美国网络基础设施制造商Extreme Networks发布业绩报告,营业额出现两位数的反弹,但公司股价在周三第四季度财报发布后后几乎跌了五成。这是在提醒大家,科技公司如业绩未能达到华尔街的预期就存在危险。
在截至6月30日为止的该季度里,Extreme Networks的收入增长了56%,达2.783亿美元,远远高于去年同期1.789亿美元的收入,但低于分析师预期的2.7922亿美元。
加上Extreme公布的亏损为560万美元,虽然比上一季度亏损的1300万美元有改善,但去年同期则录得利润1320万美元。
首席执行官Ed Meyercord则高调表示自动化校园业务方面的出货量“稳定“以及软件销售及相关服务录得创纪录的1100万美元季度业绩。但他未能用同样热情洋溢的词汇来谈论从博科收购的数据中心网络产品的业绩。
他提到下一代SLX平台称 “高端数据中心胜出”,其中包括签了20个100万美元以上的交易,是上一季度的两倍,但他补充表示,“离我们的内部预期略逊一筹。”
Meyercord在电话会议上表示,“我们对本季度最后一周数据中心订单短缺了1000万美元感到惊讶。很明显,我们在渠道的处理上存在不足。为了解决这个问题,我们改组了领导层,我们还调低了2019财年第一季度第二季度的季度预期收入约5000万美元。
他称,路由器产品组合将“在2018年年底全面完成,而且我们将以交换端口价提供路由器端口规模。”
在整个2018财政年度,Extreme的销售额为9.83亿美元,亏损4,680万美元。相比之下,上一个财政年度的销售额为6.07亿美元,亏损174万美元。
Extreme公司提供给投资者的幻灯片([PDF] http://investor.extremenetworks.com/static-files/cc02a93a- 9226-40dc-9dab-41d6fa2e8267 )显示,Extreme的库存积压在增加,本季度的积压为6390万美元,而上一季度的积压为4740万美元 -- 本季度的资本支出为1840万美元,而去年同期的支出为260万美元。花更多钱,获利更多,但赚钱少了。
Meyercord表示:
我们正在精简我们的产品组合,并在积极提出减少与旧产品相关的SKU以及之前宣布的寿命终止产品的计划。我们对渠道中的产品组合进行了评估,我们确认了提高灵活性、提高效率和提高利润率的时机。
首席财务官Drew Davies.表示,公司在2018年财政年度末账面上的债务总额减去贷款费用为1.98亿美元,“归因于与Campus Fabric收购相关的借款以及我们在2018年5月1日结束的新定期贷款和循环信贷额”。
Extreme预计,收入大致会减少以及亏损将在不久的将来深化,预计2019财年第一季度的亏损将在690万美元至1460万美元之间。
Extreme Networks此前曾于去年收购了Avaya的网络商务和Brocade的数据中心业务。Davies在其评论文章(http://investor.extremenetworks.com/static-files/2e7a7520-72e5-46cd-bfab-b1a9b6cb5df0 PDF,其实更多的是个声明而不是评论文章)将当前的困境归结为“由我们的校园结构和数据中心导致的收购财会调整“。
Extreme的股价在在公布业绩时从9美元左右跌至5.89美元,本文完稿时上涨至6.24美元。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。