数据库厂商Oracle近日发布财报,因其销售额未达预期且给出的收入指引低于分析师的预期,使得股价在盘后交易中遭受重挫。

2024财年第一季度Oracle公布的净利润为24.2亿美元,高于上年同期的15.5亿美元,不计入股票补偿等特定成本之前的盈利为每股1.19美元,高于华尔街预期的每股1.15美元。
然而,较高的盈利能力未能减轻Oracle营收未达预期所带来的打击。Oracle公司报告称,该季度总销售额为124.5亿美元,低于市场普遍预期的124.7亿美元。
第二季度也不太可能有任何好转,Oracle公司预计每股收益在1.30美元至1.34美元之间,而收入增长为5%至7%,分析师预期的第二季度每股收益为1.33美元,销售额为132.8亿美元,收入增长8%。
Oracle股价在盘后交易中下跌超过8%,抵消了在常规交易时段的小幅涨幅。
收入低于预期的一个可能原因是Oracle对电子医疗记录公司Cerner的持续整合。此前Oracle在2022年6月完成了对Cerner的282亿美元收购,并表示,正在将业务整合到Oracle的云基础设施中。
Oracle公司首席执行官Safra Catz(如图)在电话会议上表示,Cerner向Oracle云的加速过渡导致收入增长放缓。她解释说:“随着客户从预先认可的许可购买转向按比例认可的云订阅模式,这种转变会给Cerner的增长带来一些短期阻力。”
然而,云是Oracle最大的亮点。该季度Oracle的云基础设施收入为15亿美元,同比增长66%。Catz表示,这比超大规模云基础设施业务的竞争对手要快得多。
不过她没有说的是,这比上一季度报告的76%的增幅要慢一些。目前,Oracle的云基础设施业务仍然比竞争对手AWS、微软和谷歌要小得多。
Catz表示:“该季度云服务总收入、基础设施以及应用增长了30%,达到46亿美元。Oracle Cloud Services加上许可支持收入目前占到Oracle总收入的77%。这种高度可预测的、高利润的经常性收入流推动了第一季度非GAAP每股收益增长16%,自由现金流增长21%,运营现金流增长70亿美元。”
Oracle该季度云服务和许可支持总收入为95.5亿美元,同比增长13%,高于华尔街普遍预期的94.4亿美元。但在这个细分市场中,云许可和本地许可收入下降了10%,为8.09亿美元,略低于华尔街预期的8.927亿美元。
硬件收入再次令人感到失望,同比下降6%至7.14亿美元,此前分析师预期的是7.396亿美元。
Oracle公司创始人、董事长兼首席技术官Larry Ellison竭尽全力激起人们对于在蓬勃发展的人工智能行业中Oracle前景的兴奋情绪。该季度,Oracle宣布与Cohere建立战略合作伙伴关系,Cohere是一家生成式AI初创公司,其聊天机器人可以和OpenAI和ChatGPT展开竞争。
Cohere将在Oracle的云基础设施上训练、构建和部署其生成式AI模型。Oracle当时表示,客户将能够根据自己的数据定制和训练Cohere模型,以实现业务流程自动化、改进决策并增强客户体验。
Ellison表示,Oracle正在人工智能行业建立更多合作伙伴关系,这位科技行业资深人士表示:“截至今天,多家AI开发公司已经签署合同,购买超过40亿美元的Oracle Gen2 云容量,这是我们第四季度末预订量的2倍。”
他还在电话会议上透露,Elon Musk最近公布的初创公司xAI将采用Oracle的云服务。这一举动并不令人意外,因为Ellison持有特斯拉公司的股票,并且在2022年8月之前一直担任董事会成员。
在这次股价下跌之前,今年迄今为止Oracle的股价已经上涨了55%,远远领先于同期仅上涨17%的标普500指数。
好文章,需要你的鼓励
尽管芯片厂商不断推出性能更强的神经处理单元,声称比上代产品快30-40%,但大多数AI功能仍依赖云端处理。专家指出,云端AI模型拥有数千亿参数,而手机NPU只能处理约30亿参数的模型。本地AI处理虽然在隐私保护和可靠性方面具有优势,但受限于内存容量和处理能力,目前主要应用于特定场景。业界正致力于优化模型压缩技术,实现云端与本地AI的混合处理模式。
NVIDIA联合多所高校开发的SpaceTools系统通过双重交互强化学习方法,让AI学会协调使用多种视觉工具进行复杂空间推理。该系统在空间理解基准测试中达到最先进性能,并在真实机器人操作中实现86%成功率,代表了AI从单一功能向工具协调专家的重要转变,为未来更智能实用的AI助手奠定基础。
Hammerspace通过现有NVMe存储最大化GPU使用率。随着AI计算在混合云和多云环境中扩展,基础设施团队面临着加速洞察时间同时最大化GPU投资的压力。Hammerspace Tier 0将GPU服务器集群内的本地NVMe存储转换为超高速共享存储层,性能比传统网络存储提升10倍,减少检查点时间,提高GPU使用率,改善推理响应时间,无需额外存储系统,节省数百万美元成本。
这项研究解决了现代智能机器人面临的"行动不稳定"问题,开发出名为TACO的决策优化系统。该系统让机器人在执行任务前生成多个候选方案,然后通过伪计数估计器选择最可靠的行动,就像为机器人配备智能顾问。实验显示,真实环境中机器人成功率平均提升16%,且系统可即插即用无需重新训练,为机器人智能化发展提供了新思路。