IBM近日发布第三季度财报,结果略高于分析师预期,使得股价在盘后交易时段上涨了1%。
该季度IBM在不计入股票补偿等特定成本的收益为每股2.20美金,高于每股2.13美金的预期,收入较去年同期增长5%,达到147.5亿美元,也高于市场普遍预期的147.3亿美金。
IBM在该季度的净利润为17亿美金,去年同期因59亿美金养老金结算费用而亏损32亿美金,之后扭亏为盈。
该季度表现最好的是软件业务部门,该部门实现了62.7亿美金的收入,同比增长8%,符合分析师的普遍预期。IBM基础设施部门(包括大型机)收入较去年同期下降2%,为32.7亿美金,但这一数字明显高于分析师预测的31亿美金。咨询业务部门销售额为49.6亿美金,同比增长6%,但低于市场预期的51.1亿美金。

IBM首席执行官Arvind Krishna(如图)表示,客户对IBM watsonx人工智能和数据平台及其混合云平台表示非常赞赏,因为他们希望能够提高生产力。他表示:“这有助于推动我们的软件和咨询业务的稳健增长。因此,我们对全年的收入和自由现金流预期仍然充满信心。”
IBM在咨询领域的失误并不完全令人震惊,因为IBM在咨询领域的主要竞争对手之一埃森哲公司上个月表示,最近一个季度来自通信、媒体和技术客户的收入下降了12%。
IBM首席财务官Jim Kavanaugh在接受采访时表示,尽管未能符合预期,但IBM的咨询业务正在从竞争对手手中夺取市场份额。IBM最近加大了在咨询领域的力度,宣布在该季度与微软和AWS建立新的合作伙伴关系,重点关注生成式AI,IBM还承诺提供专业知识帮助云客户定义和实施利用生成式AI功能的策略。
即便如此,Kavanaugh表示,许多客户仍然关注降低成本,这给咨询项目带来了压力。
AI即使不是一鸣惊人,总体上仍然是一个充满希望的赌注。IBM软件业务中来自数据和AI的收入同比增长了6%。Pund-IT分析师Charles King指出,Krishna在电话会议中表示,第三季度生成式AI预订量“只有数亿美金”,并表示,明年收入运行率约为10亿美金。他说:“考虑到许多其他厂商才刚刚开始他们的生成式AI之旅,这是一个重要的里程碑。”
King还感兴趣的是,尽管硬件销量整体下降,但IBM旗舰的Z大型机销量仍增长了9%。他表示,由于大型机销售周期性的因素,这一结果令人感到惊讶。他说:“一些报告将此归因于传统交易工作负载的增长,但我想知道,IBM把IBM Z和LinuxOne定位于其他关键业务应用和安全流程的战略是否正在带来红利。”
Constellation Research分析师Holger Mueller表示,IBM的表现很好,达到了预期,但投资者最担心的是增长率仍处于个位数。Mueller表示:“未来几个季度,这一数字可能会有所回升,但也可能会进一步下滑。这可不好,因为投资者希望看到更大的缓冲,这样就不会导致收入萎缩。一大亮点是watsonx平台所表现出的强大吸引力。对AI和相关服务的需求对IBM来说是有利的,并且2024年估计还会继续如此。”
展望下一季度,IBM管理层重申了全年指引,称收入增长预计在3%至5%之间,自由现金流约为105亿美金,与之前的预测一致。
该季度IBM公布了在AI领域取得的多项进展,包括发布了watsonx平台上的Granite系列硬件高效型生成式AI模型,该模型可以执行总结文档、洞察提取和文本生成等任务。此外,IBM还宣布将在watsonx.ai studio上托管Meta Platforms开源的Llama 2,一个包含有700亿参数的大型语言模型,并为IBM大型机推出生成式AI代码助手。
IBM该季度还斥资46亿美金收购了Apptio,一家基于AI的云成本管理工具提供商。
IBM股价今年迄今为止下跌了约2%,落后于更广泛的标准普尔500指数,该指数今年上涨了9%。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。