惠普企业(HPE)今日发布的第三季度财报超出华尔街预期,尽管当前季度营收指引略显不足,但股价仍小幅上涨。
这家计算机服务器和网络设备公司报告,扣除股票薪酬等特定成本后,每股收益44美分,营收91.4亿美元,销售额同比增长19%。这一业绩表现超出预期,分析师此前预计每股收益41美分,营收88.4亿美元。
强劲的业绩提升了HPE的盈利能力,公司本季度净收入2.76亿美元,扭转了去年同期10.7亿美元的亏损局面。HPE总裁兼首席执行官Antonio Neri表示,盈利能力的改善得益于创纪录的季度营收。"客户需求广泛覆盖我们的产品组合,在服务器和网络部门表现尤为强劲,"他说。
HPE营收的主要来源是服务器业务,该部门因配备图形处理单元、能够处理大语言模型的人工智能服务器需求旺盛而享有强劲增长势头。该部门本季度营收49.4亿美元,同比增长16%,远超华尔街预期的47.2亿美元。
本季度,HPE实现了一个重要里程碑——最终完成了对Juniper Networks公司耗时良久的140亿美元收购交易。这项交易代表着美国第二大和第三大无线网络提供商的合并,分析师认为这将使新合并的公司在与市场领导者思科系统公司的竞争中处于更有利的地位。
随着收购完成,HPE将其"智能边缘"业务部门重新命名为网络业务,这也是本季度表现最佳的部门,营收同比增长54%,达到17亿美元。由于合并了Juniper公司7月2日至7月31日期间的财务业绩,这一数字得到提升。
HPE的其他两个业务部门表现相对温和但仍实现增长。混合云营收15亿美元,同比增长12%;规模较小的金融服务部门销售额8.86亿美元,同比仅增长1%。
考虑到当前美国总统特朗普不断变化的关税政策仍存在大量不确定性和投机因素,可能对HPE业务产生不利影响,这些业绩表现更加令人印象深刻。目前,由于正在进行的第232条款对半导体等电子产品的调查,一些技术硬件产品暂时免于最严厉的关税。据报道,政府正在调查某些产品的进口是否可能威胁国家安全。
在与分析师的电话会议中,Neri表示他认为这些调查的解决还需要一段时间。"就下个季度而言,实际上是接下来的两个月,我们预计不会有任何影响,"他告诉分析师。
尽管如此,HPE对当前季度的指引喜忧参半。公司预计每股收益在56-60美分之间,高于华尔街预期的56美分,但在营收方面,目标为97-101亿美元,低于分析师预期的101.1亿美元。
对于全年,公司将每股收益指引上调至1.88-1.92美元,高于此前预测的1.78-1.90美元。在营收方面,预计增长14%-16%,高于此前7%-9%的范围。变化的原因很简单。"我们上调指引是因为我们正在将Juniper的业绩合并到我们的数字中,"Neri解释道。
HPE股价最初下跌2%,但随后扭转趋势,在盘后交易中上涨略超1%。年初至今,该股累计上涨略超7%,落后于涨幅超过9%的标准普尔500指数。
Q&A
Q1:HPE第三季度业绩表现如何?
A:HPE第三季度表现超出预期,每股收益44美分,营收91.4亿美元,销售额同比增长19%。净收入2.76亿美元,扭转了去年同期10.7亿美元的亏损局面。
Q2:HPE哪个业务部门表现最好?
A:网络业务部门表现最佳,营收同比增长54%达到17亿美元。服务器业务也表现强劲,营收49.4亿美元,同比增长16%,主要得益于AI服务器需求旺盛。
Q3:HPE收购Juniper Networks有什么意义?
A:这是一项140亿美元的收购交易,代表美国第二大和第三大无线网络提供商的合并。分析师认为这将使合并后的公司在与市场领导者思科的竞争中处于更有利地位。
好文章,需要你的鼓励
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。