Nutanix希望拥有表现出色的软件业务,而不是被限制于微薄的商用硬件利润的硬件一体机业务。所以Nutanix正在改变自己的业务模式,定位为一家以软件为中心的公司。
Well Fargos高级分析师Aaron Rakers表示,这家超融合公司“目前销售硬件和软件产品,其软件运行在它自己的硬件或者渠道合作伙伴的硬件上。[Nutanix]2018年第一季度的硬件收入总额为8040万美元,占到总收入的29.3%,一年之前这个数字是4880万美元。”
Nutanix的硬件是由超微和Felxtronics制造的。
在Nutanix最近的财报电话会议上,公司首席执行官Dheeraj Pandey表示:“我们将越来越多地采取以软件为中心的策略进入市场和进行财务报告。”
公司首席财务官Duston Williams补充说:“今天,我们是一家软件公司,更具体地说是一家企业云操作系统公司,到目前为止通过自己品牌的一体机交付了大部分软件和相关硬件收入。这让很多投资者想知道,我们是否真的想要成为一家软件公司,或者只是又一家存储或者一体机公司。”
部分问题是Nutanix在其财报结果中提到了传递硬件收入。
所以:“随着时间的推移,Nutanix将变成一家企业云操作系统公司,”意思就是一家软件公司。
他说:“我们将逐渐远离传递硬件相关收入。从上个季度开始,我们就开始逐步从传递收入转移出来。”
目前“我们业务中的硬件部分大约占到26%的比例,这一过渡将分成两个部分:首先是直接的改变,通过让我们的传统一体机制造商开始直接向分销商售卖NX硬件,让我们不再需要处理大多数纯硬件发票。其次,通过专注于纯软件的交易,让我们的客户自己选择运行在各种服务器平台上。”
红线是传递硬件收入,蓝线是软件收入。表格显示了未来的变化模式
“我们预计这个过渡需要一年或者更长的额时间,结果是消除至少80%的相关传递硬件收入。这个具体变化的直接影响,就是软件内容显著增加,毛利率显著提高,不会对我们自己的毛利润带来影响。”
随着时间的推移,Nutanix将通过Xi Cloud服务产品增加可编写的软件即服务收入。Williams表示:“随着时间的推移,我们将开始增加可编写软件即服务订阅收入。”
此外,Nutanix还将通过与Google Cloud Platform的合作伙伴关系在2018年年中的时候发布一款Xi Cloud灾难恢复服务。
从2018财年第三季度(也就是从2018年2月1日开始)开始,“我们将开始在纯软件相关预定中开始补偿我们的销售团队。一旦这个变化全面实施,销售人员将不再获得通过销售硬件的补偿。”
作为一家软件公司,Nutanix更愿意将自己与其他如Splunk、Netezza、Tableau等软件和服务公司的规模、增长和毛利率进行对比。这意味着一家有着8亿美元共享软件和支持基础设施的公司,毛利率在80%以上。
渠道方面也会发生变化,Rakers支出,Nutanix将致力于“将自己的分销渠道也转变为纯软件销售,包括将国际分销模式从直接与数百个独立经销商签订合同,转向与少量大型全球分销商签订合同。”
根据Rakers的模型,到2019年1月Nutanix的纯硬件收入将减少到2000万美元/季度以下。他认为,毛利率将从2018财年底的75%-80%,增加到2019财年中期的80%-85%,这对盈利来说是有利的。
向纯软件公司的转型,这将会抬高Nutanix的股价,因为相比硬件公司来说,投资者们更青睐软件公司。投资者们会乐于看到这一转型,我们认为,这也是Nutanix从硬件公司转向软件公司的目的之一。
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。