特斯拉周二公布第二季度收益,投资者希望获得机器人出租车的更新

币界网Dipublikasikan tanggal 2024-07-22Terakhir diperbarui pada 2024-07-22

币界网报道:
特斯拉将于周二公布第二季度收益。该公司7月2日的汽车交付报告好于分析师的预期,但仍比上年有所下降。周二的电话财报会议将让投资者更好地了解首席执行官埃隆·马斯克和公司在第一季度报告了自2012年以来最大的收入下降后,为恢复增长所做的努力。在特斯拉实施大规模裁员并提供降价和其他激励措施以推动电动汽车销售后,一些机构投资者将关注特斯拉汽车毛利率和公司运营费用的健康状况。提前通过Say Technologies平台提交问题的散户投资者希望了解该公司推迟推出“专用自动驾驶出租车”CyberCab的计划及其在自动驾驶技术方面的总体进展。根据LSEG的数据,截至周一,分析师预计特斯拉将公布截至2024年6月30日的调整后每股收益为62美分,收入为247.7亿美元。提前通过Say Technologies平台提交问题的散户投资者希望了解该公司推迟推出“专用自动驾驶出租车”CyberCab的计划及其在自动驾驶技术方面的进展。他们还在寻求特斯拉近期优先事项的细节;其快速增长的电池储能业务的前景;它承诺在墨西哥蒙特雷建造的一家新工厂的状况;以及更多。鉴于马斯克最近对前总统唐纳德·特朗普的支持,以及这位首席执行官在本次总统选举周期成为共和党超级捐助者,特斯拉股东也在电话会议前提交了政治问题。一位问:“你相信特朗普/万斯的管理层会支持特斯拉和电动汽车吗?根据你的谈话,你有多自信?”另一位问,“埃隆·马斯克如何支持/资助一个否认气候变化的政党?”然而,与此同时,特斯拉的使命宣言直接源于应对气候变化?“前总统特朗普表示,他将取消补贴和其他联邦计划,这些计划专门帮助全电动汽车的买家和生产商,但不包括其他汽车制造商。路透社上周报道称,马斯克的政治和两极分化言论“引发了对特斯拉品牌的担忧,特别是在加利福尼亚州等自由州,该州占该公司全球交付量的10%。”。“根据加州新车经销商协会的数据,加州特斯拉的注册量在第二季度降至52211辆。投资者还通过Say Technologies提交了关于特斯拉开发人形机器人的进展的问题,该公司计划将其应用于工厂。马斯克在6月份的年度股东大会上声称,特斯拉的Optimus机器人将成为催化剂,有朝一日将公司的市值提升到天文数字般的25万亿美元。马斯克在会上还称自己“病态乐观”

人形机器人

周一早些时候,马斯克在X上的一篇社交媒体帖子中表示,特斯拉的Optimus人形机器人将“真正有用”,明年将在特斯拉内部使用。他补充道,它们可能“有望”实现更高的产量,并可供“2026年其他公司”使用。4月,马斯克在第一季度电话财报会议上告诉特斯拉股东,Optimus将“在天然工厂进行有限的生产,在今年年底前完成有用的任务”,特斯拉“可能在明年年底前将其对外销售”。在开发人形机器人的科技公司中,特斯拉是后来者。它的Optimus竞争对手包括波士顿动力公司、敏捷机器人公司、Unitree等。Sanctuary、Apptronik、1X、Fourier等机器人公司也在研究模仿人手的灵巧操作硬件。马斯克长期以来一直向投资者承诺,未来的特斯拉产品或服务将很快准备就绪,即使它们不存在于设计概念之外。例如,这位亿万富翁首席执行官在2017年11月的一次活动中推广了下一代Roadster概念,并在2018年6月的一系列推文中再次推广。他当时说,“新特斯拉跑车的SpaceX选项包将包括大约10个无缝排列在汽车周围的小型火箭推进器。”他当时写道,这些发动机将提高速度,“甚至允许特斯拉飞行”。六年后,新款Roadster仍未投入生产,尽管特斯拉已经从想要一辆的客户那里收取了25万美元的定金。在另一个例子中,2015年,马斯克告诉股东,特斯拉汽车将在三年内实现“完全自主”。2016年,马斯克表示,在2017年底之前,特斯拉汽车将能够在不需要任何人为干预的情况下进行越野驾驶。2019年,在与机构投资者的电话会议上,马斯克表示,特斯拉将在2020年拥有100万辆准备好使用自动驾驶出租车的汽车,这将帮助他筹集超过20亿美元的资金每周能够完成100小时的驾驶工作,为车主赚钱。这些事情还没有发生。特斯拉最近对其驾驶员辅助软件进行了重大更改,该软件在美国以Autopilot和FSD-S(全自动驾驶监督)的形式销售,在许多粉丝和车主中获得了兴奋和好评。马斯克和其他高管预计将在周二的电话会议上讨论他们实现这些长期以来的自动驾驶承诺所面临的剩余挑战

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit5j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit5j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit6j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit6j yang lalu

Trading

Spot
活动图片