尽管运营收入始终保持稳定增长,Fusion-io仍然未能成功扼制住亏损的趋势:2014财年第三季度,该公司亏损总额达到3070万美元,亏损数字与去年同期相比增长了54%。
在刚刚过去的三个月中,该公司营收总额为1.005亿美元,与去年同期相比上涨15%、相较第二财季也实现了6%的提升;宏观来看,这样的结果还算不错。
然而这已经是该公司连续第五个季度遭遇亏损,而且每个季度的亏损额都在2000万美元以上;事实证明,Fusion不断攀升的营收数字还不足以帮助其摆脱财务赤字的困扰。
Fusion-io公司各财季营收与净利润图表
Fusion公司CEO兼董事长Shane Robison在公布2014年第一财季运营报告时表示:“我们在过去几个月中已经在关键性技术以及战略性项目方面取得了进展,我们相信这一切将在加强企业执行能力的同时为未来的发展奠定坚实可靠的基础。”
而在第二财季结束时,他在讲话中指出:“我们在第二财季中的运营表现充满证明了公司在市场推广战略方面取得的成效,以及对OEM以及ISV合作伙伴的强大吸引力。我们还在不断扩大公司的客户基础,目前Fusion的便于终端客户数量已经接近6000家。”
这一次他的说法:“我们对于公司在本财季能够实现6%的环比营收增长结果表示振奋,同时也在着力向我们认为有能力推动业务进一步发展的相关团队、技术以及合作伙伴提供资金支持。”
William Blair公司分析师Jason Ader表示:“Fusion-io公司本财季的运营开支与上财季相比、增长数额超过了400万美元——其部分原因在于该公司需要为第三代产品的推出奠定基础。”
相对于其现有成本结构,Fusion-io的设备销量显然还不能满足健康运营的需求。该公司一直在努力提升其产品线的自身素质,但来自竞争对手的巨大压力使其举步维艰。
目前该公司的竞争对手包括:来自Nimble Storage、Tegile以及Tintri公司的ioControl闪存/磁盘混合型阵列产品线;来自Pure Storage、EMC以及IBM等财力雄厚的存储供应商的ION Accelerator全闪存阵列;来自其它PCIe闪存卡厂商的ioMemory PCIe闪存卡;不断逼近的NMVe SSD;再加上由SanDisk推出的FlashDIMM技术方案——值得一提的是,Viking Technology也推出了与之相似的技术成果、也就是其ArxCis-NV DDR3 NVDIMM。
众多竞争对手的不断涌现一步步蚕食着Fusion-io的生存空间,而服务器闪存卡炙手可热且利润丰厚的好日子也早已一去不复返。
Robison和他的团队坚信他们能够通过改进技术、发布新产品的方式推动销售额提升并为Fusion的产品渠道合作伙伴提供更为强大的销售产品组合,并最终实现营收提升。
Ader在这一问题上则并不十分乐观:“该公司管理层认为目前的利润比例受到了大宗交易的影响,尚处于过渡阶段的专注于合作伙伴的业务模式也还没有完全发挥效力。然而他们给出的预期是,上述问题解决后其利润能够在今年第四财季上涨约60个基准点(相当于0.6%)。”
他认为NVMe就是一大显著威胁:“作为一套用于在CPU及闪存介质之间实现信息通信的协议,NVMe标准已经获得了英特尔、美光、LSI、三星、西部数据以及希捷等多家厂商的支持。这就在无形中把Fusion所采用的专有协议(其利用软件机制实现CPU与基于FPGA的闪存卡间的通信)拖入了人民战争的海洋,目前市场上大部分参与者都对其持反对态度。”
那么Fusion-io会选择怎样的应对措施?
下个财季该公司在营收方面很可能实现稳中有增,但全年营收总额则恐怕无法达到去年的水平。公司CFO Ted Hull指出,目前Fusion-io拥有总值2.25亿美元的现金及等价物,这意味着该公司完全有能力承担亏损并继续推动其产品销售。
按照目前的形势来看,该公司要实现扭亏为盈很可能需要等到2015年下半年。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。