IBM今天发布第四季度财报,结果超出分析师的预期水平,该季度每股收益为2.07美元,高于预期的1.79美元,但是增长仍然难以实现。
该季度IBM的收入较去年同期下降6.5%,至203.7亿美元,比市场普遍预期的206.3亿美元低约1.3%。
IBM承诺,将在宏观经济环境不确定性继续增加、公司重点投入混合云和人工智能的背景之下,在2021年恢复“个位数”增幅。IBM首席执行官Arvind Krishna表示:“我们将重新定义IBM作为一家AI平台和混合云公司的未来,这将是重点投入的领域。”
但是这些承诺显然并不足以让投资者们满意,IBM股价在早盘交易中下跌了近7%。
IBM表示,目前分拆价值190亿美元的管理基础设施服务业务的计划正在有序进行,预计于今年年底完成,但仍有一些分析师担心,大规模资产剥离的准备工作将会让IBM对于那些更为紧迫的业务有些分心。
不过Krishna表示,真正的问题在于不确定的商业环境,而且今年第四季度和去年同期不适合进行对比的。IBM首席财务官Jim Kavanaugh指出,该季度尽管营收下滑了,但成本削减提升了每股收益。
他还指出,IBM在偿还债务方面取得了良好的进展,已经将负债从18个月前收购Red Hat最高的730亿美元减少到年底的614亿美元。他说,全年的自由现金流为110亿美元,目前IBM投资状况良好,在可预见的未来自由现金流预计将保持强劲。
防御策略
在IBM财报电话会上,Sanford C. Bernstein分析师Toni Sacconaghi指出IBM从第三季度到第四季度的28亿美元收入增长低于其历史平均水平35亿美元时,Kavanaugh和Krishna对此采取了防御式的反问,“你怎么知道这期间没有更险恶的事情发生?”,并且说,“你没有亲身参与云迁移,或者你的软件产品没有你想像的那么有竞争力。”
Kavanaugh则把问题归咎于软件产品组合,他说2019年第四季度软件收入中的企业许可协议收入增长了10%,交易量增长了30%,结果就是2020年陷入“低谷”。
他说:“我们的销量几乎达到了我们预期。”收入数字掩盖了低迷的业绩,该季度软件更新收入为170亿美元。他说:“我们的软件业务更新率是10年来最高的。”
他还对大家关于IBM在云计算领域不占优势的说法进行了反驳:“我们正在利用向云转移这一趋势。我们的云业务规模达到250亿美元,增幅为20%。但是由于各种不确定性,软件业务的情况是客户不愿意签长期的交易合同。”
Krishna在他的总结中强调了该季度积极的一面:目前有近2800家客户正在使用IBM云平台,比上年增加40%。IBM新推出的电信云是IBM第二个针对特定行业的云产品,自11月推出以来已经新增了35家合作伙伴,但是他没有提供收入或者客户的相关详细信息。
IBM的人工智能平台拥有30,000多家客户,自10月以来已经完成了七次收购,预计到2023年将建立一个至少包含1000量子比特的量子计算平台。
红帽助推IBM增长
Krishna表示,混合云代表着“1万亿美元的市场机会,现在只有不到25%的工作负载迁移到了混合云”。他说,IBM对红帽的收购正在带来回报, 2020年增幅将达到18%。
Moor Insights&Strategy总裁Patrick Moorhead表示:“我对红帽的表现印象深刻,大宗交易的预订量增长了45%,交叉销售和未完成的订单都有所增加。这正是你想要实现增长的来源,因为Red Hat决定了IBM的未来。”
Forrester分析师Ted Schadler表示:“红帽的增长表明,Arvind做出的一项重大赌注没有偏离轨道,收入增长和利润率增长的趋势非常清晰。”
从产品类别来看,占IBM收入一半以上的服务业务部门季度表现不佳,全球业务服务收入下降2.7%至42亿美元,全球技术服务收入下降5.5%至66亿美元。
Krishna向分析师保证这部分业务即将迎来增长。他说:“GBS将于年中恢复到疫情前的水平,预计这一趋势将加速到2022年。”他说,IBM在与独立软件供应商如Salesforce、Adobe和Workday建立合作伙伴关系生态系统,这项投入“将推动我们的许多服务业务”。
该季度IBM云收入总和为75亿美元,剔除已剥离的业务和货币汇率后,增幅为8%。包括红帽、认知应用和交易处理平台在内的云与认知软件部门收入下降了4.5%,至68亿美元,这主要是受到了大型机销售下滑24%的拖累。云与数据平台业务增长了9%,其中红帽占据主导,而认知应用销售表现平平,IBM需要在数据分析市场实现增长继续努力了。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。