IBM今天公布财报结果显示,第一季度净收入超出此前预期,但季度收入下滑幅度大于预期令投资者感到失望,导致股价在盘后交易中下跌超过3%。
IBM将这归咎于亚太地区的决策延迟,从而不再重点谈及增长,而是转向关注盈利指标。此外,IBM在全年指引方面保持着每股13.90美元的水平。
IBM首席财务官James Kavanaugh表示,IBM这个季度表现“强劲”,但他也承认存在一些失误。
“该季度我们有很好的通路,而且根据客户的采购决策我们没有执行。不过我们有一个不错的开端,让我们有信心保持预期指引的水平。”IBM对Red Hat的收购有望在第二季度完成,但这部分并不包括在全年指引中。
该季度,IBM调整后季度收益为每股2.25美元,略高于此前预期的2.22美元。收入同比减少5%至181.8亿美元,低于市场预期的184.7亿美元。
IBM几乎每个主要的业务板块都在下滑或者几乎没有增长,包括认知解决方案(按固定汇率计算增长2%)、全球商业服务(增长4%)、全球技术服务(下滑3%)和系统业务(下滑9%),唯一的例外是云平台业务,虽然IBM拒绝提供这部分业务的季度数据,但透露称,云业务现在年收入规模约为195亿美元,在过去12个月中增长了10%。
尽管这一增幅仍然落后于一些最大型的公有云厂商,但195亿美元的数字“与Ginni Rometty担任IBM首席执行官时云业务在IBM所有收入中所占的4%的份额相比,还是有很大变化的,” Pund-IT总裁兼首席执行官Charles King这样表示。
IBM很久以前就不再试图在公有云市场中取胜,而是把精力集中在混合云、多云以及大约80%尚未转向云的企业工作负载。King表示:“IBM拥有比许多竞争对手更丰富的经验和更深度的多云产品。”
Z系列大型机产品线收入下滑38%显然给IBM的系统收入带来了一定的影响,而且该系列产品已经接近两年的产品周期。这部分下滑一定程度上被IBM Power系统产品线连续第六个季度的增长抵消了,但IBM没有提供这方面的更多细节。
IBM在经历了两年多连续几个季度下滑之后连续三个季度收入增长,而这次收入再次下滑,不过IBM并没有一味追求延续高增长的神话。Kavanaugh表示:“我们围绕毛利、利润和现金对业务进行管理。”
在这方面,IBM基本上是符合预期的。毛利率增长了1%,其中GBS作为IBM利润率最低的业务,其利润率增长了2.8%,税前营业利润率增长了3.2%。
Kavanaugh说:“这是多年来我们实现的最强劲的毛利率。我们的基础业务模式在关键高价值领域增长方面发挥着作用,无论是云、安全、数字还是数据/人工智能,而且我们还有强大的运营杠杆。”
IBM此前一直低估了低利润和原始设备制造商业务,而更青睐于那些更有利可图的业务。 Kavanaugh表示,IBM将加大对服务业务的投入,特别是GTS,这部分涉及90%的企业合同。
尽管季度数据不尽如人意,但IBM表示其服务通路是不错的。“IBM尚未完成交付的服务达到1120亿美元,其中超过30%是云计算相关的,对未来来说这是一个好兆头。”
与此前公布的收益报告相比,IBM显然没有将所谓“战略紧迫性”业务或者预计将重塑IBM的高增长业务纳入财报中。Kavanaugh说,分拆出这些数据没有什么必要,因为这已经占到了IBM 2018年收入的一半以上。“我们从投资者那里得到的反馈是,战略紧迫性业务的衡量标准得到了认可。”
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。