希捷硬盘销量暴涨,云巨头抢购HAMR硬盘推动利润激增

希捷HAMR硬盘推动云存储增长

硬盘制造巨头希捷公司业绩强劲增长,营收同比增长21%至26.3亿美元,GAAP利润达到5.49亿美元,同比增长80%。供应受限的硬盘遇上了AI驱动的强劲需求,推动价格上涨。公司表示,全球云客户正在推动近线硬盘需求,基于订单生产的合约,整体产量已基本承诺到2026年。

希捷董事长兼首席执行官戴夫·莫斯利表示:"在对持续需求强度有明确预见的情况下,我们正在增加面密度领先的Mozaic HAMR产品的出货量,这些产品现在已获得全球五大云客户的认证...生成式AI正在改变内容的消费和生成方式,提高了数据和存储的价值,希捷在持续盈利增长方面处于有利地位。"

财务概要

毛利率达到40.1%,高于上季度的37.9%。经营现金流为5.32亿美元,高于上季度的5.08亿美元。自由现金流为4.27亿美元,高于上季度的4.25亿美元。现金及现金等价物为11亿美元,较上季度增长25%。总债务为49.94亿美元,与上季度的49.95亿美元基本持平。摊薄每股收益为2.61美元,高于上季度的2.59美元。

希捷指出,AI推理正在提升对高容量近线硬盘的需求,用于存储、监控、验证数据并将其重新整合到无限训练循环中。近线硬盘的平均容量同比增长26%,因为客户转向更高容量的硬盘以支持不断增长的存储需求。全球云客户推动了需求强度,基于订单生产的合约,整体近线生产已基本承诺到2026年。希捷数据中心收入同比增长34%至21亿美元,占总收入的80%。

本季度该公司出货了超过100万块Mozaic HAMR硬盘。当前一代Mozaic 3+硬盘(3TB/盘片)预计到2026年中期将获得其余几家主要全球云服务提供商的认证。

韦德布什分析师马特·布赖森认为,这意味着"约15%的近线硬盘单位和接近20%的近线EB容量基于HAMR技术"。他补充说:"管理层还表示,其初始客户(我们认为代表了上季度出货量的大部分)在采购中获得折扣,这种折扣会随时间消散。"

Mozaic 4+ HAMR硬盘(4TB/盘片)正在与第二家全球云服务提供商进行认证,预计初始批量生产将在2026财年下半年开始。这个硬盘平台将支持容量高达44TB的云工作负载和用于边缘工作负载的较少盘片低容量硬盘。

下季度收入预期将上升至27亿美元±1亿美元,同比增长16%。这是基于截至2025年10月28日公布的关税政策,对前景的直接影响微乎其微。

布赖森指出,希捷认为在未来4个季度内,硬盘供应没有机会满足客户需求。制造产能不足以满足当前需求,更不用说不断增长的未来需求。希捷不打算增加制造产能,将"通过面密度提升来满足未来的EB级需求"。这应该会保持高价格,因为"在可预见的未来,供应将滞后于需求"。

Q&A

Q1:什么是HAMR技术?它为什么这么重要?

A:HAMR(热辅助磁记录)是希捷的先进硬盘技术,能够显著提高硬盘的存储密度。当前的Mozaic 3+硬盘达到3TB/盘片,而新一代Mozaic 4+将达到4TB/盘片,这种技术让硬盘容量大幅提升,满足AI和云计算日益增长的存储需求。

Q2:希捷为什么不增加产能来满足需求?

A:希捷选择通过提高硬盘面密度而非增加制造产能来满足未来需求。公司认为当前制造产能已无法满足现有需求,而通过技术创新提升单个硬盘容量是更有效的解决方案,这也有助于维持较高的产品价格。

Q3:AI对硬盘市场产生了什么影响?

A:生成式AI推动了对高容量存储的巨大需求,特别是用于数据存储、监控、验证和训练模型的近线硬盘。AI推理过程需要将数据重新整合到无限训练循环中,这使得高容量硬盘需求激增,推动了希捷等厂商的业绩增长。


基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值