Nvidia今天发布第二季度财报,结果表现强劲,而这主要得益于Nvidia数据中心业务该季度收入创下新高,以及游戏业务继续保持突出的表现。
该季度Nvidia在不计入股票补偿等特定成本的利润为每股2.18美元,收入为38.7亿美元,高于此前华尔街预期的1.97美元每股利润以及36.5亿美元收入。
该季度Nvidia数据中心收入首次超越游戏收入,达到17.5亿美元,增长了167%,这部分业务主要涉及向AWS、微软、谷歌等云计算提供商提供芯片,得到了Mellanox的巨大贡献。此前Nvidia以69亿美元的价格收购了Mellanox,后者主要生产以太网交换机和其他网络设备,这一收购在该季度正式完成,占到Nvidia总收入的14%。
Constellation Research分析师Holger Mueller表示:“对于Nvidia来说这是一个历史性的季度,数据中心收入首次超过了游戏收入。当然,这很大程度上得益于收购了Mellanox,但是Nvidia自身的业务也得到了有机的发展,因为收入增幅是要高于去年还没有收购Mellanox时的水平。”
Pund-IT分析师Charles King认为,Nvidia的确在过去5年里一直稳步扩大着自己的覆盖面和作为一家数据中心厂商的声誉,这表明了Nvidia正在积极地从传统游戏和可视化市场扩展到更大的范围。
King说:“Nvidia收购Mellanox显然是为了加快这些举措,而且从今天公布的财报中可以看到,Nvidia显然已经做到了。”
该季度Nvidia的游戏业务收入为16.5亿美元,同比增长26%,因为疫情期间人们有更多的时间花在玩游戏上。
Nvidia表示,该季度已经开始全面生产最新的A100,这是迄今为止功能最强大的芯片,目前该芯片已经开始向云提供商出售,很快也会提供给游戏机制造商。Nvidia将于9月1日举行一次关于GeForce游戏品牌的线上活动,届时Nvidia将发布基于该芯片的一款游戏卡新品。
微软和索尼都计划在未来几个月内推出采用Nvidia硬件的游戏机新版本。
Nvidia首席执行官黄仁勋在财报电话会议上表示:“我们预计游戏业务下半年表现会非常强劲,我认为这很可能是有史以来游戏业务表现最好的季度之一。”
Moor Insights&Strategy分析师Patrick Moorhead认为,由于该市场存在的季节性因素,预计下个季度Nvidia的游戏收入将高于数据中心收入。
“Nvidia的执行力良好,而且在成长型市场中有非常强的竞争力,确实是全力以赴。”
在疫情的影响下,Nvidia规模最小的两个业务都在该季度出现了下滑,其中,专业可视化业务收入为2.03亿美元,较去年同期减少30%,汽车业务收入为1.11亿美元,减少47%。Nvidia表示,这是由于企业客户推迟了工作站的购买,而汽车生产也低于通常水平。
Nvidia表示,预计第三季度收入为44亿美元,远超华尔街预期的39.7亿美元。
King表示:“该季度进展情况良好,再加上疫情将持续到2021年的可能性,Nvidia预期看涨似乎是合理的。”
黄仁勋还提到了Nvidia与芯片架构设计公司ARM的关系,称Nvidia有意收购ARM。
“我们一直是ARM的长期合作伙伴,我们的很多应用都采用了ARM,无论是自动驾驶还是机器人应用,以及我们的Nintendo Switch控制台业务。最近,我们向ARM中引入了Cuda和加速计算,因此我们正在与Arm团队展开紧密合作。ARM很出色,ARM架构的特别之处在于,你非常了解它具有很高的能源效率,并且可以随着时间的推移扩展至给长高的性能水平。”
Nvidia股价在盘后交易中下滑了2%。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。