在截止于4月30日的2015财年第一季度,Violin Memory收入为1810万美元,同比减少27%,环比减少35%。这个数字达到了预期,但依然是下滑。
在这个季度Violin Memory仅亏损3010万美元,好于上个季度的5650万美元,但是要比去年同期还多出160万美元。其中400万美元是由于出售了Velocity PCIe闪存卡业务!
根据最新消息,Velocity业务已经被Violin Memory以2300万美元现金出售给SK海力士,“预计负债总额为50万美元”。SK海力士将为Velocity PCIe开发团队成员提供就业机会,预计交易将在6月底完成。
昨天希捷从Avago手中收购LSI Nytro PCIe产品线,这是一个值得纪念的日子,PCIe闪存卡市场格局就此发生改变。
因为SK海力士是一家闪存代工厂运营商,因此它自己内部有芯片的产品出口。这笔交易也基本上否定了任何关于东芝将插足PCIe闪存卡市场的想法,因为Violin Memory一直为东芝开发PCIe闪存卡。
不过,东芝是Violin Memory最大股东,Violin Memory与东芝的关系仍然是具有战略意义的,其中包括NAND芯片供应。
Violin Memory收入下滑的另一个原因是销售团队精简和重组,以及新走向市场模式(主要是在美国)的过渡。
Violin Memory首席执行官Kevin Denuccio表示,现在烧钱率已经大大减少,下一步就是解决糟糕的产品销售表现。他指出,EMEA地区的业务不错,“超出了我们的预期……收入同比增长接近64%”。
最近发布的Windows Flash Array和Masetra设备的销售情况和市场兴趣看上去不错。Denuccio表示,目前还没有其他闪存存储厂商拥有运行在他们全闪存阵列上的Windows Storage Server。
与SAP的关系也不错,更多公告将在这个季度晚些时候发出。
Violin Memory的管理团队已经进行了重组,11个销售部门精简到5个。DeNuccio承认公司现在更加专注于他们需要专注的地方,并表示:“我们已经为增长做好了准备”,他还提到了利用渠道和软件合作伙伴关系——例如与Citrix、微软和SAP——作为提振销售额的一个具有成本效益的途径。Violin Memory将继续向大型企业和云客户直接出售产品。
谈到新产品时,他说:“这个季度我们马上会有一个发布,将是我们推出全闪存阵列有史以来最重要的一次发布。”这里他指的是2010年5月发布3200系列。在那之后的2011年9月,Violin Memory发布了更强大的6000系列。现在它在3U机架内提供了70TB原始闪存容量。
那么接下来是什么?也许是Violin 8000系列,35TB-70TB/1U密度,使用19纳米闪存,增加重复数据删除功能,使其能够直击EMC XtremIO、Pure Storage FA-400系列以及其他具有重复数据删除功能的全闪存阵列,例如Kaminario升级的K2阵列。现在针对全闪存阵列的重复数据删除以及/或者压缩已经成为竞争的砝码。
预计这款新产品将有3到6个月的销售周期,将为在2015财年第四季度贡献收入。意味着这款产品对于现有客户来说并非简单地即插即用,耐人寻味。
6000产品线应该会在未来几个季度内过渡到采用19纳米闪存,这应该会进一步增加它的原始容量。
Violin Memory的新口号是“Business in a flash”。收入增长也许有点慢,但是DeNuccio有信心一定会增长。下个季度的收入应该高于这个季度的1810万美元,下半年会是更好。
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。