至顶网软件频道消息: 对于那些想知道微软能够延续云基础设施业务增长速度多长时间的人来说,答案是:我们也不知道。
在第二财季,微软的Azure基础设施即服务业务大涨了93%,收入达到220亿美元,比去年同期增长15.5%,比此前的市场预期多出了近10亿美元。每股95美分的收益也轻松超过了此前预期的85美分。
增长全面且强劲。随着Office 365商业收入增长42%,Office商用产品和云服务收入也增长了14%。消费者的Office 365订阅量达到3060万,推动消费产品和云服务增长12%。
微软公司首席执行官Satya Nadella将Dynamics应用部门定位为“云计算基础设施和桌面应用背后的第三个增长引擎”,这部分增长了17%,Dynamics 365增长了65%,Surface移动业务也增长了1/3。
投资者对此感到满意。虽然微软股价在盘后交易仅上涨了2%,但这却是达到了历史新高。微软股价在常规交易中也上涨了2%多,达到每股94.26美元。
Pund-IT总裁兼首席分析师Charles King说:“Dynamics是企业业务运行状况和未来与云息息相关的一个很好的例子,可以帮助企业脱离以技术为中心的云计算平台,特别是AWS。”
微软高管们试图降低Azure业务能够持续过去5个季度业务翻番的期望值,但仅仅因为这个规模是如此之大。Nadella表示:“随着数量的增加,增长将会有所放缓——况且现在数量已经相当庞大——不过我们将继续实现增长,因为我们所在的这个市场空间很大。”
Wikibon分析师Ralph Finos用一个观点做了总结:“微软正在全方面发力。”
这一结果,也突显了企业客户对微软在这个不再由桌面未定义的世界中,能够成功领航抱有越来越大的信心,他们强调Nadella提到的微软“将在差异化领域发力”的计划。
在某些情况下,这意味着将把在传统市场中取得的成果运用到新的领域,例如在Office的基础上推动Dynamics的增长。微软还将Dynamics、Azure和Office平台转移到了通用的架构基础上,这个基础架构为客户扩大微软投资提供了通道。
客户对此似乎也有所回应。微软表示,Windows商用产品和云服务收入增长了21%,主要由于“多年协议的数量增加了”。
Forrester副总裁兼首席分析师JP Gownder表示:“微软仍主导着工作场所,甚至像Office这样的成熟产品也实现了双位数的增长——即使微软正在从传统产品向云产品转型。”
客户也正在接纳微软在安全、协作和机器学习等领域的新举措。Nadella表示,目前有超过20万家企业和组织在使用微软Teams协作平台,该平台可取代Slack Technologies大获成功的竞争产品。
微软增加基于人工智能的日程安排、实时转录以及与Cortana虚拟助手的整合,这些举措显示微软正在将来自各个产品线的技术推向新的市场。Nadella甚至野心勃勃地表示,微软PowerBI软件“现在是云业务分析领域的领导者”。
微软借助自己本地Azure Stack版云平台向云端领导者AWS发起攻击。Nadella表示,在Azure Stack供货仅仅9个月之后,微软已经看到“各行各业客户的强劲需求,并且释放了跨混合云的各种新场景”, 不过他没有提供具体细节。
Moor Insights&Strategy的Patrick Moorhead说,微软能否赶上亚马逊是一个悬而未决的问题,但趋势显示微软的股价在持续上涨。“简单计算一下,Azure增长接近100%,AWS增长50%,在某个时候Azure会追赶上来。但现在,大家都在成长,所以不一定真是如此。”
Gownder表示认同,眼下看来Azure是增长的的领导者。“随着微软继续在智能云战略中融入更多人工智能产品,并为Azure Stack提供差异化的混合策略,那么Azure业务将会继续快速增长。”
更值得注意的是,微软在业务增长的同时利润也更高了。例如,商业云收入增长58%,而该业务的毛利率从一年前的51%增长到57%。“即使加速支出,我们也提高了利润率,”微软首席财务官Amy Hood表示。
如果前面有冰山漂浮,分析师也不会看到。Moorhead表示:“微软正在与谷歌、亚马逊和苹果一样努力成为领导者。”
微软已经想出了如何让自己在生产力应用领域的主导地位延伸到成为云战略的领导者,而且这一年中微软在云端竞争对手也面临很多政治和社会因素影响,微软未受太大影响,至少现在看来是这样的。
King表示:“微软似乎不太可能遇到目前Facebook、亚马逊和谷歌正在面对的政治风暴。老话说,不要期望着你的竞争对手犯错误,但能够在他们犯错误的时候抓住时机,这句话显然很适用于微软。”
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。