Nvidia今天公布了第二季度财报,得益于在游戏、数据中心和专业可视化领域的强劲增长,该季度业绩延续了连续上涨的势头,且轻松超出了预期水平。
该季度Nvidia在不计入股票补偿等成本的利润为每股1.04美元,收入为65.1亿美元,同比增长68%,此前华尔街分析师预期的每股利润为1.02美元,销售额为63.3亿美元。
Nvidia公司创始人、首席执行官黄仁勋表示,该季度的抢眼业绩得益于公司在推进图形、科学计算和人工智能方面展开“开创性工作”所取得的成果。
他说:“开发者在Nvidia平台的支持下,正在创造我们这个时代最具影响力的技术——从自然语言理解和推荐系统,到自动驾驶汽车和物流中心,到数字生物学和气候科学,再到遵循物理定律的元宇宙。”
新冠疫情使得市场对半导体的需求迅猛增长,让Nvidia从中受益并实现持续增长,特别是Nvidia的GPU在AI、数据中心、游戏和加密货币挖掘等领域变得越来越重要。
该季度Nvidia的图形业务收入增长87%,达到39.1亿美元,该细分市场中,游戏销售额增长了85%,达到30.6亿美元。
自去年年底以来,Nvidia一直在努力解决供应链问题,最新的图形卡产品一上市就卖光了。今年5月Nvidia表示,预计供应链问题还将在今年持续下去,今天Nvidia再次表示,供应链交货时间都将延长。
该季度Nvidia游戏业务销售额的大幅增长归功于市场对其GeForce卡和面向游戏机制造商的GPU需求强劲。
此外,Nvidia的数据中心业务表现良好,收入同比增长35%,达到23.7亿美元,这主要得益于云数据中心运营商和工业设备的强劲需求。
此外,专业可视化业务(包括用于高端专业笔记本电脑的图形卡)表现强劲,销售额增长了156%,达到5.19亿美元,汽车业务增长了37%,达到1.52亿美元。
该季度Nvidia唯一的不足是加密货币业务,收入为2.66 亿美元,远低于上个季度预期的4亿美元销售额。
Nvidia的CMP加密货币卡是今年早些时候推出的一款新产品,主要是满足加密货币矿工的需求而不至于导致游戏用GPU短缺。Nvidia还在游戏用GPU上加载了软件使其用于挖矿时会遇到性能限制。
“Nvidia确实是在全力以赴,”Moor Insights & Strategy分析师Patrick Moorhead这样表示。“最令我惊讶的是游戏业务的增长。关于游戏业务的数据是否都是加密货币的数据,但因为Nvidia有80%的新卡都有较低的哈希率,因此似乎是体现了游戏市场的真实需求。”
从产品方面来看,该季度对Nvidia来说是很忙碌的一个季度。Nvidia推出了新的RTX A2000图形卡,并对Omniverse超逼真图形协作平台进行了重大扩展,集成了开源3D动画工具Blender。
此外Nvidia还宣布面向大型企业推出一个名为Nvidia Base Command的关新型AI研究平台。Nvidia还对Tensor RT软件、HGX AI超级计算平台进行了更新。
在今天的电话会上,Nvidia还快速更新了有关于公司以400亿美元收购英国芯片设计公司Arm的交易,黄仁勋称,他相信这笔交易最终会通过审核。此前,该交易遭到了Nvidia一些芯片制造竞争对手的反对,他们担心该交易可能会导致他们无法使用Arm的一些关键技术。
Nvidia表示:“尽管Arm的一些被许可方表达了担忧或反对,并且与监管机构讨论的时间要比最初想象的要长,但我们对这笔交易充满信心,监管机构应该认识到此次收购对于Arm、被许可方以及整个行业都是有好处。”
展望下个季度,Nvidia预计收入为68亿美元,高于华尔街预期的65.3亿美元。
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。