数据存储公司Nutanix和Pure Storage股票在公布了季度财报之后受到打击,这让股东们争先恐后地退出。
Nutanix遭遇了最大的不幸。由于对即将到来的第三季度指引相当惨淡,Nutanix股票在盘后交易后中暴跌32%多,尽管过去三个月中Nutanix的表现已经相当不错了。
与此同时,Pure Storage的股票在延长交易中下跌超过5%,此前Pure Storage公布的季度的收益和收入远低于华尔街预期。
两家公司至少已经习惯了这种波动。他们试图颠覆竞争激烈的数据中心存储市场,因此投资者对其增长前景中细小的变化也变得极为敏感。
就Nutanix而言,其战略主要是围绕着销售融合存储、计算和网络的超融合系统。Nutanix正在努力减少对硬件销售的依赖,转而支持可在大多数基础设施上运行企业云操作系统。因此,Nutanix越来越注重将客户转向基于订阅的许可模式。
这些努力进展顺利,如果说Nutanix的2019财年第二季度业绩能说明一些问题的话。该季度,Nutanix在股票补偿等某些成本之前亏损为每股23美分,收入为3.35亿美元,好于华尔街此前预期的每股亏损25美分,收入3.31亿美元。
Nutanix在新客户获得方面也取得了进展,该季度新增920家“最终客户”,包括Apache、GS Energy、Harris和Komatsu America,而且其中6个客户在该季度购买了价值至少500万美元的产品和服务。
Nutanix首席财务官Duston Williams表示:“我们很高兴看到我们在大金额交易和推进订阅模式方面取得的进展。”
但是这些成功并不足以让Nutanix的投资者放心,他们对未来前景往往更感兴趣。Nutanix在这方面有些令人失望。Nutanix称,预计第三季度收入在2.9亿美元至3亿美元之间,远低于华尔街预期的3.48亿美元。
Nutanix首席财务官Duston Williams表示,与预期的差距在于下一季度将出现“营销支出不足对通路生成的影响,以及低于预期的销售招聘。”Williams承诺公司一直在“采取行动”来解决这些问题,但他给出的这一保证并不足以安抚股东。
Constellation Research分析师Holger Mueller表示,看到Nutanix将糟糕的指引归咎于支出不足这一点令人关注。他说,投资者可能也有同感。
Mueller说:“由于没有填补上销售人员的空缺,所以无法带来足够的收购。我们希望Nutanix能够尽快解决这些问题,否则未来几个季度也将是具有挑战性的。”
Pure Storage也努力安抚股东。Pure Storage销售的全闪存存储系统越来越多地被用来取代旧的、较慢的、基于磁盘的系统。但Pure Storage却没有达到华尔街的利润目标。
该季度,Pure Storage在股票补偿等某些成本之前的收益为每股14美分,收入为4.222亿美元,但华尔街预期的每股收益为18美分,收入为4.433亿美元。
Pure Storage将这归咎于合同设备制造商的“流程故障”,这阻碍了一些订单的履行,以及从一些客户向订购许可模式的转移。“不考虑这两个问题,我们的收入和利润都在我们的指引范围内。”
Pure Storage首席执行官Charlie Giancarlo在接受采访时解释说,直到最后一个季度结束的时候,制造故障问题才突显出来
“我们认为已发货的订单仍然滞留在生产车间里。我们做了深刻的检讨,我们做了改变,我们不希望这种问题再次发生。”
Mueller表示,Pure Storage只是运气不佳,因为任何企业都有可能遇到供应中断的问题。不过他表示,Pure Storage应该提高供应链的弹性,以防止这些事情再次发生。
Mueller说:“但是向订阅模式的失误而导致的收入未达预期是不太能被原谅的。无法很好地规划收入组合和管理期望是一个需要解决的运营问题。”
至少还有一些亮点。例如Pure Storage指出,在新季度与一家“系统集成商”签署了一份为期两年的协议,价值超过1亿美元。Giancarlo说,这个消息会让人们“开始注意到”并且有理由保持乐观。
他说:“这说明有一家非常精明的客户选择了Pure Storage,我们认为这不会是一个孤立的案例。”
Giancarlo还强调说,Pure Storage的Evergreen Storage(ES2)存储销售表现强劲,该服务是去年针对混合云和私有云推出的。
ES2销售额增长的唯一问题是它是以订阅模式售卖的,收入是以一年或者两年为期记录的,因此当前的收入不如一单硬件交易那么高。
对于当前这个季度Pure Storage表示炉管,称表现会好得多。Pure Storage预计这个季度的收入在3.27亿美元至3.39亿美元之间,中间值超过分析师预期的3.31亿美元
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。