VMware发布的第一季度财报业绩,突显了VMware正在向订阅销售模式转型方面所取得的进展,以及企业数据中心展现出的惊人弹性。

该季度VMware的收入为29.9亿美元,高于分析师预期的29.5亿美,每股收益为1.76美元,超出预期4美分。这两个数据并不令人意外,因为两周前VMware宣布任命Raghu Raghuram为首席执行官时就预告了业绩情况。
该季度VMware订阅和软件即服务许可收入组合同比增长了12%,VMware高管重申,公司有望在年底之前将大部分产品转换成订阅或者SaaS模式。该季度,订阅和SaaS的经常性收入增长了30%,达到30亿美元。
最大的惊喜是VMware核心的数据中心产品预订量增长了20%,这一数据打破了关于本地计算正在下滑的看法。
Raghuram说:“我们看到这部分业务表现突出,是因为计算是我们多云产品组合的一个重要组成部分。客户正在云、数据中心和边缘位置进行部署,他们要寻找最能满足这些需求的平台。”
Raghuram表示,VMware预计市场需求将不断回升,因此还将加大对核心计算产品组合的投入力度。“我们已经加速了在核心计算方面的创新速度,不仅是vSphere 7,还有与Nvidia这样vSphere可作为企业AI黄金平台的合作伙伴关系。”
VMware临时首席执行官Zane Rowe表示,这些数字表明客户已经开始反思疫情带来的变化了。他说:“我们看到普遍的乐观情绪,预示着对我们核心产品的利好,未来是光明的。”
提高预期
此外,VMware还调高了今年的财务预测,预计收入为128亿美元,调整后的每股收益为6.88美元,高于此前127亿美元和每股6.68美元的预期。展望下个季度,VMware预计收入为31亿美元,调整后的每股收益为1.62美元。
尽管业绩强劲并提高了预期,但VMware股价在纽约证券交易所的盘后交易中仍下跌了1%以上。
Forrester.研究主管Glenn O’Donnell对VMware数据中心业务的激增并未感到惊讶。他说:“由于疫情、云计算和其他因素,去年数据中心市场确实遭受了冲击。但随着市场复苏,很多抑制的需求开始释放。”
VMware表示,计划于今年晚些时候从戴尔公司分拆出来,届时将获得更高的自由度。 Raghuram说:“我们与戴尔长期以来一直保持良好的合作关系,我们已经将双方之间的关系形成于一份商业协议中,预计分拆之后我们将继续保持牢固的关系。”
但同时VMware希望在分拆之后能够拥有更大的灵活性,可以与戴尔的竞争对手合作。Rowe说:“我们预计分拆将使我们能够继续保持与戴尔的关系,但同时也可以进行更广泛的合作。”
O’Donnell认为VMware希望在年底前全面转为订阅模式的目标是“很有野心的”,但从整个产品系列来看也许是不切实际的。“某些软件理所应当是一种服务,但VMware也要把VMware以即服务的形式售卖吗?这几乎是不可能的。”
尽管如此,Raghuram表示,对于VMware把所有产品的控制平面转移到云端的计划来说,这个转变是一个自然而然的结果。他说:“我们将转换所有本地环境的产品,让我们能够在云端对其进行控制。因此,我们所有的产品都将能够以订阅或者SaaS的模式提供给客户。”
好文章,需要你的鼓励
惠普企业(HPE)发布搭载英伟达Blackwell架构GPU的新服务器,抢占AI技术需求激增市场。IDC预测,搭载GPU的服务器年增长率将达46.7%,占总市场价值近50%。2025年服务器市场预计增长39.9%至2839亿美元。英伟达向微软等大型云服务商大量供应Blackwell GPU,每周部署约7.2万块,可能影响HPE服务器交付时间。HPE在全球服务器市场占13%份额。受美国出口限制影响,国际客户可能面临额外限制。新服务器将于2025年9月2日开始全球发货。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
安全专业协会ISACA面向全球近20万名认证安全专业人员推出AI安全管理高级认证(AAISM)。研究显示61%的安全专业人员担心生成式AI被威胁行为者利用。该认证涵盖AI治理与项目管理、风险管理、技术与控制三个领域,帮助网络安全专业人员掌握AI安全实施、政策制定和风险管控。申请者需持有CISM或CISSP认证。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。