IBM近日公布了稳健的第二季度财务业绩,超出了分析师的预期水平,而这主要得益于IBM的企业客户增加了AI支出。IBM股价在盘后交易中上涨了约3%。
该季度IBM的每股收益(不包括股票薪酬等某些成本)为2.43美元,远高于分析师普遍预期的每股2.20美元。收入增长2%,至157.7亿美元,轻松超过华尔街预期的156.2亿美元。
总体来看,IBM的净利润为18.3亿美元,高于去年同期的15.8亿美元。
IBM公司首席执行官Arvind Krishna(如图)在一份声明中表示,IBM的生成式AI业务已增长至20多亿美元,这得益于一年前推出的Watsonx开发平台。
Krishna表示:“鉴于我们上半年的业绩,我们上调了全年自由现金流预期,目前预计自由现金流将超过120亿美元。”三个月前,在之前的财报电话会议上,IBM预计到今年年底自由现金流将达到120亿美元左右。“我们对技术支出的宏观前景仍然充满信心,”Krishna在电话会议上向分析师这样表示。
近几个月来,IBM一直专注于扩展Watsonx平台,该平台使企业能够构建和部署AI聊天机器人,以及增强其他AI程序的代码。此外,IBM于最近开源了Granite系列大型语言模型,以推广IBM其他的一些AI服务。
Global X研究分析师Tejas Dessai表示:“生成式AI的商业化正在加速,让IBM等多元化的企业技术公司能够利用日益增长的、AI集成带来的需求。”
Krishna在电话会议上告诉分析师,IBM继续受到高利率和通货膨胀的影响。尽管世界其他地区存在不确定性,但IBM的主要业务部门继续顺利运转。该季度IBM的软件业务收入为67.4亿美元,比去年同期增长7%,高于华尔街预期的64.9亿美元。
其中,Red Hat的增长率为7%,对于这个收购来的软件业务来说,算是一个相对缓慢的季度,而该业务曾经每季度的增长率一直超过20%。不过,Krishna表示,Red Hat该季度的订单量有所增加,这对今年剩余的时间来说是一个好兆头。
IBM的咨询业务收入为51.8亿美元,较去年同期下降1%,略低于华尔街52.3亿美元的目标。与此同时,IBM的基础设施部门(包括IBM标志性的大型计算机)该季度销售额为36.5亿美元,增长0.8%,高于华尔街普遍预期的53.1亿美元。IBM公司首席财务官Jim Kavanaugh在电话会议上表示,当前一代z16大型机的表现仍然优于之前的销售周期。
IBM的软件业务日益重要,多年来IBM从一家传统硬件公司逐渐转变为一家专注于高增长软件和服务公司,如今这一转型达到了顶峰。IBM一直在努力加速这个转型过程,在今年4月宣布计划以64亿美元收购“基础设施即代码”软件巨头HashiCorp。
HashiCorp在上周的更新中透露,监管机构已经要求提供有关计划收购的更多信息。这表明,交易审批流程可能会因监管审查的加强而延迟,尽管目前尚无迹象表明该交易遭到反对。Krishna告诉分析师,他仍然“非常有信心”这次交易能够在今年年底前完成。
该季度IBM还宣布与Palo Alto Networks建立新的合作伙伴关系。IBM表示,这家安全公司将收购IBM的QRadar软件即服务资产,成为IBM在网络、云和安全运营方面的首选网络安全合作伙伴。
在这次股价上涨之前,IBM的股价今年迄今为止已经上涨14%,与更广泛的标准普尔500指数基本一致。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。