升来增加容量,而无需在其十盘片产品中增加额外的盘片。竞争对手西部数据现在已有 11 盘片硬盘。
SSD 和 HDD 将共存。"数据中心架构师将继续采用硬盘存储和 NAND 闪存等面向计算的内存技术来支持其各种工作负载。NAND 最适合高吞吐量、低延迟任务,而硬盘仍是云中大规模数据存储的首选解决方案。"
Mosley 断言:"HDD 为客户提供的每 TB 存储成本至少低 6 倍。它们具有显著更小的内含碳足迹,并提供高度资本效率的制造规模。"
下一季度的展望预计环比收入下降至 21 亿美元(上下浮动 1.5 亿美元),以中点计算同比增长 26.9%。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。