存储厂商NetApp和IT管理厂商Nutanix近日公布了季度财报结果,周三下午公布了季度收益,提供了有关新型冠状病毒大流行如何影响其各自业务的最新信息。
在截至4月24日的这个季度,NetApp的收入和利润较去年同期均有所下降,但每股利润却超出了预期。Nutanix的业绩也超出预期,收入增长11%,但亏损却扩大了。
NetApp是存储领域主要的数据中心存储厂商之一,此外还提供云基础设施的管理软件,目前这部分业务仅占NetApp收入很小的一部分,但发展速度很快。而Nutanix一开始主要提供融合了存储与服务器的超融合系统,此后又扩展到销售类似于NetApp的云管理软件,目前这部分业务的收入占到了Nutanix总收入的很大一部分。
两家厂商在构建云软件业务方面处于两个不同的阶段,但都受到了新冠病毒大流行导致全球性中断的影响,只是方式不同罢了。
其中,NetApp的收入同比下滑12%至14亿美元。NetApp首席执行官George Kurian在财报电话会上表示:“我们看到一些大型交易出现了推迟,与此同时,一些企业在停摆之前加快了订单的完成,还有一些公司因为远程办公和数字业务的需求,发起了新的合作。”
NetApp的云软件业务为其财报增加了一线希望。在截至4月24日的这个季度,NetApp的客户数量增加了一倍多,收入同比增长113%。
该季度结束的时候,NetApp的年度经常性收入为1.11亿美元,这与2019年相比来是令人印象深刻的收益,但这距离NetApp最初设定的目标还有相当大一段距离,也就是到2021年底实现经常性云收入在4亿美元至6亿美元之间。
在9月的一个分析师活动上,NetApp首席财务官Mike Berry表示,NetApp落后最初目标大约一年的时间。这听起来很乐观,但他预计能在“不久的将来”达到4亿至6亿美元的收入目标,并补充说,“我们仍然对业务比较乐观”。
财报中的另一个亮点是每股收益。NetApp公布的每股收益为1.19美元,而此前Zacks普遍预期是的1.04美元,轻松超出了预期。
云计算将成为NetApp未来发展中一个越来越重要的领域,尤其是随着企业工作负载向云端的迁移将继续削弱对数据中心硬件需求。该季度NetApp核心的闪存存储业务销售额下滑了3%,产品总收入从10亿美元减少到7.93亿美元。
市场研究公司Wikibon首席分析师Dave Vellante表示:“那些没有上云的客户不得不选择多云服务,尽管多云服务增长很快,但目前这还不是一个有意义的市场。所以,这些增长快速的小型细分市场什么时候才能变得足够大可以抵消不断下滑的市场,似乎还需要相当长一段时间。”
和NetApp一样,Nutanix也已经调整了战略以应对向云端迁移的趋势。近年来,Nutanix将重点从销售超融合基础设施,逐渐扩展到提供可帮助企业管理云环境的软件,并未桌面虚拟化等使用场景提供支撑。
在截至4月30日的这个季度中,Nutanix云订阅收入占到总账单金额的84%。
根据财报显示,Nutanix调整后的每股亏损为69美分,收入为3.183亿美元,同比增长11%,但亏损却比去年同期扩大了。即使这样,Nutanix还是在两项数据上都超出了Zacks的普遍预期。
“每十年就会出现一次衰退。我们必须以此为契机,”Nutanix首席执行官Dheeraj Pandey这样表示,他们的高管团队最近一直在思考一个问题,“再次成为一家初创公司意味着什么”。
Nutanix为应对新冠病毒大流行所采取的措施包括:裁员25%,启动一项财务援助计划为合作伙伴提供帮助。然而,尽管在过去这个季度中Nutanix成功地将收入提高了11%,但由于未来的不确定性,还是决定撤回对该财年的指引。
Pandey在解释撤回全年指引的时候这样说道:“我们每个季度所做的90%以上,都是来自现有客户的新业务或新工作负载,我们至少要告诉投资者,这个季度我们要缓一缓。”
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
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。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
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。