第四季度思科的净收入为34亿美元,即每股68美分,不计入股票补偿等特定成本之后的每股收益为83美分,收入略高于131亿美元,与去年同期持平。
这一结果高于此前华尔街分析师预测的每股收益82美分,收入127.3亿美元。投资者们对思科的业绩表示认可,思科股票在盘后交易时段上涨了4%多,在结果公布前的几个小时内,思科的股价几乎没有变动。
 
思科公司首席执行官Chuck Robbins表示,由于第四季度的业绩好于预期,因此该财年表现十分强劲。他说:“我们的团队在充满活力的环境中表现出色,”这也带来了他所说的公司历史上最高的全年调整后每股收益。
从整个2022财年来看,思科的收入为516亿美元,比一年前增长了3%,不计入特定成本之后的收益达到每股3.36美元,比一年前增长4%。
对思科第四季度财报数据分解来看,产品和服务业务与去年同期持平,产品收入为96.9亿美元,服务收入为34.1亿美元。思科最主要的安全和敏捷网络业务部门(包括数据中心交换机)该季度销售额下降1%至60.9亿美元。
Robbins在与分析师的财报电话会议上表示,大约三个月前曾警告过的供应限制问题正在逐渐得到缓解,这使得收入增长好于预期,他再次重申,这一趋势可能会延续到未来几个季度。
思科首席财务官Scott Herren表示,思科仍然有超过150亿美元的创纪录未交付订单,这主要是由于半导体和电源等组件的缺货。他补充说,预计供应限制将在整个2023财年继续困扰思科。
也就是说,思科本来可以给出比很多分析师最初预测的更好的结果。展望2023财年,思科预计每股收益在3.49美元至3.56美元之间,收入增长在4%至6%之间,这一预测略高于华尔街预测的调整后每股收益3.53美元,销售额527.2亿美元,增幅略高于2%。
至于第一季度,思科预计每股盈利在82美分至84美分之间,收入增长在2%至4%之间,此前华尔街分析师预测的每股收益为84美分,收入下降约3%。
Forrester Research副总裁、研究总监Glenn O'Donnell表示,思科的数据比大多数人所希望的要好,但更深入的分析表明,这要归功于欧洲、中东和非洲的区域销售得到大幅改善,收入增长8.5%。他指出,来自美洲的收入下滑了3.4%,亚太地区的销售额下滑了2%。
“基本上,欧洲市场拯救了思科,美国市场的业务表现疲软。总体而言,思科的表现超出了华尔街的预期。我预计收入会出现同比下降,下降幅度很小,但比我预期的要好。”
Constellation Research分析师Holger Mueller认为,思科的转型仍在继续,唯一的问题是思科的发展速度太慢,收入仅比去年同期增长3%。“按照这种速度,思科需要很长的时间。诚然,供应链问题仍然存在,这让思科面临重重挑战,不过思科似乎已经把这一因素纳入到了对明年的预期中。”
Mueller表示,敏锐的投资者可能已经注意到,上个季度思科在股票回购上额外花费了40亿美元,几乎和花在销售、营销和研发上的资金一样多。“只有未来才能证明此举是否是正确的,但就我们对思科愿意投资核心业务的信心而言,这并不是一个好兆头,”这位分析师沉思道。
关于股价上涨,Pund-IT分析师Charles King表示,投资者可能会感到宽慰,因为这个季度没有重演上个季度的糟糕表现,而是得到了普遍乐观的预测支持。他说:“也许更重要的是思科对经济和供应链问题的乐观态度,这与一些分析师的悲观评估并不一致,但通常情况下,商业情绪的最佳晴雨表就是包括客户,也就是思科这样的厂商直接面对的群体。”
思科曾在上个季度的财报电话会上提到了企业技术支出可能比以前更少,这引发了外界的担忧。不过,思科强劲的业绩和好于预期的预期,以及本月早些时候竞争对手Arista Networks的强劲表现,似乎平息了这些担忧。
今年迄今为止,思科的股价下跌了26%,而标准普尔500指数仅下跌了10%。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。