VMware公布的第一季度财报显示,收入和收益均超出了华尔街的预期,但并未让投资者感到满意,VMware股价在盘后交易中下跌超过3%。
但是没有任何迹象表明VMware从虚拟机管理程序或虚拟机制造商向多云和混合云战略赋能者的转型有什么不妥。
该季度VMware的收入同比增长12.8%达到22.7亿美元,略低于市场预期的22.5亿美元,增幅略低于上个季度的13.5%。
每股1.32美元的调整后收益比市场预期高出了4美分,但略低于VMware过去四个季度6%的平均收益。许可收入增长了12%,达到8.69亿美元。
Moor Insights&Strategy分析师Patrick Moorhead称VMware的收入增幅“令人印象深刻”,当前VMware核心的虚拟机管理程序业务增长平平,因此VMware调整战略将重点放在了多云和混合云赋能上。“很多业内人士认为VMware是一家老公司,但现在它正在成为一家本地云计算公司。”
Forrester分析师Glenn O’Donnell对此表示认同。他认为,VMware首席执行官Patrick Gelsinger和他的团队“继续执行的计划试图让那些说VMware鼎盛期已经过去的批评者们闭上嘴。客户从VMware那里不断购买产品,而且购买大量的产品”。
Gelsinger表示,VMware通过与微软合作完成了几笔交易,并且在最近推出了VMware Cloud on Dell EMC。他说:“我们正在持续扩展面向混合云和多云环境的平台,这些平台变得越来越重要且更具战略意义,”这里他提到了VMware已经与三大公有云巨头中的前两个达成了联盟。
有分析师提出VMware未能实现23%的收入增长,并问及许可收入增长是否开始下滑。Gelsinger解释说,这一变化是由于面向混合云和多云合同的软件即服务产品销售增长加快所导致的,这部分合同增加了35%。
“许可预订转化为收入的速度要快于SaaS预定。你会看到有越来越多的SaaS预订,然后收入不断增加。”
VMware没有按产品线公布财报结果,但VMware高管们表示,公司的多元化战略正在取得成效。NSX网络虚拟化软件许可证预订量增加了40%,该季度十大交易都涉及了NSX。vSAN存储虚拟化软件销售额增长了50%,客户数已经超过20000家。该季度的十大交易中有9个涉及最终用户计算产品,该类别下超过半数的预定都是即服务的形式售出的。
Forrester的O'Donnell表示:“增长来自云合作伙伴关系、软件定义网络和vSAN,其中vSAN已经成为快速扩张的超融合基础设施市场的一个主要力量。技术的未来是基础设施和应用的无缝融合,这同样重要。”
vRealize混合云套件以及CloudHealth Technologies(VMware在去年夏天收购)的多云运营平台推动VMware云管理软件销售实现强劲的两位数增长。Gelsinger表示,VMware让客户更易于更易于采用多云的战略正在取得成效。
他表示,即便是容器——曾经被视对VMware虚拟化业务构成重大挑战的便携式软件环境——也带来了新的机会。容器“带来了奇妙的情况,它对业务的影响很小,但是势头却很猛,就像是未来二十年的Java”。他说,VMware现在是Cloud Native Computing Foundation基金会Kubernetes容器编排项目的第二大贡献者。
总体来看,VMware继续在基础设施这个近期出现了增长放缓迹象的市场中继续逆风而行,那么VMware该做些什么来保持这种势头?
Pund-IT首席分析师Charles King表示:“或多或少还是要继续提供自Gelsinger担任CEO以来的所有产品。VMware已经成为一个在发展过程中了解并发挥其优势的企业的典范,这对于VMware及其股东来说很可能仍将是取胜的一条路径。”
好文章,需要你的鼓励
OpenAI和微软宣布签署一项非约束性谅解备忘录,修订双方合作关系。随着两家公司在AI市场竞争客户并寻求新的基础设施合作伙伴,其关系日趋复杂。该协议涉及OpenAI从非营利组织向营利实体的重组计划,需要微软这一最大投资者的批准。双方表示将积极制定最终合同条款,共同致力于为所有人提供最佳AI工具。
中山大学团队针对OpenAI O1等长思考推理模型存在的"长度不和谐"问题,提出了O1-Pruner优化方法。该方法通过长度-和谐奖励机制和强化学习训练,成功将模型推理长度缩短30-40%,同时保持甚至提升准确率,显著降低了推理时间和计算成本,为高效AI推理提供了新的解决方案。
中国科技企业发布了名为R1的人形机器人,直接对标特斯拉的Optimus机器人产品。这款新型机器人代表了中国在人工智能和机器人技术领域的最新突破,展现出与国际巨头竞争的实力。R1机器人的推出标志着全球人形机器人市场竞争进一步加剧。
上海AI实验室研究团队深入调查了12种先进视觉语言模型在自动驾驶场景中的真实表现,发现这些AI系统经常在缺乏真实视觉理解的情况下生成看似合理的驾驶解释。通过DriveBench测试平台的全面评估,研究揭示了现有评估方法的重大缺陷,并为开发更可靠的AI驾驶系统提供了重要指导。