数据存储厂商NetApp公布第一季度财报结果超出了自己的收益和收入预期,但这仅仅是因为NetApp刚刚在两周前调低了原先的预期。
NetApp主要面向混合云IT环境销售混合数据存储硬件和软件。NetApp该季度在股票补偿等特定成本之前的利润为每股65美分,收入为12.4亿美元,低于一年前的14.7亿美元。
此前华尔街预期利润为每股58美分,收入为12.3亿美元。
NetApp最初预测第一季度每股盈利78至86美分,收入在13.1亿美元至14.6亿美元之间。但两周前,NetApp令人意外地大幅调低预期,利润调整为每股55至60美分,并表示收入可能在12.2亿美元至12.4亿美元之间。
NetApp收入下滑的一个原因是丢掉了来自此前企业软件许可协议的9000万美元销售额,因为客户没有再续订这些许可协议了。
NetApp首席执行官George Kurian表示,他对这一结果感到失望,但对公司的战略和商业模式仍然充满信心。
“我们对毛利率和成本结构所做的改善为自由现金流提供了支持,让我们能够应对持续的宏观经济逆势,同时制定能够让我们恢复增长的战略措施,”他说。
他在电话会议中补充说,他收到了客户和合作伙伴关于其Data Fabric战略的积极反馈。这就需要NetApp向那些想要采用“软件定义”方法管理数据的客户销售它的混合存储硬件和软件服务。Data Fabric还可以帮助客户连接不同的存储资源并简化内部部署环境与云环境之间的信息管理,从而可以根据需要快速将数据移入和移出云端。
然而,这一战略是否有助于NetApp获得新客户仍有待观察。两周前,Moor Insights&Strategy分析师Steve McDowell曾表示,NetApp正在努力在现有传统客户群之上扩大市场,而现有的客户群似乎也正在萎缩。但他表示,对于NetApp而言,Data Fabric战略仍然是一个不错的选择,因为目前在混合云和多云市场中并没有明确的主导者。所以机会仍然是有的。
McDowell表示:“NetApp没有从市场中消失的危险,但仍然处境艰难,而Kurian做出了他能够做出的唯一举措。”
Kurian的乐观态度似乎至少让投资者们感到放心。两周前市值缩水20%多之后,NetApp股价有所回升,盘后交易中上涨了3%。NetApp还通过股票回购和现金股息的方式向股东返还3.65亿美元。
展望下一季度,NetApp预计收入在13.25亿美元至14.75亿美元之间,其中间点要高于分析师预期的13.7亿美元收入。
另一方面在中国市场,联想与NetApp组成的合资公司正在默默的耕耘。双方有很美好的愿景,NetApp具备多年的存储技术和基于闪存的创新能力,以及在存储市场的影响力。联想具备全球的覆盖渠道以及在中国市场强有力的本地化服务的能力。新的公司的高层也多次强调要基于Data Fabric这个发展理念来为用户提供智能数据管理。
目前新的公司已经陆续推出多个解决方案,特别是基于智慧化的解决方案。在中国一个更显著的特征是从上到下对于智能的支持,“人工智能”“智能+”多次被政府工作报告提到。而人工智能发展的基础是数据,是庞大的数据,目前联想凌拓除了推动NetApp Data ONTAP统一存储解决方案、NetApp FlexPod,也在通过基于全闪存来推动智能化应用落地。
联想凌拓已经在包括医院、政府、教育等领域加速IT升级,积极推动数据向着智能化应用发展。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。