苹果的制造合作伙伴富士康报告称,人工智能需求推动了收入激增

币界网Publicado a 2024-08-14Actualizado a 2024-08-14

币界网报道:

苹果的主要合同制造合作伙伴富士康科技集团宣布了本季度和今年剩余时间的积极财务前景。这家总部位于台湾的公司,正式名称为鸿海精密工业,表示6月份第四季度利润强劲增长。

这一增长是由于对人工智能(AI)应用中使用的服务器的需求增加。该公司6月份季度的净收入为350亿元新台币,符合市场预期。同期销售收入1.55万亿元,同比增长19%。这主要是因为该公司增加了向使用Nvidia人工智能加速器的数据中心运营商的服务器出货量。

富士康计划建立人工智能工厂,股价飙升

该公司计划在全球范围内实现人工智能服务器40%的市场份额。公司战略基于与主要IT供应商的现有合作以及公司的制造能力。富士康在人工智能技术方面的投资尤其如此,该公司股价今年上涨了近80%。该公司计划建造“人工智能工厂”,其中将包含Nvidia的芯片和软件,这突显了这一点。

本月早些时候,台湾半导体制造公司(TSMC)透露,其7月份收入同比增长45%,超过预期。彭博资讯的Cecilia Chan表示,由于富士康与英伟达的良好关系,人工智能服务器的销售可能是富士康的主要增长因素。

陈还指出,富士康强大的物流和制造实力,这可能使其在苹果越来越多地从其他合同制造商采购的同时,仍然是iPhone的主要组装商。然而,陈指出,评级上调可能不会继续,因为利润率仍然很低,只有个位数。

随着全球智能手机需求的增加,中国iPhone出货量反弹

最新统计数据显示,iPhone在中国的出货量较去年秋季有所回升。全球智能手机市场也在迅速增长。这是因为消费电子产品的需求已经上升,将人工智能功能集成到设备中导致了用户升级。

富士康7月份的销售额增长了22%,主要是由于人工智能服务器的销售。该公司最近的报告显示,该公司几乎所有的业务部门在本季度都呈上升趋势。虽然云、网络和组件预计将成为增长动力,但包括iPhone在内的智能电子领域预计将在今年保持稳定。

富士康还表示,英伟达人工智能半导体领导者的GB200芯片正在按计划进行,将于第四季度开始小批量发货,并将在2025年初增加。

Lecturas Relacionadas

a16z: La 'amnesia' de la IA, ¿puede curarla el aprendizaje continuo?

En el artículo de a16z, se explora la "amnesia" de la IA, comparándola con el personaje de "Memento" que no puede formar nuevos recuerdos. Los modelos de lenguaje actuales, tras su entrenamiento, congelan el conocimiento en sus parámetros, sin poder actualizarse con nueva información. Para compensar, se usan contextos externos como historiales de chat o sistemas de recuperación, pero estos no internalizan realmente el conocimiento. El aprendizaje contextual (ICL) es útil, pero tiene limitaciones: no maneja bien problemas que requieren descubrimiento genuino, adaptación adversarial o conocimiento implícito. La solución propuesta es el "aprendizaje continuo", donde los modelos actualizan sus parámetros después del despliegue, comprimiendo nueva información en lugar de solo recuperarla. Se discuten tres enfoques: 1. **Contexto**: Mejora de ventanas de contexto y sistemas de recuperación. 2. **Módulos**: Uso de adaptadores o memorias externas para especializar modelos. 3. **Pesos**: Actualización directa de parámetros mediante técnicas como metaaprendizaje o auto-mejora. Aunque el aprendizaje contextual es efectivo y escalable, el artículo argumenta que la compresión en los parámetros es crucial para problemas complejos. Sin embargo, actualizar pesos conlleva riesgos como olvido catastrófico o problemas de seguridad. El futuro probablemente combine contextos, módulos y actualizaciones de pesos para lograr IA que aprenda de verdad, no solo recuerde.

marsbitHace 3 hora(s)

a16z: La 'amnesia' de la IA, ¿puede curarla el aprendizaje continuo?

marsbitHace 3 hora(s)

Trading

Spot
Futuros
活动图片