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
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。