惠普今天发布了2014财年第四季度财报。报告显示,惠普第四财季净营收为284亿美元,比去年同期的291亿美元下滑2%;基于美国通用会计准则(GAAP)净利润为13亿美元,比去年同期的14亿美元下滑6%,每股收益为0.70美元,比去年同期的0.73美元下滑4%。基于非美国通用会计准则(Non-GAAP),净利润为20亿美元,比去年同期的20亿美元增长3%;每股收益为1.06美元,比去年同期的1.01美元增长5%。
华尔街分析师预期惠普第四财季营收为287.6亿美元,每股收益1.06美元。
2014财年,惠普净营收为1115亿美元,去年为1123亿美元,同比下滑1%;基于GAAP,净利润为50亿美元,去年为51亿美元,同比下滑2%;基于Non-GAAP,净利润为71亿美元,去年为69亿美元,同比增长3%,每股收益3.74美元,去年为3.56美元,同比增长5%。
惠普CEO梅格·惠特曼(Meg Whitman)表示,“2014财年,我们获得了稳定的收入,运营得到了加强,财务表现强劲,并再次展现了公司的创新。我们的产品路线图是多年来是最佳优化,深得合作伙伴和客户信赖。自10月份宣布分拆至今,我们做了很多努力,但还有更多工作需要去做,2015财年,我们将加速推进这一进程。”
——个人系统:营收同比增长4%,运营利润率为4.0%。商业客户营收同比增长7%,消费者客户的营收同比下滑2%。总出货量同比增长5%,其中桌面电脑同比下滑2%,笔记本电脑同比增长8%。
——打印集团:营收同比下滑5%,运营利润率为18.1%。总硬件设备出货量同比下滑1%,其中企业硬件设备出货量同比增长5%,消费者硬件设备出货量同比下滑4%。供应业务营收同比下滑7%。
——企业集团:营收同比下滑4%,运营利润率为14.8%。行业标准服务器业务营收同比下滑2%,储存业务营收同比下滑8%,企业关键系统业务营收同比下滑29%,网络业务营收同比增长2%,技术服务业务营收同比下滑3%。
——企业服务:营收同比下滑7%,运营利润率为6.8%。应用和企业服务业务营收同比下滑6%,基础设施技术外包业务营收同比下滑7%。
——软件业务:营收下滑1%,运营利润率为31.1%。授权业务营收同比增长2%,技术支持业务营收同比下滑1%,专业服务业务营收同比下滑5%,软件服务(SaaS)业务营收同比持平。
——金融服务:营收同比下滑1%,净投资组合资产同比减少1%,金融交易额同比增加15%。该部门运营利润率为12.1%。
基于non-GAAP,惠普预计2015财年第一季度每股摊薄净收益在0.89美元至0.93美元;基于GAAP,每股摊薄净收益为0.72美元至0.76美元。基于non-GAAP,惠普预计2015财年每股摊薄净收益在3.83美元至4.03美元;基于GAAP,每股摊薄净收益在3.23美元至3.43美元。
华尔街分析师预计第一财季营收为275.5亿美元,每股摊薄净收益至少为0.93美元(non-GAAP)。
在随后进行的分析师电话会议上,惠普CEO梅格·惠特曼(Meg Whitman)重申,2014财年是惠普实施“五年翻身”计划的第三年,并称惠普将携带十年来“最强阵容”进入2015财年。
惠特曼对惠普拆分为惠普企业和惠普公司两家上市企业表示乐观,她同时提醒分析师和投资者,目前尚处于这一戏剧性转变的初期阶段。“我们已经建立了一个拆分管理办公室,来推动业务拆分工作。”预计在新的一年里将有新的进展。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。