受AI驱动的GPU服务器对高带宽内存需求的推动,SK海力士在2024年第四季度和全年的营收与净利润均创下历史新高。
该公司公布的第四季度初步营收为19.76万亿韩元 (约137.6亿美元),同比增长74.7%,净利润为8万亿韩元 (约55.6亿美元),与去年同期13.8万亿韩元 (约9.6亿美元) 的亏损形成鲜明对比。2024全年业绩同样亮眼,营收达66.19万亿韩元 (约459.7亿美元),同比增长49.5%,从去年9.14万亿韩元 (约63.6亿美元) 的亏损扭转为19.8万亿韩元 (约138亿美元) 的净利润。公司的财务状况发生了根本性转变。
副总裁兼首席财务官金宇炫表示:"随着高附加值产品占比的显著提升,SK海力士已建立起即使在市场调整期也能实现可持续收入和利润的基础。"
这家韩国公司生产DRAM和NAND芯片,并使用自己的NAND芯片生产固态硬盘。公司表示,其DRAM业务中的高带宽内存 (HBM) 部门展现出"高速增长",目前占其DRAM总收入的40%以上。据报道,SK海力士2024年HBM收入较2023年增长了4.5倍以上。公司指出,"随着AI内存需求的增长,存储器行业正在向高性能、高质量市场转型。"
2024年,由于数据中心强劲需求,该公司的企业级固态硬盘销量增长了300%。
查看SK海力士连续几个季度的营收数据显示,收入在过去五个季度持续稳步增长至历史新高。利润也从2023-2024年低谷强劲反弹,收入已连续七个季度上涨。
从年度营收来看,SK海力士目前的规模几乎是2016年的4倍,并且从2023年的存储器低谷中反弹,收入和利润大幅增长。
与同样生产DRAM、NAND芯片和固态硬盘的美国竞争对手美光相比如何?数据显示,得益于在HBM市场的主导地位,SK海力士在2023年第二季度之后的增长速度快于美光。美光透露,希望最终能获得20%的HBM市场份额。美光CEO桑杰·梅赫罗特拉表示:"我们2025年的HBM产品已售罄,且这一时期的定价已确定。在2025财年,我们预计HBM收入将达到数十亿美元。"
根据公开信息判断,美光目前的市场份额低于20%,其HBM收入可能不到SK海力士的一半。
SK海力士预计,"随着全球科技公司对AI服务器的投资增长以及AI推理技术日益重要,对HBM和高密度服务器DRAM的需求将继续增加。"据《韩国时报》报道,SK海力士预计2025年其HBM销售额将翻倍。
公司计划扩大当前HBM3E的生产。在财报电话会议上表示:"今年上半年,HBM3E将占我们HBM产品的一半以上...我们相信12层HBM4将成为2026年的旗舰产品,我们将在今年完成12层HBM4的开发和量产,以便按计划交付给客户...我们计划在今年下半年完成HBM4的开发和量产准备工作...HBM4将从12层芯片开始供应,随后是16层。16层芯片预计将根据客户需求在2026年下半年交付。"
公司预计,随着搭载AI的智能手机和PC销量扩大,将在2025年下半年推动其消费市场销售增长。
SK海力士利润丰厚,与2023年底相比,已将债务减少6.8万亿韩元 (约47.3亿美元) 至22.7万亿韩元 (约158亿美元),"使负债率和净负债率分别显著改善至31%和12%"。公司还将年度固定股息提高25%至每股1,500韩元 (约1.04美元),并决定将原计入股息支付的自由现金流的5%用于改善财务结构。
除非AI热潮很快结束,否则SK海力士似乎将在2025年全年保持季度营收持续增长的势头。
好文章,需要你的鼓励
亚马逊向AI搜索引擎Perplexity发出停止令,要求其停止允许用户创建和使用购物代理在亚马逊网站购买商品。争议核心在于控制权:亚马逊希望保持对用户购物体验的控制,而Perplexity认为AI代理只是技术进步的自然延伸。分歧在于透明度——Perplexity的代理使用用户凭据登录而不标识自己为AI代理。这被视为自主AI代理在商务领域的首次重大法律测试,将影响AI驱动网络的未来基础。
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
东芝发布S300 AI视频监控硬盘,容量从10TB大幅提升至24TB。该产品采用7200转速和6Gbps SATA接口,支持64路视频摄像头和32路AI数据流分析。容量范围涵盖8TB至24TB,缓存最高达1024MB,传输速度最高309MBps,年工作负载550TB。相比竞品西数Purple Pro和希捷SkyHawk AI,东芝在传输速度方面表现更优。产品将于2026年第一季度上市。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。