希捷公司在2017财年第三季度遭遇一定挫折,其环比营收略有下滑,因表现不及华尔街预期而面临股价下跌——自财报公布以来,每股价格缩水15%。另外,预计其全年营收亦将不及去年。
希捷公司董事长兼CEO Steve Luczo表示其本季度营收达到27亿美元,较上年同季度的26亿美元增长3%,但不及上个季度的28.9亿美元。另外,本季度净收入为1.94亿美元,远优于上年同期的2100万美元亏损。
本季度毛利率为30.5%,而目前的运营现金流则为4.26亿美元。磁盘驱动器总体营收为24亿美元,另外2.5亿美元来自企业级存储阵列、SSD以及其它产品线。
Luczo给出的声明非常平淡:“公司本季度财务业绩反映了稳定的市场需求环境、良好的运营执行力以及稳定的业务模式发展态势。希捷公司拥有良好的市场定位,我们将继续关注未来业务增长机会,同时为股东创造利润以及可持续价值回报。”
不过令人奇怪的是,希捷公司并没有在财报结果当中提供磁盘驱动器出货量,而仅仅表示其磁盘驱动器总出货容量为65.5 EB,而每块驱动器的平均容量为1.8 TB。通过计算,我们发现希捷公司大概售出了3639万块驱动器,不及上年同期的3920万块与上季度的3990万块。
另外,希捷方面亦没有针对各磁盘市场区间公布具体出货量,而仅指出今后“将不再公布驱动器出货量”。这意味着我们将更难立足季度进行销量比较,而且其出货总容量数字显然要比驱动器出货数量看起来更加积极。
在此次财报电话会议中,希捷公司表示目前其仅有不足10%的磁盘驱动器产品面临闪存存储方案的竞争压力,而明年这一比例还将进一步下降。
以被动态度应对技术领域中快速崛起的闪存正是希捷公司的发展策略。其认定大量高成本闪存存储设备的出现对其磁盘驱动器业务实际上有所助益——因为这意味着将有更多数据最终被集中存储在磁盘当中,例如依托于公有云存储环境。以Chromebook为例,其可怜的64 GB固态存储容量迫使用户不得不将大量照片、视频及其它文档保存在谷歌云之内,而这意味着其最终还是需要由磁盘进行容纳。
HAMR袭来
Luczo表示希捷公司的HAMR技术将于2018年年底以16 TB甚至更高容量驱动器的形式与广大用户见面。他认为希捷公司在1 TB驱动器领域拥有技术优势,并指出目前公司正逐步转向第四代SMR(即重叠磁记录)技术方案。目前希捷公司旗下约40%驱动器已经开始使用SMR技术。
在SSD领域,由于无法获得充足的闪存芯片供应,所以希捷方面认为其潜在营收仅在4000万到5000万美元之间。
Luczo表示,系统业务(即存储阵列)作为在全部营收中占比尚不远10%的业务类别,确实拥有可观的利润空间且在不断增长,且主要面向OEM厂商及云服务供应商进行出售。他并未提到这部分业务拥有战略性意义,但暗示称其非常重要:“我们一如既往地致力于将该业务拓展至产品组合中一切有意义的层面。”
与西部数据公司更为灵活的闪存驱动器与系统方案相比,希捷公司的表现似乎并不像是一家激动人心的高科技企业,而更像是一家沉闷的现金流发动机。
总体来说,此次财报电话会议更像是一段毫无特色的定期运作状况汇报。
希捷公司各财年营收汇总,自2012年峰值以下不断呈下滑趋势。
希捷公司给出的下季度营收预期在25亿美元到26亿美元之间,其中位数较2016年第四季度的27亿美元相比下滑1.55亿美元。2017财年全年营收将达到109亿美元,较2016财年全年的112亿美元缩水2.5%。
希捷公司正成为一家愈发无趣的企业,其在产品设计上不再用少,像是仅提供果腹之用的大块面包。至于那些精致的甜点?留给其它闪存厂商操心吧。
好文章,需要你的鼓励
Panzura在其Symphony数据管理平台中新增了访问控制列表分析和自动修复功能。该平台专门处理EB级非结构化数据集,具备扫描、分层、迁移和合规分析等功能。Panzura声称58%的企业受到权限扩散问题影响,74%的数据泄露涉及特权凭证滥用。新版本重点解决权限继承中断、过度授权访问和合规盲点等问题,提供完整的文件系统权限可视性和快速问题解决能力。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
Arista Networks宣布收购博通旗下VeloCloud SD-WAN业务,交易金额约10亿美元。VeloCloud是SD-WAN领域先驱企业,拥有集成安全功能的云管理SD-WAN解决方案。此次收购填补了Arista在分支机构连接方面的空白,使其能够提供端到端网络解决方案。同时,前思科高管Todd Nightingale加入担任总裁兼首席运营官,将助力公司拓展更广泛的客户群体。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。