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
穆拉蒂时隔18个月首次接受重大媒体采访,介绍其创立的Thinking Machines Lab正在开发的"交互模型"。该模型能以200毫秒间隔处理音频、文本和视频流,捕捉人类交流中的中断、修正和停顿。她还谈及OpenAI"政变周"经历,强调行业决策权过于集中的担忧,并回应了公司近期研究人员离职问题,表示这是初创实验室的正常波动。
伊尔德兹技术大学团队通过词典手术和离线蒸馏,以不足20美元成本打造出专为土耳其语优化的200M参数句子嵌入模型,在语义相似度任务上超越了参数量更大的原版教师模型。
本期《Quick Charge》播客涵盖多个热点话题:特斯拉疑似试图删除FSD欺诈相关证据以规避巨额赔付;卡特彼勒持续推进建筑领域电气化布局;住宅太阳能30%税收抵免即将到期。此外,嘉宾Tom Pacheco就高压系统与电池技术培训展开探讨,强调电动车技术人才培养的紧迫性。节目同时提醒有意安装太阳能的用户尽快行动,可通过EnergySage平台比较多家安装商报价。
LongLive-RAG由英伟达、USC与MIT联合提出,通过让AI检索自身生成的历史视频片段作为参考,解决长视频生成中的角色漂移和画面不一致问题。