ZD至顶网网络频道 11月26日 编译:博科公司在最近四年以来一直保持着良好而稳定的运营表现,每年几乎雷打不动的22.5亿美元营收加上持续增长的净利润极具说服力,而其2015财年的表现似乎将把这一纪录延长至五年。
今年博科方面的年度总营收为22.6亿美元,净利润为3.4亿美元,双双高于2014年全年的22.1亿美元营收与2.38亿美元净利润。这表明:第一,目前一切状况运作良好;第二,CEO Lloyd Carney正在顺利压缩企业的运营成本。
2015年第四季度博科迎来了同比增长的营收走势,这当然也要归功于Carney及其管理团队对企业的出色把控。第四季度博科方面的营收总额为5.89亿美元,较上年同期增长4.4%,净利润则为8400万美元,同比提升0.7%。
这一切都保持着稳定态势,而博科公司也扮演着管理妥善且十分成熟出色的网络产品供应商的角色,那么其增长前景到底在哪里?第四季度SAN(存储区域网络)产品的营收为3.25亿美元,较上个季度增长了5%。
纵观2015财年,博科公司的SAN产品营收总计13亿美元,与上年全年相比下滑2%,这主要是由于交换机与嵌入式交换机产品销量下降。
而在2015年第四季度,博科的IP网络产品营收为1.7亿美元,较上年同期增长12%,与上季度相比亦提升10%。单就第四季度的表现来比较,博科在营收方面实现了28%的增长,这主要归功于以太网交换机销售以及喜人的软件销售成果,不过路由器营收下滑20%则在一定程度上拖累了其整体涨势。
着眼于全年,博科的IP网络产品营收为6.01亿美元,较上年全年增长14%,其中销售情况最为旺盛的当数交换机、路由器以及配套软件。
由此可以看出,以太网设备的销售增幅尚不足以抵消下滑当中的光纤网络产品营收。那么下个季度(也就是2016年第一季度)博科是否还会面临同样的状况呢?博科预计下季度其营收总额应该在5.5亿美元到5.7亿美元之间,与上年同期相比下滑2.8%。那么其为何会做出这样的消极预期?
尼古拉斯公司总经理Aaron Rakers指出,博科公司预计其IP网络产品营收将出现16%到22%的环比跌幅,这主要是由于美国联邦政府当季度采购规模萎缩再加上缓慢的路由器市场增速。
余下的几个季度则预计较为乐观,其中Network Packet Broker产品似乎势头见好,而融合型光纤网络与IP存储平台也将迎来不错的市场反响。
而中国将继续成为对光纤网络产品高度需求的区域市场,而博科公司已经与华为及联想达成了交易协议,并希望能够在2015年年底之前同浪潮签署供应合同。
Rakers在九月分析师日会议上指出,博科公司预计其光纤网络SAN市场营收在2016年及2017年之间将出现1%的缩水。而在另一方面,博科则预计IP网络市场总额将由2014年的339亿美元增长到2017年的373亿美元。
“博科公司在其本财年最终季度当中运营良好,其营收较预期高出1400万美元,股价则提升了0.02美元,”William Bair公司分析师Jason Ader这样讲到。“不过博科为新财年第一季度做出的预期确实低于普遍猜测。”
就目前来看,SAN业务的良好态势还将进一步延续下去,但与此同时超融合型系统、虚拟SAN、iSCSI、大数据分析HDFS以及公有云的陆续崛起则限制了光纤网络SAN的发展空间。另外思科公司在以太网市场上正在全力冲刺并已经取得了一定进展。
总之,博科公司看起来已经顺利完成了其光纤网络与以太网业务的市场推广工作,极具成效的运营体系虽然并没有使其业务大规模增长,但却成为一股稳定且不容忽视的网络技术力量。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
北卡罗来纳大学教堂山分校研究团队提出MEXA框架,通过动态选择和聚合多个专业AI模型来处理复杂的多模态推理任务。该方法无需额外训练,在视频理解、音频分析、3D场景理解和医学诊断等多个基准测试中显著超越现有模型,为AI系统设计提供了新思路。