HPE公布最新财报显示,第四季度收入未达预期,导致周一股价在盘后交易中下跌近4%。
根据财报显示,在股票补偿等特定成本之前的利润为每股49美分,营收为72.2亿美元,较去年同期下降了9%。此前华尔街分析师预期营收为74亿美元,利润为每股46美分。
HPE还公布了全财年业绩,每股收益为1.77美元,营收为291亿美元。华尔街此前预期全年收益为每股1.74美元,营收为293亿美元。
传统硬件业务Hybird IT是HPE目前面临的最大问题,这块业务包括服务器、存储和网络设备。该季度Hybird IT收入为56.7亿美元,比去年同期下降了11%,低于分析师平均预期的57.4亿美元。计算业务(包括硬件销售收入,占HPE总收入的13%)下降了13%。
HPE其他业务的业绩好坏参半:智能边缘业务收入为7.23亿美元,金融服务业务收入为8.78亿美元,低于去年同期的9.39亿美元;Nimble Storage收入增长2%,而Nimble服务和Pointnext专业服务收入则持平;Aruba服务收入增长17%,而Aruba产品收入下降7%。
出现这些结果正是HPE正在极力改变业务模式的时候。HPE首席执行官安Antonio Neri此前曾表示,他希望在2022年之前“以服务形式”交付HPE的所有产品,而今天他坚持认为,HPE在这个方向上取得了很好的进展。
Neri表示:“我对我们推动可持续的、能够盈利的增长充满信心,我们将继续推动产品组合转型为更高价值的软件定义解决方案,到2022年之前以即服务的形式提供所有产品。我们提供边缘到云平台即服务的战略在业界内都是无人能及的。”
这是一个非常大胆的主张,因为那些已经从基于消费的业务模式转换为订阅定价模式的厂商在转型过程中都遇到难以维持利润的问题。但Neri在接受CNBC采访时表示,该季度财报结果不理想应该归咎于“关税和地缘政治不确定性”以及“商品的通缩面”。他补充说,大订单将会让销售周期进一步延长。
Moor Insights&Strategy分析师Patrick Moorhead认为,HPE在Aruba Services和Apollo等战略业务方面实现的增长令人印象深刻,而且他也指出了HPE积极的长期收入战略。
Moorhead表示:“我认为HPE的未来将取决于它在混合云中的差异化定位和执行力,而且我对HPE‘一切即服务’的战略比较乐观。 现在这个领域已经走出了‘一切都要上公有云否则就要被淘汰’的阶段,企业变得更加务实,因为很多企业会把大量数据保留在本地云中,这促使HPE新推出的Kubernetes容器平台对HPE取得成功变得至关重要。”
Moorhead也谈到了本月初在圣地亚哥KubeCon 2019大会上新推出的 HPE Container Platform。该平台基于HPE去年收购BlueData Software获得的分布式处理技术,以及最近通过收购MapR Technologies获得的存储技术,旨在帮助企业组织将原有业务应用迁移到云中。
HPE还公布了下一季度及下一个财年的指引。HPE预计第一季度每股收益在42美分至46美分之间,超出分析师预期的42美分。全年来看,HPE预计每股收益在1.78美元至1.94美元之间,符合华尔街每股1.85美元的预期。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。