至顶网服务器频道 05月23日 新闻消息(文/李祥敬):HPE最糟糕的日子已经过去,比这更乐观的是,从第一季度开始在新任首席执行官Antonio Neri的带领下,HPE的表现超出了分析师此前的预期和它自己的收入指引,同时也提高了全年的收入预期。
第二财季HPE的收入同比增长10%,至75亿美元,经汇率波动调整后为增长6%。净收入7.78亿美元,合每股34美分,相比去年翻了一倍,超过分析师此前预期的31美分。调整后的收入增幅为6.4%,在经历了连续三个季度下降后实现连续第四个季度收入增长。
有一个重要的数据点值得注意,那就是HPE的混合IT产品组合——占总收入95%以上——营业利润率的增长达到10.3%,比上一年增加2个点。Neri表示,在对盈利能力不强、利润率低的业务进行一系列重大剥离之后,HPE的盈利能力正在“从数量转向价值”。
HPE将第三季度盈利预测提高至每股35至39美分,全年预估为每股1.40至1.50美元,高于先前的1.35美元。Neri表示,HPE从该季度货币汇率的利好中得到了显著的提振,但这种情况不太可能持续下去。不过他表示:“我有信心我们将实现18财年的展望。”
投资者对这一消息表示赞赏,在道琼斯工业平均指数下跌近180点之后,惠普股价在盘后交易中增长了0.4%。
HPE已连续四个季度实现收入增长,似乎已经完成了痛苦的为期两年的裁员和剥离流程。 Moor Insights&Strategy总裁兼首席分析师Patrick Moorhead说:“这不是异常情况;看起来HPE正试图以混合IT和智能优势一举两得。HPE展现了在可组合基础设施、边缘计算、以及用于移动部署的边缘无线网络方面的领先优势。”
HPE的计算收入增长6%,存储收入增长24%,数据中心网络销售增长2%。存储增长主要得益于去年收购的Nimble Storage,但有机的增长仍然很可观,达到14%。全闪存阵列增长了20%。
HPE首席财务官Tim Stonesifer表示:“存储市场整体仍然竞争激烈,但我们目前所处的竞争位置是很有利的。”他表示,预计HPE在第三季度将至少增加0.5%的市场份额,这将是HPE连续第10个季度在存储市场获得份额。
HPE的Pointnext服务业务是少数令人失望的业务之一,销售额仅增长1%,达到18.5亿美元,如果以汇率波动计算的话则是下滑。Stonesifer将这一结果归结于汇率问题和Pointnext合约的长期性质。Neri补充说,收入数字低估了服务业务通过推动高利润率产品销售而提供的杠杆率。“我们的服务业务主要的收入来源,”他说。
HPE刚刚起步的Intelligent Edge业务(用于连接分布式网络中端点设备)增长了17%,达7.1亿美元。Aruba网络业务也是一个亮点,收入增长了18%。Neri表示,本月HPE刚刚收购了软件定义网络初创公司Plexxi,因此对超融合服务器产品线有很高的期望。
HPE控制成本措施的成效体现在整体成本和管理成本方面,略低于去年同期。现金流减少,但Stonesifer表示,预计HPE全年现金流将实现今年年初制定的10亿美元目标。美国以外的销售额尤其强劲,欧洲/中东/非洲增长18%,亚太地区增长11%。美洲地区的销售额仅增长2%。
HPE正处于所谓HPE Next的运营模式变革中,这一变革旨在简化运营、减少管理开销并简化其产品组合。Neri从一开始就倡导的这个项目“减少了管理层次,大大减少了平台的数量,从26个减少到7个,并将更多的决策提升到前线”。他估计HPE Next计划仅在第一季度就节省了2.5亿美元。
Neri说:“我们有很大的机会通过简化操作来改善我们的成本结构和增长。我们会尽一切努力实现自动化。”
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。