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
亚马逊在CES期间宣布推出Alexa.com网站,用户可像使用其他AI聊天机器人一样与Alexa交互。经过数月早期体验,Alexa+已获得数千万用户。新网站支持语音和文本交互,需登录使用以确保跨设备功能连续性。76%的Alexa+交互为独特任务,包括智能家居控制和第三方集成。Alexa+兼容七年来的设备,正式版将收费每月20美元或包含在Prime会员中。
SimWorld是由UCSD等多所顶尖院校联合开发的革命性AI仿真平台,基于虚幻引擎5构建了具备真实物理规律的虚拟城市环境。该平台支持无限扩展的程序化世界生成和自然语言交互,让AI智能体能够在复杂环境中学会生存、合作和竞争,为通用人工智能的发展提供了前所未有的训练平台。
AI笔记公司Plaud在CES 2026推出新款可穿戴设备NotePin S,可夹在衣领、戴在手腕或挂在脖子上记录对话。该设备通过蓝牙连接手机,配备双麦克风,录制范围约3米,支持一键高亮标记重要时刻。同时发布的还有Plaud Desktop桌面AI记录工具,可原生捕获线上会议内容,无需机器人加入通话。两款产品将所有笔记、会议和对话整合到统一平台管理。
浙江大学联合华为提出C2DLM,这是一种因果概念引导的扩散语言模型,通过自动提取因果关系并融入注意力机制来增强AI推理能力。相比传统方法,C2DLM在推理任务上平均提升1.31%-12%,训练效率提高3.2倍,为解决语言模型推理能力不足开辟了新路径。