三星在AI市场对高速GPU内存的疯狂需求中分享了一杯羹,季度收入创下历史新高。
2025年第三季度,三星收入达到86.1万亿韩元(603亿美元),同比增长8.9%,营业利润为12.2万亿韩元(85亿美元),同比增长32.6%。
三星电子业务涵盖智能手机、DRAM和NAND芯片、显示面板、电视和家用电器、笔记本电脑、平板电脑、数字手表和耳机等。从存储角度来看,我们关注的是负责DRAM和NAND制造业务的设备解决方案(DS)业务部门。该部门本季度收入为33.1万亿韩元(231亿美元),同比增长13%,环比增长18.6%,实现利润7万亿韩元(49亿美元)。
收入增长主要得益于HBM3E销量的增加,这种内存是GPU服务器和服务器SSD所必需的。
相比之下,SK海力士本季度内存和NAND产品收入为24.449万亿韩元(171亿美元),同比增长39%,净利润为12.598万亿韩元(88亿美元),增长118.9%。SK海力士的收入比三星少26%,但利润却高出80%,主要原因是销售了更多HBM芯片。三星在HBM技术方面已经落后于SK海力士,目前正专注于重新夺回失地。
三星DS部门的大部分收入来自内存产品。HBM3E目前正在大规模生产。图表显示,在内存销售的推动下,该部门正从第一季度的收入低谷中爬升。
本季度内存收入创历史新高,盈利能力大幅提升,这得益于价格上涨以及一次性库存价值调整的减少。
DS部门对2025年第四季度的展望基本上是尽可能多地生产和销售其高价值产品:HBM3E、128GB DDR5、24Gb GDDR7、大容量eSSDs,以充分利用当前AI驱动和传统服务器需求的高涨。HBM4样品正在向关键客户发货,希望搭上英伟达GPU服务器内存的快车。
展望2026年,三星将延续同样的策略。预计HBM4需求将增加,三星计划使用其1c节点技术扩大HBM4产能。公司将优先扩展HBM4业务,拓宽HBM销售基础,同时寻求扩大AI相关产品DDR5和LPDDR5x内存以及大容量QLC SSDs的销售。
AI市场对内存和NAND产品的需求正在推动三大主要厂商美光、三星和SK海力士之间的激烈竞争和技术发展。我们相信这种活跃程度也会在中国出现,只是中国供应商及其发展不太明显。例如,华为在被拒绝获得最新美国内存技术后,将鼓励中国内存供应商提升技术水平,以便能够在美国以外地区继续与美国供应商竞争。
Q&A
Q1:HBM3E是什么?为什么对三星这么重要?
A:HBM3E是一种高带宽内存,主要用于GPU服务器,是AI计算必需的关键组件。它是三星本季度收入增长的主要驱动力,目前正在大规模生产中。
Q2:三星在HBM市场的竞争地位如何?
A:三星在HBM技术方面已经落后于竞争对手SK海力士。SK海力士虽然收入比三星少26%,但利润却高出80%,主要因为销售了更多HBM芯片。三星正专注于重新夺回失地。
Q3:三星未来在AI内存市场有什么计划?
A:三星计划优先扩展HBM4业务,使用1c节点技术扩大产能,拓宽HBM销售基础,同时扩大DDR5、LPDDR5x内存和大容量QLC SSD等AI相关产品的销售。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。