IBM领导层强调了AI在大型机领域的未来前景,生成式AI技术正在填补早期技术人员留下的COBOL编程语言空白。
IBM董事长、总裁兼首席执行官阿文德·克里希纳在公司发布年度业绩时发表了上述观点,数据显示大型机销售出现大幅增长。
财务业绩表现强劲
蓝色巨人第四季度持续经营业务收入达197亿美元,同比增长12%,净利润56亿美元,增幅高达91%。全年收入增长8%至675亿美元,净利润跃升76%至106亿美元。
在向分析师汇报业绩时,AI技术成为重点话题。克里希纳表示:"我们累计的生成式AI业务订单现已超过125亿美元,其中软件业务超过20亿美元,咨询业务超过105亿美元,两项业务均实现了迄今为止最大的季度增幅。"
他指出,这项技术同样成为公司内部"强大的生产力驱动器"。"2023年,我们设定了到2024年底实现20亿美元生产力节约的目标。现在我们远超预期,到2025年底年化节约额将达45亿美元。"
基础设施业务领跑增长
最强劲的增长来自IBM基础设施业务,全年收入增长12%,第四季度增长21%。软件业务全年增长11%,第四季度增长14%。咨询业务相对滞后,全年增长2%,第四季度增长3%,按固定汇率计算分别为持平和增长1%。
基础设施业务的增长主要得益于IBM z17系列大型机的推出。克里希纳在准备好的发言中说:"创新价值在IBM Z的表现中得到体现,今年增长48%,实现了约20年来IBM Z的最高年收入。"
首席财务官詹姆斯·卡瓦诺提到"z17创纪录的发布,实现了约20年来IBM Z的最高年收入,在项目的前三个季度表现超过了z16"。
AI技术推动大型机现代化
克里希纳表示,这不仅仅是传统系统替换的问题。他说主权问题是关键因素,"越来越多的客户意识到,对于某些工作负载,大型机实际上是单位成本最低的经济平台,这非常重要"。
同时,他表示生成式AI使大型机更易于利用和现代化。"我们通过Watson Code Assistant for Z提供的生成式AI工具真正解决了这个负担。它可以将COBOL重构为Java...如果你想保持代码原样,它可以帮你重构代码。"
他补充道:"我对我们在线执行AI的能力感到非常兴奋。如果你能与交易内联执行,延迟只有毫秒级,而不是像人们迄今为止采用的脱机方式那样需要数秒。"
市场挑战与展望
虽然大型机将成为AI未来的一部分,但一些传统问题仍将持续存在。当被问及AI和HBM推动的DRAM价格上涨是否成问题时,克里希纳说:"我个人认为,只要这种动态存在,这些定价问题就会持续一整年。"
他补充道:"没有AI服务器不需要大量CPU相配套。现实情况是,AI需求也推动了对普通服务器的需求,这些服务器反过来为AI服务器提供支持和负载。"
Q&A
Q1:IBM z17大型机销售表现如何?
A:IBM z17系列大型机创下纪录性发布成绩,实现了约20年来IBM Z业务的最高年收入,全年增长48%,在项目前三个季度的表现超过了前代z16系列。
Q2:生成式AI如何帮助大型机现代化?
A:生成式AI通过Watson Code Assistant for Z等工具,可以将COBOL代码重构为Java,帮助企业modernize legacy代码。同时支持与交易内联执行AI,延迟仅为毫秒级,比脱机方式快数倍。
Q3:IBM的生成式AI业务规模有多大?
A:IBM累计生成式AI业务订单已超过125亿美元,其中软件业务超过20亿美元,咨询业务超过105亿美元,两项业务均实现了迄今最大的季度增幅。
好文章,需要你的鼓励
Finastra最新研究显示,99%的英国金融服务公司已采用人工智能技术,AI已成为金融业的"连接纽带"。该技术不再局限于后台自动化,而是推动实时欺诈检测、个性化产品推荐和智能承保等创新应用。AI投资间接促使银行增加其他技术投入,安全支出预计2026年平均增长40%。九成公司计划投资技术现代化以支持AI扩展,云技术采用成为重点。
亚马逊FAR部门研究团队通过创新的"掩码比特建模"技术,突破了图像生成领域的传统认知。研究发现离散方法劣势源于信息容量不足而非技术路线缺陷,提出的BAR框架通过渐进式比特预测解决大词汇表计算难题,在ImageNet-256上创下0.99 gFID新纪录,同时实现数十倍的速度提升,为AI图像生成开启质量与效率并举的新时代。
HPE公司宣布其将为2026年米兰-科尔蒂纳冬奥会提供网络基础设施,这是HPE与其收购的Juniper Networks首次在重大赛事中联合部署技术服务。本届冬奥会覆盖超过2.2万平方公里,是史上地理分布最广的奥运会,拥有40多个场馆。HPE部署了包括4900多个接入点、1500多台交换机等设备,运用AI原生的HPE Mist平台和Marvis Copilot提供智能网络管理,确保为3000名运动员、媒体转播商和观众提供奥运级别的网络稳定性和安全性。
北京大学与美团联合研究团队提出轮廓引导路径探索(OPE)方法,解决AI并行推理中的"互信息饱和"问题。通过先生成多样化策略轮廓再执行具体推理,避免多条思路重复收敛的困境。在数学推理测试中,该方法显著提升了复杂问题的解决成功率,为AI推理能力的可靠性提升提供了新的技术路径。