在这个对于基础设施厂商来说喜忧参半的季度收益季中,VMware很好地证明了自己已经成功实现从服务器专家到战略IT合作伙伴的转变。
VMware今天公布了第四财季收入和利润,结果均轻松超过此前分析师的预期,这要归功于更大规模的交易和产品组合在高增长领域的突出表现。
该季度VMware的收入同比增长了16%,达到25.9亿美元,远高于分析师此前预期的24.9亿美元。每股1.98美元的调整后利润也好于预期。VMware股价在盘后交易中上涨约2.5%。
2019财年的收入相比2018财年增长了14%,达到89.7亿美元。许可收入增长了18%,达到37.9亿美元。VMware表示,有望在2020财年收入首次突破100亿美元,增幅达到11.8%。
VMware首席执行官Pat Gelsinger表示:“第四季度为表现抢眼的2019财年划上了一个完美的句号,这主要是受到我们多元化产品组合以及所有三个地区(尤其是亚太地区)的强劲推动。”该季度VMware完成了创纪录的23笔规模达1000万美元或更高的交易,并拿下了首个规模2000万美元的订单,有超过一半的预定是来自于企业客户。
这证明了VMware在将虚拟化产品系列从计算多元化扩展到存储及网络方面所取得的成功。在该季度完成的10大交易中,8个包含了用于超融合基础设施的vSAN软件,9个包含了NSX网络虚拟化层,所有10个交易都包括核心服务器虚拟化和管理。该季度NSX的销售额超过5亿美元,全年销售额超过13亿美元,而vSAN许可预订量也增长了60%。
市场研究公司Forrester副总裁兼研究总监Glenn O'Donnell表示:“随着服务器虚拟化的扩展,VMware的业务已经远远不止是服务器虚拟化;NSX只是VMware扩张的一个主要催化剂。”他指出,VMware的超融合产品也有令人印象深刻的表现。“它在很短的时间内成为了市场领导者。”
Pund-IT总裁兼首席分析师Charles King表示,VMware凭借NSX将目光瞄准了市场领导者思科,并且显然已经达到了目标。本周早些时候,VMware宣布对NSX进行最重要的升级,增强功能首次将扩展到VMware虚拟机管理程序之外。
“通过投资NSX,VMware推动了网络虚拟化的进一步发展,并且比其他方式更加快速。随着网络虚拟化成为VMware运营中一个越来越重要的因素,这让企业客户有充分的理由继续保持与VMware的合作,”King这样表示。
Gelsinger表示,交易规模越来越大,表明客户“正在从计算转向完整的解决方案。这些交易规模更大,更具战略性,因为客户现在从我们这里购买的是完整的数据中心。“
Gelsinger表示,市场也认可了VMware作为混合云和多云厂商的新定位。混合云和软件即服务订阅占该季度VMware总收入的10%,同比增长35%。
Gelsinger表示,客户越来越多地将VMware作为他们转型为混合云的战略合作伙伴。VMware的Cloud Foundation平台提供了一个可以在本地部署或从云端作为服务运行的通用基础架构,“这将超越所有目标,”他说。Gelsinger在没有提供具体细节的情况下表示,VMware最近进入安全市场的进展良好。“我们在安全市场中处于独特的地位,我们可以看到整个操作——数据流、网络和应用,”他说。与AWS长达两年半的合作关系“进展非常顺利”。
Forrester的O'Donnell表示,随着客户转向多云战略,VMware占据有利位置。“客户希望选择将云和一些资产留在他们自己的数据中心。现在新兴的边缘计算市场正在快速扩张, VMware处于横跨所有这些领域的有利位置。”
根据最近的报道,在宣布与Amazon合作取得成果之后,VMware可能会与长期竞争对手微软也就类似的合作伙伴关系达成协议。Pund-IT的King表示,VMware对客户选择VMware来管理他们的混合云战略越来越有信心。“与AWS和微软合作是VMware在客户引领方面要做的方向。”
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。