作者:MIKE WHEATLEY
更新时间:美国东部时间2024年4月30日21:17
芯片制造商AMD对2024财年数据中心收入的预期进行了修正,结果低于预期,投资者随后纷纷抛售,该公司股价在盘后交易时段下跌超过7%。
尽管AMD在刚刚过去的季度业绩达到了预期,但其股价在盘后交易时段跌超7%。
该公司公布的未计入股权激励等特定成本的每股收益为62美分,符合分析师的预测;营收增长2%,达到55亿美元,略高于华尔街预期的54.8亿美元。总的来说,AMD的净利润为1.23亿美元,高于去年同期1.27亿美元的亏损。
AMD首席执行官Lisa Su(如图)在一份声明中表示,公司受益于数据中心业务的强劲增长,其销售额增长了80%,客户计算业务的收入也增长了85%。
为服务器生产芯片的数据中心业务实现了23亿美元的销售额,超过了分析师预期的22.7 亿美元。与此同时,为个人电脑生产芯片的客户端计算业务实现了14亿美元的销售额,超过了分析师一致预期的12.9亿美元。
Su在电话会议中表示,公司数据中心业务的强劲表现反映了对其MI300图形处理单元的强劲需求,该产品旨在加速人工智能工作负载。她表示:“对MI300 的需求持续增长。”“从长远来看,随着我们扩展和加速推进人工智能硬件和软件路线图,并扩大数据中心GPU的覆盖范围,我们与云计算和企业客户的合作正在变得越来越紧密。”
这位首席执行官在电话会议上对分析师们表示,该公司已经在微软、Meta以及Oracle等超大规模云计算公司扩大了M100的部署,这些公司正在使用该芯片“为内部工作负载和广泛的公共产品提供生成式AI训练和推理”。
Su补充表示,AMD还在与戴尔、惠普、超微计算机公司和联想等服务器制造商合作,开发基于MI300的新系统。她表示,这些系统的批量生产预计将在本季度加速。
Su补充表示:“我们现在能够更加清晰地看到现有客户和承诺使用MI300的新客户。” 人们对MI300的兴趣与日俱增,这意味着MI300已成为公司历史上“增长最快的产品”,在不到两个季度的时间里就创造了超过10亿美元的收入。
据Su称,该公司现在认为,其数据中心GPU收入在本财年将超过40亿美元,远高于之前35亿美元的指导目标。然而,一些投资者似乎希望修订后的预期会更大,因为在Su发表评论后,该公司股价立即下跌。
在AMD的其他业务领域,需求正在减弱。例如,为游戏机销售芯片的游戏业务的收入下降了 48%,降至9.22亿美元。同时,由网络芯片组成的嵌入式业务的收入下降了46%,仅为8.46 亿美元。华尔街此前预计这两块业务的收入分别为9.64亿美元和9.41亿美元。
AMD的财报显示,普通中央处理器的需求仍然有些疲软,这与上周英特尔除人工智能芯片外在所有领域都表现疲软的情况类似。
尽管如此,Su认为,受企业更新周期以及对内置人工智能处理功能的新一代所谓“AI PC”需求增加的推动,个人电脑市场将在今年下半年恢复增长。
Constellation Research Inc.的分析师Holger Mueller表示,投资者显然担心,AMD并未真正从当前的人工智能热潮中分得一杯羹,其数据中心和个人电脑的收益被游戏和嵌入式业务的亏损所抵消。Mueller表示:“问题在于,这些下行是否是周期性的,或者说,AMD是否过于关注人工智能,而忽略了其他业务。” Lisa Su和她的团队需要在第二季度回答这个问题。
对于本季度,AMD预计销售额在54亿美元到60亿美元之间,与华尔街的预测一致。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。