IBM近日发布第一季度财报,收入略低于预期水平,但强劲的盈利结果和突出的软件业务表现,推动其股价在盘后交易中上涨近2%。
IBM重申,全年收入增长预期在3%至5%之间,同时警告称,咨询业务可能存在一些疲软。按固定汇率计算,IBM收入较上年同期增长4.4%,达到142.5亿美元,但比华尔街的普遍预期低约1亿美元。不过IBM表示,美元强势使得调整后的收入减少了10亿多美元。
IBM调整后的每股收益为1.36美元,高于市场普遍预期的每股1.26美元,自由现金流为13亿美元,远高于市场普遍预期的8.7亿美元。
IBM的软件收入小幅增长1.6%,达到59亿美元,Red Hat实现了8%的强劲增长。经汇率调整后,咨询业务收入增长8.2%,达到50亿美元,增长8.2%。所有这些数字都符合预期水平。
受去年推出新一代大型计算机的影响,IBM的基础设施业务(包括大型计算机)的收入为31亿美元,略低于预期水平。
增长和现金流

IBM公司首席执行官Arvind Krishna(如图)表示:“今年我们开局良好,以固定汇率计算收入实现中个位数的增长,这符合我们的中期模型和自由现金流的增长。随着客户继续加速他们的数字化转型、现代化应用、工作流程自动化、以及创建灵活和安全的混合云环境,IBM软件业务和咨询业务表现最为突出。”他重申,收入和现金流增长是IBM今年接下来的首要任务。
令投资者感到鼓舞的是,IBM坚持全年预测,同时警告说支出环境仍然是不可预测的。
Pund-IT分析师Charles King表示:“IBM的预期可以说是一种谨慎乐观情绪,考虑到它所面临的全球经济环境比美国更不稳定,这似乎是完全明智的。但这也证明了IBM和其他一些以企业基础设施为重点的厂商,避过了很多消费产品厂商正在遭受的痛苦。”
咨询业务放缓
然而,Constellation Research首席分析师Holger Mueller指出,IBM的整体增长低于通货膨胀率,“因此IBM以实际美元计算不可避免地会缩水。”Krishna警告说,咨询业务可能正出现一些疲软,他指出,IBM对于利润增长的关注,从长期来说对于保留咨询业务可能是不利的。”
“软件毛利润接近80%,基础设施毛利润接近52%,金融业务毛利润接近44%,问题是:IBM将会保留咨询服务[及其25%的利润率]多长时间?”
在早些时候接受《巴伦周刊》采访时,Krishna承认:“北美咨询业务的放缓程度,比我六个月前预想的要慢一些。”不过他表示,IBM专注于AI在客户服务、数字工作者、IT运营和网络安全等行业的垂直市场应用,这需要密切地接触客户。
Krishna说,IBM凭借Watson问答计算机成为AI领域的先去,AI也将是IBM未来的一大重点。他说:“到2030 年,AI预计将为全球经济增加16万亿美元,与传统数据处理项目相比,早期客户参与转化为价值的时间要加快70%。”
基础设施业务增长放缓
IBM z Systems大型机产品线的收入按照固定汇率计算增长了11%,而分布式基础设施业务的销售额持平。IBM公司首席财务官James Kavanaugh表示,预计全年基础设施收入将随着一款产品的终结而出现下降,不过他指出,IBM z15大型机销售的计算能力是上一代z14的2倍。
Pund-IT分析师King指出,IBM决定放弃一些低利润业务并专注于企业销售,这有助于公司免受整体科技行业低迷的影响。
他说:“大型组织有能力投资于他们认为可以帮助他们改进或成长的解决方案和服务,IBM专注于增强和加强核心流程,包括高级分析、业务转型、安全和运营,这使IBM成为一家值得信赖的合作伙伴。”这反过来也帮助IBM避免了一些更以消费者为中心的科技公司经历过的、痛苦的“连续裁员”。
好文章,需要你的鼓励
Uber年度失物报告首次纳入无人驾驶出租车数据。过去一年,乘客在Uber平台的机器人出租车中遗留了数千件物品,包括手机、钥匙、钱包等常见物品,以及假牙、15磅溜溜球等奇特物件。乘客可通过App联系客服找回失物,支付15美元即可享受同城配送,或前往车辆停放站自取。Uber表示,将依托现有运营体系为自动驾驶业务提供全面支持,计划2025年底前在全球15座城市开通无人驾驶打车服务。
TREK方法通过引入外部验证解法对AI进行短期校准,解决了GRPO训练在困难题目上因无法探索正确解法区域而陷入瓶颈的问题,在数学推理和智能体任务上均取得明显提升。
Uber周三发布了一款基于现代Ioniq 5改装的数据采集原型车,搭载14个摄像头、8个固态激光雷达和9个雷达,通过英伟达双驱Thor计算机处理数据。Uber计划今年在全球部署500辆此类车辆,每月可采集200万英里高保真驾驶数据,供Avride、Waymo、WeRide等30余家自动驾驶合作伙伴使用。这是Uber自2020年出售自动驾驶部门以来首次自主组装车辆,也是其AV Labs部门的重要进展。
SkillOpt-Lite通过将智能体技能优化形式化为零阶优化问题,提出极简流水线:把执行轨迹存为文本文件,让AI直接用文件系统工具翻日志、找规律、改技能,配合独立验证门控,比复杂的多智能体优化框架跑得更快效果更好,并自然延伸至执行框架自动优化(HarnessOpt),使轻量模型能够超越大模型。