IBM在第三季度财报中透露,其"Project Bob"开发者辅助工具已将程序员生产力提升45%,这一显著改进可能是IBM利润率提升或新一轮裁员的原因。
IBM首席执行官Arvind Krishna在公司2025年第三季度财报中公布了这一数据。该季度IBM营收达163.3亿美元,净利润17.5亿美元,同比增长9%,与2024年第三季度3.3亿美元的亏损形成鲜明对比。
Krishna指出,IBM在生成式AI相关业务中获得了95亿美元的订单,这是一项重大成就。大型机营收同比增长59%,这一成果反映了新款Z17机器的成功发布。新一代大型机的推出帮助IBM基础设施营收同比增长15%。AI技术也是这一增长的重要推动因素,因为正如Krishna所指出的,存储是AI基础设施的关键组成部分,IBM因此销售了大量存储设备。
这位首席执行官表示,相比公司的公有云业务,IBM的基础设施业务将从AI热潮中获得更多收益。
当被问及IBM云是否能实现其他服务AI工作负载的云运营商所报告的增长时,Krishna指出IBM与超大规模云服务商建立了合作伙伴关系。
"我们之前没有谈论过,但这绝不是秘密,例如,我们是CoreWeave的大客户之一。我们也在AWS、Azure以及GCP上使用大量基础设施,"他说。"我们有巨大的机会既开展咨询项目,又在这些基础设施上为客户部署我们的软件。"
Krishna提到了"我们的一个大型健康保险客户",该客户不愿使用公有云,"但他们完全愿意在云中获得私有实例,并在那里部署模型,部署我们的软件堆栈并实现增长。所以我们倾向于这样做。"
"在某些情况下,我们也会这样做,例如,对于Grok,我们在人们自己的数据中心部署Grok。这是一个巨大的机会。这将在我们的咨询和软件方面体现为营收增长,因为在Grok基础设施之上,我们在某些情况下会部署我们的软件堆栈。所以这不仅仅是我们在自己的云中获得机会,更重要的是这是一个我们能够把握的增长载体,有助于提高软件和咨询业务的整体增长率。"
这表明IBM云无需大量采购GPU,也无需匹配竞争对手超大规模云服务商在新建和改进数据中心方面的巨额资本支出。
Krishna赞扬了红帽的表现,其预订量增长"约20%",营收增长12%,但也注意到软件业务部门的增长有所放缓——尽管其AI增强产品需求旺盛——并预测未来营收将稳定在"十几或接近十几的增长"。
首席财务官James Kavanaugh补充说:"从软件角度来看,今年迄今为止我们整体增长8.5%,目前接近9%。其中约两个百分点的增长来自我们的生成式AI业务。"
AI技术也在帮助IBM的咨询业务,该业务在本季度恢复增长,目前正在进行200个涉及IBM所称"数字工作者"(即智能体AI的IBM术语)的项目。
公司预测2025财年全年不变汇率营收增长将超过5%。然而,投资者对所听到的消息并不满意,IBM股价在盘后交易中从每股超过288美元跌至269美元。
Q&A
Q1:IBM的Project Bob工具是什么?它有什么作用?
A:Project Bob是IBM开发的开发者辅助工具,它利用AI技术帮助程序员提高编程效率。根据IBM第三季度财报,这款工具已经将程序员的生产力提升了45%,成为IBM提高运营效率的重要技术手段。
Q2:IBM为什么选择租用竞争对手的GPU而不是自建云基础设施?
A:IBM采用合作伙伴模式,与CoreWeave、AWS、Azure和GCP等超大规模云服务商合作,在其基础设施上为客户部署IBM的软件和咨询服务。这样做可以避免巨额资本支出,同时仍能从AI热潮中获益。
Q3:IBM的AI业务表现如何?
A:IBM在生成式AI相关业务中获得了95亿美元的订单,AI技术推动了基础设施营收同比增长15%。在软件业务中,约两个百分点的增长来自生成式AI业务,咨询业务也在进行200个涉及智能体AI的项目。
好文章,需要你的鼓励
Anchor Browser获得600万美元种子轮融资,专注解决AI代理安全可靠地使用网络的挑战。该公司重新设计浏览器作为云端执行层,为每个AI代理提供独立安全的浏览器环境。与传统浏览器不同,Anchor的b0.dev系统让代理能够规划工作流程并可靠重复执行,将混乱的自动化转变为企业级软件工程。
清华大学研究团队开发的SLA技术通过将AI视频生成中的注意力权重智能分类,对不同重要程度的权重采用差异化计算策略,成功实现了95%的计算量减少和20倍的速度提升,同时保持视频质量不变,为AI视频生成效率优化开辟了新思路。
英国竞争与市场管理局经过九个月调查,将谷歌和苹果的移动平台指定为具有战略市场地位。监管机构表示,两家公司在移动平台领域拥有根深蒂固的市场主导地位,其平台规则可能限制创新和竞争。这一指定使监管机构能够考虑采取针对性干预措施,确保英国应用开发者能够创新和发展业务,但目前尚未引入任何直接要求。
斯坦福大学等机构联合提出多人Nash偏好优化(MNPO),突破传统双人训练局限,让AI在多人游戏环境中学习处理复杂非传递性偏好。该方法通过时间依赖设计,让AI与历史版本对话练习,在所有主要测试中显著超越现有方法,在Arena-Hard中甚至超过GPT-5,为AI对话系统训练提供了更贴近真实世界复杂性的新范式。