Oracle近日公布的第二季度财报好坏参半,未能达到预期,使得股价在延长交易中下跌了3%。
Oracle公司董事长兼首席技术官Larry Ellison表示,Mark Hurd前不久去世后,Oracle目前还没有计划聘请Safra Catz之外的第二位首席执行官。
该季度Oracle在股票薪酬等特定成本之前的利润为每股90美分,收入为96.1亿美元,只同比略微增长了0.5个百分点。此前华尔街预期Oracle在该季度的利润为88美分,收入为96.5亿美元。
该季度Oracle的最大亮点是云服务和许可支持业务部门,同时也是Oracle规模最大的一个业务部门,收入为68.1亿美元,比去年同期增长3%,但略低于华尔街68.2亿美元的预期。在该部门下,Oracle Autonomous Database的云收入翻了一番。
Ellison在一份声明中表示:“Oracle Autonomous Database尽管还处于发展初期,但是已经有数千家客户运行在我们的第二代公有云中。”他说,预计“未来几个月这块业务的增幅将随着我们把运行在Gen2 Cloud@Customer上的Autonomous Database发布到庞大的本地环境中而急剧增加。”
其他业务方面,云许可证和本地许可业务贡献了11.3亿美元的收入,比去年同期下降了7%。硬件收入减少2%至8.465亿美元,服务收入减少1%至8.06亿美元。
Ellison强调了Oracle云企业资源计划产品的增长,其中Fusion ERP收入增长37%,NetSuite ERP收入增长29%。他说,Oracle有机会争夺竞争对手的客户群来进一步发展自己的ERP业务。
Oracle在电话会议上表示:“SAP的很多大客户已经和我们展开合作,制定迁移到Fusion ERP的计划。我们赢得了SAP客户群的青睐。”
除此之外,Pund-IT分析师Charles King认为,Oracle收益超出预期而收入未达目标可绝对不是一个好消息,而且上个季度的业绩也是低于预期的。
King表示:“这显然让Oracle的一些股东感到不安,但是鉴于Oracle的业绩与分析师的期望之间差距很小,所以转而投奔其他厂商也许是一个比较极端的反应。”
说到缓解,King表示,该季度结束的时候Oracle并不是唯一一家遇到难题的厂商,中美持续不断的经济和贸易争端下,很多科技公司都面临挑战。
Constellation Research分析师Holger Mueller认为,Oracle即使在未达到目标的情况下也能很好地保持收入增长,但主要的挑战是如何继续前行。
“显然Oracle确实需要NetSuite,否则业务将会萎缩。硬件、本地许可和服务业务都在萎缩,而且Oracle在EMEA(数据库业务表现抢眼的地区)方面也没有实现增长,这一点令人惊讶,可能是执行方面的问题。这些增长引擎的表现需要摆脱收入线不断萎缩的困境,而这正是Oracle在第三季度和第四季度需要做的。”
该季度Oracle联席首席执行官Hurd英年早逝的消息震惊业界。Oracle在电话会议上表示,公司计划引进一些新人才包括“潜在的首席执行官”,但他说“没有计划设置第二个首席执行官”,这意味着目前公司还将由Catz领导。
同样在该季度,Oracle宣布了与VMware达成重要的合作伙伴关系,使双方共同客户能够构建混合云环境,从而可以在Oracle的云中运行VMware服务。此外,Oracle还在该季度收购了客户忠诚度初创公司CrowdTwist。
Catz向投资者表示,预计第三财季每股收益在95至97美分之间,中位数仅略低于华尔街预测的每股97美分。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。