突发!AMD大爆雷! 
	
                    
                     AMD发言人表示,“为了将我们的资源匹配在我们最大的增长机会上,我们将采取一系列有针对性的措施,其中包含全球员工人数减少约4%。中国区受影响的员工占比与全球一致。” 
                    
                         
11月13日,据最新消息,AMD宣布全球裁员,以优化资源配置,应对市场变化,此次裁员规模约占其全球员工总数的4%,约1000人。
据悉,此次裁员行动紧随AMD主要竞争对手英特尔的大规模裁员,而不同的是,英特尔近两个季度中出现了连续亏损,面临盈利压力,而AMD则相对保持了盈利能力。不过,有被裁员工透露获得了可观的遣散费,稍感慰藉。
AMD发言人表示,“为了将我们的资源匹配在我们最大的增长机会上,我们将采取一系列有针对性的措施,其中包含全球员工人数减少约4%。中国区受影响的员工占比与全球一致。”
“我们仍将在关键岗位上继续招聘,以满足我们最大的战略增长机遇的需求。我们承诺尊重受影响的员工并帮助他们度过过渡期。”
随着三季度业绩表现参差不齐,AMD的裁员行动已成为现实。根据公司官方和网络论坛上的多条帖子,AMD正在全球范围内裁减员工。据消息称,此次裁员涉及约1000名员工。
AMD的财报显示,第三季度净利润为7.71亿美元,每股收益0.47美元,上年同期实现净利润2.99亿美元,每股收益0.18美元。除去一次性支出,AMD第三季度每股收益3美分。第三季度AMD营收为14.3亿美元,同比下降2%。
AMD预计,今年第四季度营收将比第三季度大幅下降13%(+3%/-3%),也就是营收额预计约为12.44亿美元。此前分析师预计,第四季度AMD第三季度营收为14.7亿美元,第四季度营收为14.8亿美元。
 
                     
		     
                   
                  
                   
				
				
0赞好文章,需要你的鼓励
 
                
                
                  
                    
                    推荐文章
                   
                  
                    			
                
			    
			    		
                    
                    
                    亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
                    
                  
                 
			  			
                
			    
			    		
                    
                    
                    Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
                    
                  
                 
			  			
                
			    
			    		
                    
                    
                    当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
                    
                  
                 
			  			
                
			    
			    		
                    
                    
                    卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。