Nimble Storage在2017财年第二季度的收入为9710万美元,超出了此前9300万美元-9600万美元的预期,从这一点上来相当不错,但亏损4000万美元,好于上个季度亏损4270万美元,差于去年同期的亏损3010万美元。
从年度对比来看,收入增长了21.2%,表现出色,环比增长12.4%,表现稳健。
Nimble Storage全闪存阵列的订购有所增加,在总产品订购量中所占比例从2017年第一季度的9%增加到最近一个季度的17%。Nimble Storage指出,全闪存订单是混合闪存/磁盘阵列订单平均水平的2倍。
这些都非常理想,但是对Nimble来说,收入中每1美元都需要1.42美元的成本,这是不可持续的。投资者普遍在看到显著增长的时候把这个业务痛点分开,未来在现有成本基础上获得收入足够高可以产生利润,从而证明较高的股票价格。
如果没有较高的增长,那么投资者还有什么理由持有股票?21%的同比增长够吗?
在这样的背景下,该公司的管理团队会说什么?在致股东的信中,Nimble反复提到他们看到的增长机会:
我们相信来自传统厂商的复杂存储解决方案不再具有竞争力,这制造了很好的转型机会。与此同时,我们相信更年轻的存储公司和初创公司不具备和我们Predictive Flash平台功能性的广度。因此,我们相信我们有机会成为领先的下一代基础设施提供商。
所以Nimble必须足够快地成长,逐步赢得更多份额,不要被更年轻的存储公司夺走份额。
这份股东信写到:"正如我们今年的开年一样,我们有三个主要的优先事项。首先是投资构建强大的通道,其次是推动战略领域--也就是大型企业和云服务提供商快速增长;第三也是最重要的是,推动在全闪存阵列市场的快速崛起。"
"通过执行这些优先事项,我们相信将会在2017财年结束的时候提高增长,还会实现在运营方面的改善。虽然今年刚过去一半,我们对目前这一计划的执行很满意。"
Nimble表示:"2017财年是我们推出全闪存阵列以来的第一个完整季度,我们在客户采用、渠道合作伙伴采用以及相比其他全闪存阵列领先厂商的竞争力方面取得了抢眼的进展。"
目前Nimble的装机规模超过8850家客户;比一年前增加了43%;有133家全闪存阵列客户,其中79%是Nimble的新客户。这个季度总共新增700家客户,意味着567家并没有购买全闪存阵列。这在全闪存阵列市场算是快速的崛起吧?
Stifel Nicolaus分析师Aaron Rakers看到了新客户获得的速度有放缓,他写到:"我们计算新客户TTM(Trailing Twelve Months,最近12个月)订购同比增长9%,而在1月和4月这两个季度分别是20%多和14%多。"
他画出了下面这个增长图表:
整体来看,Nimble是全闪存阵列市场的后来者,混合阵列竞争对手Tegile和Tintri更快速地进入了闪存市场。而且它的很多竞争对手正在复制它以分析为主导的方法用于监控和支持,所以Nimble的独特性正在减弱。与此同时,老牌厂商也在改善他们的全闪存阵列存储产品,比如EMC、HDS、HPE、IBM和NetApp。
因此,Nimble面临着激烈的竞争,当然,它也意识到了这一点,正在更努力地实现增长。
Nimble对下个季度的收入预期在1亿美元到1.03亿美元之间,以中间点计算的话,相比一年前收入将增长26%,因此,Nimble还有很长的路要走啊。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。