芯片制造商Nvidia近日公布了第一季度财报,结果轻松超出预期水平,随后发布的收入预测也超出了华尔街的预期,推动其股价在盘后交易中上涨了24%,令人难以置信。
该季度Nvidia的净收益为20.4亿美元,高于去年同期的16.2亿美,利润增长更加令人印象深刻,因为Nvidia的收入实际上是同比减少的。该季度Nvidia的销售额为71.9亿美元,同比减少13%,扣除股票薪酬等某些成本前的收益为每股1.09美元。
此前华尔街分析师预测的每股收益仅为92美分,销售额为65.2亿美元,这意味着 Nvidia 的表现远好于预期水平。
真正让人意外的是Nvidia对第二季度的预期,预计第二季度收入约110亿美元的收入,上下浮动2%,远高于华尔街预测的71.5亿美元。
在盘后上涨之前Nvidia的股价今年已经上涨了109%,这要归功于人们对其前景的强烈乐观,这一乐观情绪则源于Nvidia在AI芯片领域的领先地位。Nvidia公司首席执行官黄仁勋(如图)向投资者表示,市场对Nvidia数据中心产品的“需求激增”,这让Nvidia从中受益。
该季度Nvidia数据中心部门的销售额达到42.8亿美元,增长14%,超出预期的39亿美元。Nvidia公司表示,公有云提供商和大型消费互联网企业对Nvidia GPU的强劲需求推动了销售额的增长,这些公司需要这种芯片来训练和部署生成式AI应用。过去三个月市场对此类芯片的需求表明,云计算提供商和大型企业都将Nvidia的GPU视为他们AI项目取得成功的一个重要组成部分。
该季度Nvidia的游戏业务部门表现不佳。游戏部门主要销售个人电脑显卡和游戏机芯片,收入较去年同期下滑38%,仅为22.4亿美元,但仍高于华尔街预测的19.8亿美元。据Nvidia称,下滑主要是宏观经济环境放缓的结果。
Nvidia的汽车业务(主要销售自动驾驶汽车芯片和软件)该季度收入较去年同期增长114%,但是与其他业务相比,该部门规模仍然很小,收入仅为2.96亿美元。
黄仁勋表示,Nvidia正受益于计算机行业的两个同步转型:加速计算和生成式AI。
他解释说:“随着企业竞相把生成式AI应用到每个产品、服务和业务流程中,现有规模达1万亿美元的全球数据中心基础设施将从通用计算过渡到加速计算。我们整个数据中心产品系列,包括H100、Grace CPU、Grace Hopper Superchip、NVLink、Quantum 400 InfiniBand和BlueField-3 DPU都在生产中。我们正在大幅增加供应量,以满足市场对这些产品的激增需求。”
分析师Rob Enderle认为,在许多其他芯片制造商苦苦挣扎的时候,Nvidia取得的成功很大一部分在于公司在首席执行官、创始人黄仁勋的领导下一直专注于实现他们的目标。
Enderle表示:“黄仁勋大约在二十年前就看到了AI的潜力,并一直在追逐这个机会,而其他公司则更专注于战术层面。现在,Nvidia正在从这种远见中获益。大多数人现在都认为,Nvidia of Nvidia就是‘AI之王’,以及成为国王意味着什么。这是一个很好的例子,说明了为什么战略思维对企业是如此的重要。”
Nvidia的远见和战略思维早在两个月前就已展现,当时Nvidia举行了年度GTC开发者大会,并在会上发布了下一代GPU、AI加速器和数据中心处理单元,此外还宣布推出了一个新的专用AI超级计算平台,用于训练生成式AI模型,即Nvidia DGX Cloud。Nvidia公司还展示了它是如何通过Nvidia cuLitho向市场加速交付更强大的芯片,Nvidia是一种新算法库,可增强计算光刻的基础计算,即在硅片上印刷芯片设计的过程。
本周,Nvidia还公布了Project Helix,这是与戴尔合作推出的一项新计划,旨在帮助企业在自己的本地数据中心运行生成式AI软件。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。