至顶网网络与安全频道 05月14日 编译:思科昨天发布了强劲的第三财季业绩,尽管收入比去年同期有所下滑,但仍超出了华尔街的预期。该季度思科在不计入股票薪酬等特定成本的利润为每股79美分,收入为120亿美元,比去年同期下滑了8%。
思科首席执行官Chuck Robbins
华尔街分析师此前预期的每股利润是71美分,收入为118.8亿美元,但由于该季度新型冠状病毒引发的不可预测的影响,因此很难将这一结果与预期进行对比。这也导致思科股价在盘后交易中上涨了2%多。
思科首席财务官Kelly Kramer表示:“第三季度在充满挑战的环境中我们表现良好,实现了强劲的利润率和非GAAP每股收益增长。我们构建的业务弹性正在为我们带来回报,软件订阅收入现在占到了软件总收入的74%,同比增长9%。我们致力于在实现股东价值的同时,将推动盈利的长期增长。”
作为思科最大的业务部门,基础设施平台(Infrastructure Platforms)主要是面向企业数据中心售卖路由器和网络交换机,该部门在第三季度的收入为64.3亿美元,比去年同期下滑15%,且低于预期。Kramer向分析师表示,第三季度思科遇到了一些“制造方面的挑战和组件上的限制”,4月份的产品订购速度有所放缓。
另外,思科的应用部门(包括Webex视频通话服务)收入为13.6亿美元,同比下滑5%,低于分析师平均预期的14.3亿美元。投资者原本希望该部门会从新型冠状病毒大流行中得到提振,为更多在家办公的用户提供支持。但事实并非如此,思科首席执行官Chuck Robbins在财报电话会议上表示,思科“通过WebEx免费试用增加了许多新的潜在用户,未来有可能转化为收入”。
其他方面,思科的服务收入为33.8亿美元,比去年同期增长5%,安全业务收入增长6%至7.76亿美元。
Moor Insights&Strategy分析师Patrick Moorhead表示:“考虑到所有因素,思科第三季度业绩表现还不错。你可能已经想到了,COVID-19会给思科的产品线带来利好,像WenEx、订阅服务和安全服务,都有所提高。而且正如你所料,那些在企业内部安装非关键网络设备的业务将面临挑战。”
Wikibon分析师Dave Vellante说,该季度思科面临挑战,但思科产品组合中有很多部分可以提供一定的缓冲。“和大多数传统企业相比,思科的业务遍及整个市场,并且发展势头更好。”
Pund-IT分析师Charles King表示,新型冠状病毒大流行下,思科该季度的业绩突显了为所有人提供急需的产品和服务这一能力的价值。
King说:“在这种情况下,服务提供商正在利用思科企业级交换机、其他网络设备以及通信应用(如WebEx)上的投资,支持在线流量的大量增长。只要当前在家办公和远程学习继续持续甚至是加速下去,思科就会有很好的表现。”
关于下一季度,思科预计每股收益为72至74美分,收入下滑8.5%至11.5%。华尔街此前预期的第四财季每股收益为69美分,收入118.2亿美元,同比下滑12%。
Robbins向投资者表示,思科有望从那些运营大型数据中心的企业那里获得更多订单。“好消息是,最近两个季度我们在网络领域所取得的成功甚至还没有纳入8000路由器系列带来的影响,所以很多客户还在试用该系列产品。他们在实际部署之前的评估期非常长,但是我会告诉你的是,试用的反馈非常好。”
该季度思科宣布将允许推迟新订单的付款,为因COVID-19可能导致现金流问题的客户提供帮助。此外思科还宣布收购无线回传系统提供商Fluidmesh Networks以扩展物联网业务。
Robbins讲到,“我对思科保护员工和支持客户的举动印象深刻,包括3亿美元的响应承诺以及25亿美元的额外商业资金支持。从长远来看,我相信思科可以很好地利用协作、边缘网络、安全性、高速网络/互连网络和混合云带来的机会。”
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。