内存芯片供应商美光科技在最新季度的收入几乎增长了两倍,远超分析师预期,并为当前季度提供了令人惊艳的指导预期,但股价在盘后交易中仍下跌超过4%。
公司报告每股收益(扣除某些成本如薪酬)为12.20美元,大幅超越华尔街9.31美元的目标预期。该期间收入增长194%,达到238.6亿美元,轻松超过207亿美元的一致预期。
美光的净利润表现更加亮眼。凭借额外收入,公司在该季度录得137.8亿美元净利润,相比去年同期仅15.8亿美元的利润大幅增长。
公司业绩受益于内存芯片需求激增的推动。这些芯片已成为英伟达公司图形处理单元的基础组件,为人工智能工作负载提供动力。当然,内存也被用于几乎所有其他类型的计算设备,包括个人计算机、智能手机、平板电脑和自动驾驶汽车。
美光是全球三家内存芯片制造商之一,也是美国唯一一家。其他两家分别是韩国的三星电子和SK海力士。随着英伟达每一代新GPU需要更大容量的内存,全球供应变得极度紧张,推高了价格。与三星和海力士一样,美光也在努力增加生产能力以克服日益严重的短缺问题。
对于当前季度,美光预计将继续受益于对内存的巨大需求。公司预期每股收益19.15美元,收入335亿美元,远超华尔街预期的12.05美元收益和243亿美元销售额。
首席执行官桑杰·梅赫罗特拉表示,公司在该季度的收入、毛利率、每股收益和自由现金流方面都创下新纪录,并预计在当前季度将打破这些纪录。他补充说:"在AI时代,内存已成为客户的战略资产,我们正在投资全球制造基础设施以支持他们不断增长的需求。"
美光股价表现强劲。自年初以来,即使包括今日盘后下跌,其股价也上涨了超过61%。在过去12个月中,该股价惊人地上涨了351%。在美国十大最有价值的科技公司中,美光是今年唯一股价上涨的公司。甲骨文下跌22%,而微软和特斯拉也遭受了两位数跌幅。
在与分析师的电话会议中,梅赫罗特拉表示,AI和传统计算机服务器正面临"DRAM和NAND供应不足"的问题,指的是动态随机存储器和闪存芯片。
美光已将大部分生产能力转向高带宽内存,这是一种能够更高效存储数据的新产品,几乎专门用于AI服务器。很容易理解美光为什么这样做,因为HBM芯片的利润率高于传统内存产品。在该季度,美光的毛利率从一年前的37%上升到季度末的74%,较上一季度增长56%。
美光云内存业务收入暴涨160%,达到77.5亿美元。其移动和客户端部门增长更快,收入从一年前的22.4亿美元增长到今天的77.1亿美元。
传统上,内存芯片被视为商品业务,利润率低于其他类型的硅产品。美光等内存生产商过去通常与客户签署短期合同,但在最近几个月,他们开始利用短缺优势签署更长期的协议。
客户们正在争相这样做,以锁定未来的内存供应。梅赫罗特拉说:"随着AI的发展,我们预计计算架构将变得更加内存密集型。这就是为什么我们坚信美光是AI最大的受益者和推动者之一。"
公司在第一季度开始批量生产专为英伟达即将推出的Vera Rubin芯片设计的最新HBM4内存产品,并计划在2027年加速生产下一代HBM4e产品。公司随后将在2028年转向为英伟达未来的Feynman GPU制造"定制HBM",这些GPU预计将在2028年上市。
梅赫罗特拉告诉分析师,公司预计2027财年资本支出将"显著"增加,由于急于建设更多内存制造设施以满足AI的高需求,建设成本将增加超过100亿美元。公司目前正在爱达荷州和纽约州建设新的制造工厂,以增加美国的生产能力。爱达荷州工厂预计将在2027年中期开始初步生产,而规模更大的1000亿美元纽约园区将在大约一年后投产。
Q&A
Q1:美光科技为什么收入大增但股价还是下跌?
A:尽管美光第三季度收入增长194%至238.6亿美元,大超市场预期,净利润也从去年同期15.8亿美元暴涨至137.8亿美元,但股价在盘后仍下跌超过4%。这可能反映了市场对高估值的担忧或获利回吐行为。
Q2:美光科技的内存芯片主要用在哪些地方?
A:美光的内存芯片主要用于英伟达的图形处理单元,为人工智能工作负载提供动力。此外还广泛应用于个人计算机、智能手机、平板电脑和自动驾驶汽车等几乎所有类型的计算设备中。
Q3:美光如何应对AI时代的内存需求增长?
A:美光正将生产能力转向利润率更高的高带宽内存产品,专门用于AI服务器。公司计划2027财年大幅增加资本支出超过100亿美元,在爱达荷州和纽约州建设新制造工厂,其中爱达荷州工厂2027年中期投产,纽约州1000亿美元园区约一年后投产。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。