ZD至顶网软件频道消息: 当我们把所有的目光都聚焦在微软云业务的增长上,就会发现Windows在微软2017财年第二季度的财报中出人意料地大放异彩。
2017年1月27日消息——虽然华尔街分析师们最近已经完全适应了微软云业务的增长,但微软公布的2017财年第二财季的财报中,该公司的Windows业务仍然带来了最大的惊喜。
微软所谓的“更多个人计算”板块包括Windows、设备(Surfaces、手机、Xbox游戏机),广告和游戏/游戏服务。微软业务的这一部分是其三个主要板块中最大的,在收入方面,本季度达到了118亿美元,但营业收入仅为25亿美元。这部分微软的业务增长速度比微软的业务云/应用业务慢。
Surface收入比去年同期下降了2%。而手机收入相应下降了81%。但这些趋势都并不意外。
微软正在逐步淘汰其Surface 3产品线。Surface Book在本季度有一个相当小的更新,而Surface Studio——微软的大型显示器绘图桌式一体机则绝对是一个新的、并且是一个小的利基市场。有传言称微软2017年春季硬件发布规模会更大,其中可能会包含Surface Pro 5和Surface Book 2等产品。
在手机方面,81%的下降看起来似乎很可怕,但是这是微软计划通过退出手机制造业务来阻止出血举措的一部分,如果意识到这一点,这个数字就不足为奇了。在2017财年第二季度,微软将其功能手机业务出售给鸿海/富士康,并沽清了剩余的Lumia库存。(据信,该公司的目标是有朝一日会再次出击手机/移动业务,但不会在不久的将来的某个时间。)
该公司表示,由于——至少是部分由于Windows 10销售进入企业,微软的Windows OEM Pro业务在本季度增长了6%,其非Pro(消费者)业务增长了5%。这听起来可能不太多,但是如果你把这些数字与最近的几个季度进行比较就会有不同的感觉。(点击下面的图表放大。)
Xbox控制台销售量和价格都下降了,但Xbox软件和服务收入增加了,相关数字交易在本季度达到10亿美元。
增长更迅速也更为性感的微软部门——也就是“生产力和业务流程”和“智能云”——怎么样呢?它们也有起落。
Office 365 Commercial(商业)增长似乎有所放缓,至少在增长速度方面。 LinkedIn——微软于2016年12月8日正式收购了这家公司——贡献了2.28亿美元的收入,但也带来了2亿美元的营业收入赤字。
微软说,现在在iOS和Android设备上有超过6500万的活跃Office,这一数字比一年多了一倍以上。其中一些设备正在免费使用Office;那些拥有更大的屏幕或者想使用更多功能的用户则需要付费。
微软的官员们表示,该公司看到向中端Office 365 E3计划转换的客户对Office 365商业版需求强劲。最昂贵的E5计划——premium仍处于获得发展动力的早期阶段。但微软的目标仍然是继续升级,针对特定的市场板块,为其Office 365版本添加新功能和用户类型,就像它最近为Office 365增加的StaffHub工作人员管理功能一样。
从某些方面看,智能云板块仍然是微软云色彩最浓厚的部分,也是最受关注的业务部分。
微软没有细分各产品/服务的收入。相反,该公司的官员们谈到一些基数未知的增长百分比。本季度Azure收入增长了93%(和一些未知的、以前的数字相比)。 Azure计算使用量同比增长了一倍多,当然,对比再一次使用的是未知的数据。服务器产品——包括在2016年第二季度推出的Windows Server 2016和云服务收入增长了12%。
在云端的好消息是,本季度,微软“商业云”现在的年化营业收入为140亿美元。上个季度,微软的商业云年化收入达到130亿美元。它的目标是到2018年达到200亿美元的年化收入。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。