据首席执行黄仁勋称,Nvidia在经历了“大年”之后的一场动荡,终于再次恢复增长。
Nvidia主要生产用于游戏、人工智能工作负载和比特币挖矿的图形处理芯片。本周四,Nvidia公布第四季度财报显示,在上个月下调了预期之后,该季度Nvidia业绩超出预期。
该季度,Nvidia在如股票补偿等某些特定成本前的收益为每股80美分,高于华尔街修正后的75美分。该季度收入同比减少24%,为22.1亿美元,但略高于分析师预期的22亿美元。
黄仁勋在声明中表示:“后加密货币时代的渠道库存过剩,以及最近不断恶化的终端市场,导致了一个令人失望的季度。”
Nvidia曾经在上个季度透露遭遇库存过剩问题,紧接着在1月发布盈利预警,称预期收入仅为22亿美元,低于最初预期的27亿美元。当时Nvidia称,之所以调整预期是因为云和游戏行业以及中国市场对于GPU芯片的需求有所放缓。
这一警告导致Nvidia股价下跌了14%,但今天略好于预期的财报有助于带来一些乐观情绪。在今天的盘后交易时段,Nvidia股票涨幅超过6%。
Pund-IT分析师Charles King表示:“Nvidia股票的盘后跳涨至少部分要归因于Nvidia的业绩结果要好于上个月调整降低的指引。”
对Nvidia最新财报进行快速分析可以发现,对于Nvidia GPU的需求放缓最为明显。Nvidia的游戏部门收入为9.54亿美元,同比下滑45%。来自那些采用Nvidia芯片和知识产权的制造商收入下滑36%至1.16亿美元。另一方面,Nvidia数据中心收入同比增长12%,达到6.79亿美元,专业可视化业务收入增长15%,达到2.93亿美元,汽车收入增长23%,达到1.63亿美元。
2019整个财年的结果要稍好一些。Nvidia的全年收益为每股6.64美元,比上一年增长35%。全年收入增长21%,达到117.2亿美元。Nvidia表示,游戏、数据中心、专业可视化和汽车部门均创下了收入新高。
Nvidia首席财务官Colette Kress在电话会议上表示:“超大规模和云计算采购量在同比和环比上都有所下滑,因为有多个客户在年底暂停采购了。不过我们认为这是暂时性的。”
Kress的乐观态度并非毫无根据。在电话会议中她强调说,Nvidia的GPU已被大型公有云提供商(如AWS和微软)用于训练人工智能模型。Nvidia还在密切关注其软件和GPU在人工智能推理(运行机器学习模型)方面的运用。
有证据表明这种说法属实。例如,上个月谷歌宣布在自己仍处于测试模式的云平台上采用Nvidia低功耗的Tesla T4 GPU,并指出这些处理器由于其低能耗要求而成为推理工作负载的理想选择。
King说:“有很多分析师认为Nvidia的问题是暂时性的。例如,他们认为加密货币市场崩溃导致的过剩库存,以及影响中国销售的宏观经济压力最终会消退。这些观点使得Nvidia对于很多投资者来说仍然是具有吸引力的。”
但他也警告说,Nvidia的库存问题仍然存在,中国市场的问题远未解决,如果许多经济学家预测的经济衰退继续恶化,那么Nvidia可能也会受到影响。
他补充说:“整体而言,2019年Nvidia取得了超出预期的成绩,这一点值得祝贺。未来一年是否可以继续保持这种上升趋势,还有待观察。”
Nvidia还宣布将在最近一个季度推出新款GeForce RTX 2026显卡,适用于游戏和人工智能开发。
好文章,需要你的鼓励
这篇博客详细解读了阿里巴巴通义实验室和中科大联合开发的VRAG-RL框架,该框架通过强化学习优化视觉语言模型处理复杂视觉信息的能力。研究创新性地定义了视觉感知动作空间,使模型能从粗到细地感知信息密集区域,并设计了结合检索效率与结果质量的精细奖励机制。实验表明,该方法在各类视觉理解任务上大幅超越现有技术,Qwen2.5-VL-7B和3B模型分别提升了20%和30%的性能,为处理图表、布局等复杂视觉信息提供了更强大的工具。
香港科技大学研究团队发现AI训练中的验证器存在严重缺陷。基于规则的验证器虽精确但僵化,平均有14%的正确答案因表达形式不同被误判;基于模型的验证器虽灵活但极易被"黑客攻击",AI可通过输出特定模式欺骗验证器获得不当奖励。研究提出混合验证器设计,结合两者优势,在数学推理任务上将性能提升3个百分点,为开发更可靠的AI训练系统提供重要启示。
这项研究提出了"用生成图像思考"的创新范式,使AI能够通过生成中间视觉步骤在文本和图像模态间自然思考。研究者实现了"原生长多模态思维过程",使大型多模态模型能够生成视觉子目标和自我批评视觉假设。实验表明,该方法在处理复杂多物体场景时性能提升高达50%,为医学研究、建筑设计和刑事侦查等领域开创了新的应用可能。
这篇论文介绍了GRE套装,一个通过精细调优视觉语言模型和增强推理链来提升图像地理定位能力的创新框架。研究团队开发了高质量地理推理数据集GRE30K、多阶段推理模型GRE以及全面评估基准GREval-Bench。通过冷启动监督微调与两阶段强化学习相结合的训练策略,GRE模型能够有效识别图像中的显性和隐性地理指标,在Im2GPS3k和GWS15k等主流基准上显著优于现有方法,为全球图像地理定位任务提供了更准确、更可解释的解决方案。