昨日,思科发布了第三季度财报,结果超出华尔街的预期水平,但由于警示未来数月可能面临供应链方面的挑战,使得思科股价在当天盘后交易中出现下跌。
该季度思科在不计股票补偿等特定成本的每股利润为83美分,收入为128亿美元,比去年同期增长7%,结束了连续五个季度的收入下滑。
此前华尔街分析师预期的每股收益是82美分,收入为125.6亿美元。
思科首席执行官Chuck Robbins表示,“这个季度思科表现出色,看到市场对思科整个业务的强劲需求,而且随着客户继续加速混合办公模式、数字化转型、云计算以及继续加大使用订阅产品,我们对于思科的战略以及下一阶段继续引领复苏的能力充满信心。”
思科最大的业务板块是基础设施平台业务(其中包括网络硬件销售额),实现了68.3亿美元的销售额,比去年同期增长6%。应用业务(包括Webex视频通话软件)的收入达到14.3亿美元,增长了5%。安全业务收入达到8.76亿美元,增长13%,思科总的产品收入达到9.139亿美元,增长6%,服务收入达到36.6亿美元,增长8%。
Moor Insights&Strategy分析师Patrick Moorhead指出,思科实现了十年来最高的订单增长,整体表现很出色。
Moorhead说:“更令人印象深刻的是,思科的软件年运行率有望达到140亿美元,订阅软件有望达到81%。可以肯定地说,思科凭借着与新冠疫情相关的基础设施正在逐渐恢复,这是一个很好的长期迹象。”
尽管思科的长期前景看起来不错,但思科高管在与分析师进行的电话会议中警告说,思科面临着一些来自供应链的严峻挑战,这可能会在短期内损害其盈利潜力。
思科首席财务官Scott Herren表示,“这些挑战包括更高的货运成本、更高的计算机芯片和内存单位成本,这些是确保其能够将产品交付给客户的必要条件。”
展望第四季度,思科预期收入增幅在6%到8%之间,每股收益在81到83美分之间。华尔街分析师此前预期思科的每股盈利为85美分,收入增长5.5%。
这些消息公布之后,思科股价在盘后下跌超过5%。
Robbins表示,对第四季度的指引反映了供应链面临的挑战,而且他补充说,思科有信心可以解决这个问题,因为已经与很多主要供应商签订了修订协议。Robbins告诉分析师:“相信这些措施将使我们能够优化获取包括半导体在内的关键组件,并尽快满足客户的需求。”
Herren表示,思科已经设法锁定了一些关键组件供应商的供应和定价,这已经被纳入利润率指引中。Herren补充说,供应链问题可能会一直持续到这个年底。
Robbins表示,“如果公司得出结论认为这些成本上涨中的任何一项都会更加持久,那么思科会考虑在必要的地方进行战略性的价格上调。Robbins还说:“这项工作已经在进行中了,我们已经做出了一些决定,这是一个很动态的情况。”
Pund-IT分析师Charles King认为,投资者通常不喜欢不确定性,尤其是那些会影响生产成本和产品定价的不确定性。因此,盘后可能会有很多的抛售。
King表示,“对企业及其股东而言,最大的危险是,这些挑战可能会为竞争对手创造机会,尽管过去一年动荡不安,但这些竞争对手在供应链方面表现依然稳定。思科传递的一个基本信息是,股东应该采取观望态度,信任公司领导层会把各个事项整合在一起,显然,有些人不认可这个建议。”
这个季度思科在产品方面有一系列举措,包括发布了一系列新的计算机服务器产品线,基于英特尔第三代Intel Xeon Scalable处理器以及用于下一代5G网络交换机和路由器的升级版Silicon One半导体系列。
季度末的时候,思科也进行了一系列收购。本月初,思科收购了漏洞分析初创公司Kenna Security,几天前还收购了得到风投支持的初创公司Socio Labs,后者主要提供用于组织虚拟会议和管理相关任务的软件。5月,思科还收购了一家名为Sedona Systems的公司,该公司主要提供用于监控计算机网络运行状况和模拟变化的工具。
好文章,需要你的鼓励
韩国电子巨头三星宣布收购美国西雅图数字健康技术公司Xealth,进一步扩大在健康领域的布局。Xealth专注于帮助医疗专业人员将数字健康技术整合到日常实践中,与70多家数字健康技术供应商合作,应用覆盖美国500多家医院。此次收购将推动三星向连接医疗保健平台转型,结合其在传感器技术和可穿戴设备方面的优势,完善Samsung Health平台功能。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。