闪存阵列提供商Pure现在正式成为一个规模数十亿美元的厂商,随着来自Dell EMC和HPE的竞争逐渐消退,Pure似乎有望最终实现盈利。
截至2018年1月31日止的第四季度,Pure收入同比增长48%至3.383亿美元,较上季度增加34%。产品销售额增长48%,达到2.7740亿美元,服务销售额达到6090万美元。
销售额的大约76%来自美国,剩余的来自全球其他地区。
该季度净亏损1190万美元,明显好于去年同期亏损4290万美元和上一季度亏损4166万美元。这是Pure自上市以来最小的亏损,如图所示:
由于最近一个季度亏损大幅减少,我们可能会看到Pure在未来几个季度首次实现盈利。
从全年来看,收入增长41%至10.2亿美元,净亏损1.776亿美元,对比去年来看:
首席执行官Charlie Giancarlo声称,“独立的IT企业达到这个收入规模一般需要20年,而我们成立8年以来,我们已经实现了10亿美元的里程碑。”
总裁David Hatfield指出,“我们所有竞争对手的胜率都在提高”。
竞争力较弱
该季度Pure新增了500个客户,总数超过4500个。Wells Fargo高级分析师Aaron Rakers表示:“IDC估计,2017年第四季度Dell EMC全闪存收入同比减少13%。”
“我们预计全闪存VMAX收入同比减少16%(XtremIO -36%),市场份额在第四季度为29%,而一年前为38%。”
我们也知道HPE全闪存阵列的销售额在最近一个季度增长了16%。
Rakers表示:“HPE的全闪存阵列市场份额为12.5%,低于一年前的14.4%——主要动力来自Nimble(第四季度同比增长112%/年),抵消了全闪存阵列3PAR的疲软(同比减少3%)。”
以下是Rakers准备的关于全闪存阵列厂商的收入对比表:
图表显示有三个增长明显的产品:NetApp的全闪存FAS、Pure的FlashArray和IBM的FlashSystem。
Dell EMC的XtremIO虽然在过去几个季度略有回升,但降幅最大。HPE Nimble的全闪存阵列现在处于相同的收入区间,而且也在不断上升,而NetApp的SolidFire则在不断增长。他在此图表上没有标出HPE 3PAR。
说回Pure
Rakers还提到:
- 基于NVMe的FlashArray // x系列采用率抢眼,占收入的20%,估计为距离最近的竞争对手的10倍
- FlashBlade在面向下一代工作负载(AI、机器学习等)方面保持发展势头
- Pure报告市场对快速备份/恢复的需求有所增加
- 思科/FlashStack产品在未来12-18个月内可能出现来自超大规模数据中心的商机
哈特菲尔德在财报中提到FlashStack:“FlashStack的发展势头依然强劲,目前已经覆盖30多个国家,与思科的这种联合解决方案的增长速度已经大大超过了整体融合基础设施和集成系统市场。
他称赞了FlashBlade的大规模并行架构及其快速恢复能力,但没有发布任何数字:“FlashBlade这一年表现非常好的一年,以出色的Q4为这一年画上句号。”
Pure目前的员工规模超过2100人,这一年中增加了约400人。
Pure预测下一季度的收入为2.46亿美元至2.45亿美元,2019年全年为13.1亿美元至13.60亿美元。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。