惠普公司已經公布了其第二季度的財報數(shù)字,而個中結果可以說是喜憂參半。
市場預計惠普公司的營收總額應在256.4億美元,折合每股收益85美分。而惠普方面成功達成了這一目標,每股收益報收87美分,但營收總額卻僅為254.5億美元。這一數(shù)字與2014年同季度相比下滑了7%。
此外,美國本土以外市場上的營收表現(xiàn)同樣有所縮水。正如下圖所示,惠普公司在歐洲與亞太地區(qū)皆遭遇營收下滑。
惠普公司CEO Meg Whitman在財報電話會議上提醒各股東稱,“我們的總體營收當中有超過65%來自美國本土以外的海外市場,而且其中一半以上由歐洲、非洲以及中東市場所貢獻,因此匯率波動問題給我們造成的影響要比其它競爭對手更為嚴重。”
不過下圖所示為“除去貨幣影響之后的營收數(shù)字”,可以看到惠普的營收依然處于下滑趨勢。在歐洲、非洲與中東市場上的麻煩也許可以被歸結為歐洲經濟的持續(xù)震蕩。然而,亞洲市場本應成為全球經濟的主要推動引擎。Whitman表示,地緣政治問題導致惠普公司在俄羅斯與中國市場上遭遇銷售放緩。
惠普公司各區(qū)域市場營收圖表
在中國市場上,惠普公司已經制定了新的發(fā)展計劃:預計其將在中國市場上推出符合H3C認證的網絡相關產品。根據估算,清華紫光公司在這一業(yè)務市場上擁有約51%份額。在經過認證之后,清華紫光將在中國推廣惠普的服務器存儲與技術服務業(yè)務。屆時約有總值23億美元的業(yè)務將迎來易手,這意味著H3C公司的總值將達到45億美元?;萜展灸壳霸谶@一市場上仍處于試水階段,不過仍未能從中獲得更多收益。
惠普公司CEO Meg Whitman認為,此次合作交易意味著“這是一步重新定位惠普立場的舉措,希望在中國這一關鍵性市場上轉變整體技術發(fā)展思路,從而加快我們的整體業(yè)績增長并為客戶及合作伙伴帶來更理想的實際成效。”
讓我們具體看看惠普公司在過去一個季度當中各項業(yè)務的實際表現(xiàn):
• 個人系統(tǒng)營收勉強突破77億美元大關,與上年同期相比縮水5%,但出貨總量(上漲2%)與筆記本銷售(出貨量增加1.9%,營收提升5%)皆有所抬頭。臺式機營收與出貨量較上年同期分別下降17%與14%。Whitman指出,惠普公司目前正在整體縮水的市場中掙扎求進,而且很有可能實現(xiàn)逆境增長。
• 打印業(yè)務本季度表現(xiàn)糟糕,與上年同期相比營收數(shù)字(下滑7%)、硬件出貨量(減少4%)、供應營收(下降5%)、消費級硬件銷售額(降低6%)全部走低,僅有商務機銷售額實現(xiàn)1%的微幅增長。
• 企業(yè)級部門在存儲銷售額方面報出8%同比縮水,但“融合型”存儲則實現(xiàn)5%增長,遺憾的是高達18%的“傳統(tǒng)”設備營收下滑令這一成績化為烏有。網絡方案營收亦較上年同期減少16%。
• 企業(yè)級服務業(yè)務同比下滑16%。
• 軟件許可營收同比降低17%。
下面一起來看公司CEO Meg Whitman對于上述財報結果的評論:
“我對于公司在過去一個季度中的表現(xiàn),業(yè)務轉型的持續(xù)成功以及目前正在進行拆分進程感到滿意。盡管面臨著一些艱難的挑戰(zhàn),我們仍然在大部分產品組合領域獲得了良好的收益、持續(xù)實踐著我們對于創(chuàng)新的承諾并帶來了我們預計的成果。我們即將邁入新財年的下半段,并計劃于今年十一月進行業(yè)務拆分,相信惠普公司將因此變得愈發(fā)強大。”
市場對于她的結論顯著表示支持:惠普公司的股價于財報發(fā)布當天上漲了2.3%,達到每股33.83美元。
Whitman同時簡要說明了惠普在拆分為兩家獨立企業(yè)方面的執(zhí)行進度,并表示整體執(zhí)行成本似乎比原本預期更低。她還指出,“包括軟件及網絡等領域的產品組合出現(xiàn)了一些執(zhí)行問題”,但她表示有信心順利加以解決。
由于Aruba剛剛被惠普招至麾下不久,因此相信未來網絡業(yè)務將因此得到提升,不過將收購獲得的技術成果加以整合同樣面臨難題。與此同時,我們也幾乎看不到惠普旗下的軟件業(yè)務能夠實現(xiàn)顯著或者是穩(wěn)步增長的可能性。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。