VMware想要从独立虚拟化产品销售商向更普及的打包解决方案供应商的战略转型,并未出现放缓的迹象。
今天VMware公布第一季度财报,该季度VMware收入20.1亿美元,同比增长14%,超过VMware在上个季度预测的19.6亿美元。许可收入增长21%,达到7.74亿美元,而服务收入仅增长9%,这表明VMware向更可持续的许可模式转型正在取得成效。
该季度VMware的净收入为5.16亿美元,合每股1.26美元,与去年同期相比增长18%,轻松超过分析师普遍预期的1.15美元。VMware还提高了2019财年的收入指引,总收入为87.8亿美元,同比增长12%,高于预期的87.3亿美元。
VMware首席执行官Pat Gelsinger表示:“市场对我们产品组合的各个方面都有积极响应。我们看到我们的全球接受度很高,而且企业级软件公司处于一个良好的环境。”VMware的国际销售额首次超过美国市场销售额,占到该季度总收入的53%。
投资者也积极响应,VMware股价在盘后交易中上涨3%,并且在过去12个月中涨幅超过40%。
Gelsinger说,VMware过去两年时间一直在把核心虚拟化产品扩展为覆盖四大主题的一个产品组合:私有云、公共云、网络/安全、工作场所变革。
VMware本月早些时候公布了注重虚拟化和安全的端到端网络路线图愿景。最近VMware还改进了自己的Workspace端点管理套件,提高了安全性和管理可视性。Gelsinger说:“人们不再组装各种组件,而是说‘给我一套解决方案’。”
VMware没有按照产品线划分收入,但高管们表示,其核心数据中心虚拟化以外的业务增长势头强劲。
NSX网络虚拟化软件的许可预订量在该季度增长了30%,而vSAN虚拟化存储产品的销售攀升了70%。VMware在该季度签署的前十大交易中都包含了VSAN。
Moor Insights&Strategy分析师Patrick Moorhead说:“VMware是我们所谓的‘数据中心操作系统’中的一员,在这种系统中计算、存储和网络都是虚拟化的。VMware是软件定义和管理计算和存储的最终来源,我认为VMware也将成为NSX网络领域的一个主要参与者。”
VMware高管们表示,他们也看好VxRail超融合一体机的潜力,VxRail运行VMware全套的软件定义数据中心产品。根据IDC最新的数据,Dell 通过收购EMC获得了VxRail,并在超融合市场份额中跃居第一。Gelsinger说,目前有超过14000个客户使用vSAN运行VxRail,销售额比去年增长70%。“我们看到了这款产品的巨大发展潜力。随着超融合成为我们客户的一个重要产品类表,我们也发展成为该领域显而易见的领导者。”
VMware高管明确表示,将在云端支持客户所需的任何公有云选项。VMware没有提供关于与AWS和IBM日益紧密的云合作伙伴关系,但Gelsinger说,两者都“进展顺利”。
VMware最近还采取了初步措施以改善与长期竞争对手微软的关系,在NSX Cloud中增加了对微软Azure基础架构即服务的支持。这两家公司还在虚拟桌面基础架构方面展开合作。Gelsinger暗示谷歌云将是下一个。他说:“我们的战略是多云的战略,我们希望客户能够利用多个公有云提供商的同时获得私有云的好处。我们将继续填补我们的云提供商和服务产品组合。”
VMware还强化了对容器的承诺,轻量级虚拟机技术曾被认为是对VMware核心业务的威胁。“我们认为虚拟机和容器是非常互补的,我们正在让客户更容易地利用这两者,我们相信容器将加速客户对我们核心平台的兴趣。”
Moorhead表示认同:“关于VMware将因为容器而死的报道是被过分夸大了。”
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。