NetApp公布的第三季度收入和利润预期未能达到分析师预期,使得股价在盘后交易中暴跌11%多。
NetApp规模仍然很小的云数据服务业务增长了146%,但未能抵消硬件业务的持续下滑,使得季度总收入下滑了10%。
市场研究公司Wikibon首席分析师David Vellante表示,此前NetApp一直十分依赖企业数据中心业务销售,现在业务上的萎缩说明“主存储市场正在软化”。他说:“云计算使得本地解决方案的需求减少,这几乎给数据中心市场的所有参与者都带来了冲击。”
对于NetApp这样核心业务是构建在磁盘存储基础上的厂商来说,另一个问题是闪存存储已经便宜到足以取代高性能磁盘。Vellante说:“过去五年中,大量闪存进入了存储系统,采购方他们不再需要像以往那样出于性能原因而购买磁盘存储。”
不过NetApp的盈利能力和现金流仍然强劲。该季度NetApp以30亿美元的现金和等价物形式通过回购和分红向股东返还了6.08亿美元,但不是投资者们期望看到的增长。
到云端
为了解决这个问题,NetApp已经把战略重点转向让客户可以像访问本地文件系统数据一样访问任何数据。
NetApp首席财务官Ron Pasek表示:“我们的技术是无感知的,客户不用关心是在本地环境还是通过订阅的方式。这极大地扩展了我们的市场范围,更重要的是,这是高度差异化的,也就是说,竞争对手可能不会这样做。”
但这并不意味着竞争对手(其中很多竞争对手还有服务器和其他数据中心产品线)不会做出回应。Moor Insights&Strategy分析师Steve McDowell表示,NetApp开始强调垂直堆栈的强度,以削弱自己对存储的专注。
他说:“对这些厂商来说,要体现差异化,就涉及到怎么更好地讲故事,来解释本地存储设备,或者说更好地结合每个厂商的私有云产品,这方面NetApp还做得不是很突出。NetApp向自己的客户推销产品,而这些客户正在转向HPE和戴尔这样的全栈提供商,或者是Pure Storage这样快速发展起来的厂商。”
NetApp通过三大云提供商提供Cloud Volumes ONTAP、Cloud Volumes Storage Service,谷歌和微软则是直接销售,AWS是通过Marketplace销售。Pasek说:“这对那些以前不怎么考虑NetApp或者经济实力不允许购买NetApp解决方案的客户来说,更具吸引力。”
Pasek表示,NetApp预计到2021年底软件销售将达到4亿至6亿美元。分析师地NetApp给予很大的期望,但表示,未来还有很长的路要走。Vellante说,NetApp的策略“很好并且与众不同,但每年运营率达到8300万美元,也不足以抵消那些导致下滑的因素。”
Pund-IT分析师Charles King补充说,NetApp一直在努力将基于文件的软件与主流公有云提供商进行集成。他说:“对于非客户群体来说,NetApp的产品是否有吸引力,现在还没有一个定论。”
本地环境的困局
NetApp在面对本地存储需求下滑这个难题方面,前方的道路是坎坷的。分析师McDowell说:“要让云业务和传统存储业务一样丰富,还有漫长的道路要走。”
Pasek对此表示认同,NetApp必须摆脱卖硬件盒子而其中恰好附带了软件的厂商形象。“这是时候了,因为我们从很久以前就已经是一家软件厂商了。”
NetApp在第三季度的每股收益为1.16美元,低于分析师的预期1.18美元,销售额为14亿美元,低于市场预期的14.6亿美元。 NetApp还下调了对第四财季的预测,调整后的每股收益为1.28美元至1.36美元,收入为14.6亿美元至16.1亿美元,分析师普遍的预期为每股1.39美元,销售额15.7亿美元。
Pund-IT分析师King指出,与云提供商结盟也有风险,因为这些提供商都有自行寻求市场机会的记录。他说:“对NetApp和其他存储专业厂商来说,危险的是那些实力强大的云提供商自己开发可复制NetApp产品的服务。”
Pasek对此并不认同,他认为,云合作伙伴打开了一个新的渠道。“大约三分之二的新客户不了解NetApp,所以这是一个讨论他们内部部署需求的一个好机会。”
Vellante说,最大的挑战是在本地存储市场非常薄弱的情况下,如何过渡到可持续订阅模式,“前方危机重重”。
好文章,需要你的鼓励
这项由复旦、港科大等多校联合完成的研究首次系统性地解决了大型AI模型在识别场景文字时产生"语义幻觉"的问题。研究团队发现AI模型常将视觉上模糊的文字"脑补"成有意义但错误的词汇,并开发了包含ZoomText定位策略和接地层修正机制的训练无关解决方案,在多个基准测试中实现显著性能提升,为提高AI视觉系统可靠性提供了重要突破。
IBM研究院发布AssetOpsBench,全球首个工业资产AI代理评估平台。该研究建立了多代理协作框架,涵盖IoT数据采集、时序分析、故障诊断等专业模块,通过141个真实场景和六维评估标准测试AI在复杂工业运维中的表现。测试显示当前AI技术仍有改进空间,为工业4.0时代的智能运维发展提供重要基准。
韩国科学技术院研究团队开发出Simba方法,通过层次化稀疏化技术对状态空间模型进行"瘦身",在保持性能的同时显著提升计算效率。该方法采用类似高速公路的架构设计,让AI模型的上层只处理最重要的信息,实现了最高80%的速度提升和更好的长序列处理能力。这项即插即用的技术为AI模型优化提供了新思路。
这项研究展示了一个基于ModernBERT架构的prompt injection检测模型,通过精心构建的多样化数据集训练,在内部测试中达到98.7%准确率和98.0% F1分数,在公开基准测试中平均F1分数达93.8%,显著超越现有最强基线系统。该模型推理速度仅0.02秒,具备实时检测能力,为AI系统安全防护提供了新的解决方案。