IBM近日公布了第一财季财报,利润超出预期,收入略低于预期。

IBM提及了Red Hat混合云和AI这两个战略业务领域实现两位数的收入增长,同时表示,全球企业对AI的需求使得他们对IBM软件和咨询业务都有巨大的潜在上升空间。该季度Red Hat的收入同比增长11%,数据和AI收入同比增长10%。
该季度总收入较去年同期下降0.4%,至154.7亿美元,低于市场普遍预期的155.8亿美元。然而,每股收益2.18美元超出了分析师预期的2.01美元,但低于去年同期的每股收益2.31美元。
该季度IBM的毛利率为54.9%,同比增长1.6%;营业利润率增长1.4%,达到55.9%。IBM高管们重申,今年预期收入增长在3%至5%之间,并称这两个指标是2023年的关键绩效指标。
财报发布后,IBM股价在盘后交易中下跌略高于1%。
“扎实的执行力”
IBM公司首席执行官Arvind Krishna(如图)表示:“我们AI和混合云战略持续扎实的执行力,使得我们对实现全年自由现金流和收入预期充满信心。”
IBM报告称,按固定汇率计算,该季度软件收入增长了8%,其中咨询收入增长了6%,基础设施收入下降了14%。IBM公司首席财务官James Kavanaugh表示:“我们的基础运营产品业绩表现良好。”
他表示,尽管基础设施收入下降了14%,与正常的大型机产品周期一致,但IBM看到在线交易处理市场展现出异常的弹性。他说:“我们在2022年看到OLTP出现拐点性的转变,我们有广泛的机会基础来获得这些收入。”
Constellation Research首席分析师Holger Mueller表示:“IBM正面临着经济放缓和货币汇率发展挑战的双重不利因素。但好消息是,Red Hat保持了11%的增长,另一方面数据和AI产品组合的强劲势头也给IBM带来了增长。”
Pundit-IT首席分析师Charles King也认为IBM的战略产品表现不错。他说:“Red Hat继续提供软件产品,也是IBM混合云战略和解决方案的核心,最好的消息是IBM的大型企业和小型企业客户咨询签约量同比增长了24%。”
生成式AI带来的机会
IBM高管表示,市场对生成式AI的兴趣,对于IBM来说是重大利好。Krishna表示,他“非常兴奋地”看到市场对5月份IBM推出的WatsonX的最初反应。WatsonX是一款旨在帮助企业更轻松地构建和部署AI模型的产品套件。
Krishna把WatsonX比作Red Hat的OpenShift,后者是在2019年首次推出的,每年收入大约翻一番。他说:“OpenShift的年化运行率量是11亿美元,它让你感受到我们对这些AI项目有多兴奋。”
分析师King对此表示认同,他表示,有超过150家客户参与了WatsonX平台的开发,并“表明对企业级生成式AI解决方案的需求将会十分强劲。”
尽管Watson AI平台自《危险边缘》中获胜以来,市场表现并不理想。十多年前,IBM很大程度上可以被视为AI市场的领导者,“该公司已经系统地解决了阻碍新AI平台的大多数严重问题。”
他特别指出了IBM在开发大型语言模型工具和数据集、解决数据隐私和安全问题、以及建立一套AI开发中遵循的道德标准方面所做的工作。他说:“IBM在AI方面所做的努力,特别是在生成充满错误的报告和学期论文方面可能并不为人所知,但IBM正在稳步添加支持AI的特性和功能,显着改进企业客户所依赖的应用和解决方案的性能。”
Krishna表示,全球对AI的兴趣十分浓厚,其中北美、西欧和南美部分地区处于领先地位。“AI的用例包括IT运营、改进自动化、客户服务、增强人力资源、预测性维护、合规性监控、安全、销售、管理和供应链等。就像我们围绕Red Hat打造了规模数十亿美金的咨询业务一样,我们也会对AI采取同样的策略。”
好文章,需要你的鼓励
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
微软正式确认配置管理器将转为年度发布模式,并将Intune作为主要创新重点。该变化将于2026年秋季生效,在此之前还有几个版本发布。微软表示此举是为了与Windows客户端安全和稳定性节奏保持一致,优先确保安全可靠的用户体验。配置管理器将专注于安全性、稳定性和长期支持,而所有新功能创新都将在云端的Intune中进行。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。