数据存储厂商Pure Storage和NetApp今天公布了超出预期的财报业务,推动其股价在盘后交易中走高。
首先是Pure Storage,该公司第二季度在不计入股票补偿等特定成本的情况下每股亏损16美分,收入为4.968亿美元,同比增长23%,此前华尔街分析师预期的每股亏损为21美分,收入为4.711亿美元。
NetApp的表现也不容小觑。该公司第一季度的利润为每股1.15美元,销售额为14.6亿美元,同比增长12%,此前华尔街分析师预期的每股利润仅为94美分,收入为14.2亿美元。
Pure Storage公司席执行官Charles Giancarlo表示,从公司强劲的收入增长中可以明显看出,他们为企业提供现代数据服务的长期战略正在取得成效。“我们的产品组合正处于一个伟大的创新周期,销售势头和执行力从未如此强劲。”
从发布的消息来看,Pure Storage的销售额创下了第二季度新高。订阅收入同比增长31%,纯即服务收入几乎翻了一番。
此外Pure Storage还报告了前10大客户的情况,这些客户第二季度支出规模超过了1亿美元。
Moor Insights & Strategy分析师Steve McDowell表示,即服务市场正在迅速成为整个企业存储市场的核心,而Pure Storage因为在该领域有早期投资而从中受益。
McDowell说:“除了HPE,其他大多数存储厂商仍处于即服务的早期阶段。投资者对财报结果做出了积极回应,但同时也表明,IT采购方喜欢Pure Storage售卖的产品。”
他说,Pure Storage平衡业务的方式反映了企业支出的细分情况,这一点给他留下了最深刻的印象。
“Pure Storage很好地融合了闪存、云、即服务和容器,这些都是IT采购者想要的。企业IT占到了Pure Storage业务的50%多,所以这是一个强有力的验证。”
股东们也给予了Pure Storage非常有力的肯定,因为Pure Storage股价在盘后交易中上涨了10%多。”
McDowell指出:“Charlie在财报电话会议上表示,在可预见的未来Pure Storage预计增幅约20%,这是一项大胆的声明,市场对此有积极反映也就不足为奇了。”
该季度Pure Storage对即服务组合进行了扩展,新增了FlashStack融合基础设施产品。此外还调整了Portworx云存储服务,以使成本与实际使用情况保持一致,并表示此举将使客户能够以更实惠的方式进行扩展。
Pure Storage预计,第三季度收入约为5.3亿美元,远高于华尔街预期的4.966亿美元。
NetApp在公有云、全闪存领域发展壮大
当Pure Storage凭借其快速增长让华尔街分析师眼花缭乱的时候,NetApp却悄悄地从传统硬件厂商向云存储厂商的漫长转型过程中默默坚持并稳步前进着。
NetApp公司首席执行官George Kurian指出,强劲的收入、毛利率和经营杠杆都是公司经营状况良好的迹象。
“云和数字化转型仍然是客户的首要任务,我们的财报业绩突显了我们在混合云、多云、数据驱动的世界中为客户带来的价值。我们凭借专注的执行力和所展现出的领导力,正在重塑整个行业。”
McDowell表示,NetApp最令人印象深刻的一项数字是公有云业务实现了155%的年增长率。他说,这表明NetApp正在做的事情是正确的,不过他指出,NetApp还有很长的路要走,因为公有云收入目前只占到NetApp总收入不到6%。
NetApp的另一个亮点是全闪存存储业务。
McDowell表示:“NetApp的全闪存业务同比增长了23%,我预计这一增幅与整体市场是保持一致的。如果NetApp在存储阵列方面的表现优于整体市场,那的确令我感到惊讶。”
该季度,NetApp宣布对其ONTAP数据管理软件进行重大更新,增加了新的功能和特性,据说将集中和简化跨混合云环境的数据管理。此外NetApp宣布更新一些由ONTAP提供支持的关键产品,包括FlexPod融合基础设施和StorageGRID高可扩展对象存储。
展望未来,NetApp预计第二季度每股收益在1.14美元至1.24美元之间,收入预计在14.9亿美元至15.9亿美元之间,华尔街预期的每股收益为1.14 美元,收入为15.2亿美元。
投资者对此感到满意,NetApp股价在延长交易中上涨了3%多。
McDowell表示,按照NetApp的标准,这是一个相当平静的季度,高管们几乎没有提任何可谈论的内容。
“总体而言,我很高兴看到NetApp公有云业务实现的增长,并认为NetApp对今年剩余时间的指引是可靠的。”
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。