新近上市的Pivotal公司今天公布了第一季度业绩,结果表现强劲。
Pivotal主要提供用于构建云计算应用的软件。在2019财年第一季,Pivotal净亏损为3250万美元,每股盈利31美分,低于去年同期的5150万美元和76美分。
除去股票报酬等一定成本,亏损为每股10美分,低于一年前的20美分。收入同比上涨28%,达到1.557亿美元。分析师此前预计调整后的每股亏损为13美分,收入为1.44亿美元。
更重要的是,Pivotal的订阅收入比传统软件更稳定、更可预测、且收益更高,这部分收入增长了69%,达到9010万美元。订阅用户达到339个,比一年前增加20%。
Pivotal还发布了新的预测,称目前这个季度的订阅收入将达到9200万美元至9300万美元之间,收入将在1.57亿美元至1.59亿美元之间,调整后的亏损为9美分至10美分。预计整个财年Pivotal的订阅收入在3.8亿美元到3.84亿美元之间,总收入在6.42亿美元到6.49亿美元之间,调整后的亏损在37美分到39美分之间。FactSet公司的一项调查显示,分析师预测Pivotal销售额为6.22亿美元,亏损45美分。
这些结果让投资者们感到满意,Pivotal的股价在盘后交易中上涨超过7%,在常规交易中上涨1.3%,达到每股21.21美元。
Pivotal公司首席执行官Rob Mee在财报电话会议上表示:“这是我们财政年度的一个良好开局。我们相信,我们在帮助企业跨行业转型的同时,我们有能力颠覆一些IT投资的最大领域。”
Pivotal在今年4月20日上市,筹集了4.97亿美元,是今年众多上市的企业软件公司之一。Dell仍然拥有Pivotal 70%的股份,并控制近96%的投票权,这可能会限制投资者们对这支股票的兴趣,因为无论做出什么重大决策都要得到Dell的同意。
的确,Pivotal上市本身在很大程度上被广泛认为是Dell为了偿还收购EMC所带来巨额债务的一种方式,但是这不会立即见效,因为筹集到的资金仍然在Pivotaln那里。分析师Dave Vellante表示:“这是关于戴尔继续降低杠杆的一种方式,这样他们就可以偿清债务。”
尽管如此,Pivotal的业务本身仍然很强大,Cloud Foundry软件仍被视为平台即服务云计算领域的领导者。此外Pivotal还有一个名为Pivotal Labs的服务操作。Pivotal首席财务官Cynthia Gaylor指出,Pivotal第一季度的毛利润率为64%,比一年前上涨了10个百分点,这要归功于订阅收入的增加,这部分业务的利润率为92%。
Mee提到了一些新增客户,尤其是线上票商StubHub,它使用Cloud Foundry更快速地构建应用,降低使用谷歌公有云的成本。另一位新客户是体育用品零售商Dick’s Sporting Goods。此外West Corp.和Garmin等现有客户也扩展了对Cloud Foundry的使用。
Pivotal由Mee于1989年成立,当时他担任该公司的软件顾问。2012年,Pivotal被存储巨头EMC收购,EMC于2012年将其与2010年收购的数据仓库提供商Greenplum进行了整合。2015年,Mee再次接管了CEO的位置,当Dell收购EMC的时候,Dell成为Pivotal的主要股东。
好文章,需要你的鼓励
微软正式确认配置管理器将转为年度发布模式,并将Intune作为主要创新重点。该变化将于2026年秋季生效,在此之前还有几个版本发布。微软表示此举是为了与Windows客户端安全和稳定性节奏保持一致,优先确保安全可靠的用户体验。配置管理器将专注于安全性、稳定性和长期支持,而所有新功能创新都将在云端的Intune中进行。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
人工智能初创公司aiOla推出基于流匹配训练技术的语音AI模型Drax,挑战OpenAI和阿里巴巴等巨头。该模型重新定义语音算法训练方式,能在嘈杂环境中准确识别语音,兼顾速度与准确性。相比OpenAI的Whisper和阿里巴巴Qwen2,Drax采用并行流处理技术,速度提升32倍,词错误率仅7.4%。该模型已在GitHub开源,提供三种规模版本。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。