IBM今天发布的第四季度财报和2019年指引均超出了分析师预期,尽管连续两个季度收入下滑,但IBM股价在投资者推动下仍然有所上涨。
根据IBM财报显示,在如股票报酬等某些成本之前的收益为每股4.87美元,收入为218亿美元,这与去年同期相比下降了3%,但IBM首席财务官James Kavanaugh将其归因于货币转移,以及与去年IBM大型机表现特别突出的那个季度进行对比等原因。
尽管如此,这一结果仍然超过了华尔街此前预期的每股盈利4.84美元,收入217.5亿美元。
IBM的全年表现也超出了预期,2018年每股总收益达到13.81美元,收入为796亿美元。这比上一年增加了1%。分析师早些时候预期IBM今年每股收益为13.78美元。
股东们也给出了热情洋溢的回应,IBM股价在盘后交易中上涨了7%多。
市场研究公司Wikibon联合创始人兼首席分析师Dave Vellante表示:“IBM试图超出预期表现,这在很大程度上要归功于传统的可靠服务业务和管理华尔街的期望。此外IBM还以股息和股票回购的形式将85%的自由现金流返还给投资者,这些都起到了帮助作用。”
IBM首席执行官Ginni Rometty在声明中表示,恢复全年收入增长反映了“市场对我们在混合云、人工智能、分析和安全领域的服务和领先解决方案的需求还在不断增长”。
IBM高管们进一步强调了今年IBM业绩的积极方面,指出收入中有398亿美元(几乎是其总收入的一半)来自所谓的“战略项目”包括分析、云、移动和社交。
这个数字令人印象深刻,但一些分析师提出了对IBM云业务增长的担忧。今年IBM的云计算收入为192亿美元,比2017年增长12%。然而,这仅仅是上一年增长率的一半,远远低于市场领导者AWS、微软和谷歌。
尽管Kavanaugh在财报电话会上正面地谈及云计算业绩,但他们可能对云计算增长停滞多少感到有些失望。IBM一直在努力推动这项业务,因为IBM希望从人工智能和安全软件等新服务中获取大部分收入,而不是传统的咨询和硬件销售。
Vellante表示:“IBM正在追求高价值的机会,这意味着他们不会在云计算领域与AWS展开正面交锋,而是试图将复杂的高价值工作负载转向云模式,也就是很多混合/内部部署、大量应用现代化、大量服务和一些随售的硬件。”
这个策略在很大程度上解释了为什么IBM去年10月决定以330亿美元重磅收购开源软件公司Red Hat。宣布这一消息的时候Rometty表示,今年晚些时候该交易完成的时候,Red Hat将成为IBM的一个“游戏规则改变者”。
Pund-IT公司首席分析师Charles King表示:“收购Red Hat将会给IBM云业务画上浓墨重彩的一笔。”Red Hate Enterprise Linux在很多大公司的混合云和多云环境中扮演着核心角色,Red Hat的服务产品和结构应该与IBM的产品保持一致。有人可能会说,IBM收购Red Hat的价格太高,但在我看来,这项投资应该能够获得丰厚的回报。”
IBM肯定希望自己的投资能够获得回报,否则就有可能陷入连续季度收入下滑的陷阱。此前IBM的收入连续六年下滑,直到最终在2018年1月扭转了局势。但在连续两个季度实现增长之后,收入又下滑了两个季度。
尽管如此,IBM目前仍然乐观地认为,下滑只是暂时的。目前IBM尚未公布第一季度的指引,但表示,目标是2019年全年每股收益13.90美元,其中不包括预计年中完成的红帽收购所带来的影响。该预期略高于当前分析师预期的每股收益13.79美元。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。