至顶网软件频道消息: 微软2019财年第四季度的业绩报告显示本季度表现强劲,旗下的云服务、内部部署服务器产品、Surface部门甚至Windows的表现一如预期般强劲。然而,有人在更深入地了解微软的收益后就在想,微软的Azure业务是否正在放缓,因为Azure业务现在“仅仅”同比增长64%,而环比却持续下降。 有些人不禁要问,Windows Pro业务能否在Windows 7到10的迁移逐渐减少之后保持强劲势头。微软第四季度的收入为337亿美元,营业收入为124亿美元。 微软在报告旗下“商业云”的性能时仍然没有专门列出Azure数据,商业云统括了Azure、Office 365、Dynamics 365和一些LinkedIn商业业务。
微软的整体商业云业务在2019财年第四季度的表现强劲,达110亿美元。微软观察人士则继续认为商业云业务的最大份额来自Office 365商业版。由于Office 365商业版的用户订阅数增长及每个用户带来更高的平均收入(这意味着对O365 E3的持续需求,更多Office 365 E5以及对微软最近宣布的安全和合规SKU的兴趣),Office 365商业版收入本季度增长了31%。
投资者关系部总经理Mike Spencer表示,较低的Azure百分比增长是因为大数定律,即是说Azure的整体业务越大,增长的速度可能就越慢,就百分比而言。(他还表示,如果按恒定货币数字计算,增长率为68%,而不是64%。)此外,他还提到,Azure上的企业移动+安全服务的增长也变得更加温和,因此其轨迹现在看起来更像Office 365。
微软官员称,Azure利润率方面就完全不同,Azure利润率的情况正在明显改善,原因是微软最近连着签署了几个更大的多年合同。
记者问起利润率时Spencer表示,“我们正在继续扩大规模,在找业务效率。” 他表示,微软已经搞定了:数据中心结构;旗下客户支持;以及业务整体规模。这一阵的Azure交易更多的是关于合作伙伴而非事关降价(当然,尽管客户对价格仍然敏感)。
由于本季度Windows OEM和商业上的强劲增长,Windows收入同比增长了7%。微软官员在财报里表示,由于“Windows 7支持结束前的强劲势头”,Windows OEM Pro收入增长了18%。(微软的本地服务器业务也在经历类似的Windows Server 2008/R2和SQL Server 2008/R2支持终止日期的正面影响。)
笔者本季度第一次看到微软正式将2020年1月14日(Windows 7支持结束截止日期)作为Windows增长的原因,尽管Spencer告诉笔者过去几个季度的情况都是如此。笔者在前几季的财报电话会议上询问时,微软官员曾淡化Windows 7收入对Windows收入的影响。微软官员现在表示,微软预计Windows 7的终结将在下一季度及以后继续产生长尾影响。
微软官员表示,本季度Windows商业版(不是较弱的消费者版)增长的其他原因还包括“多年期协议的增加,这些协议在季内收入里的辨识度更高”,事关8-K报告格式,再加上强劲的商用PC增长及在预期关税前库存水平有4%的增长以及影响PC制造商的芯片供应问题结束。微软官员表示,专利许可的减少对Windows业务产生了一些负面影响,但没有详细说明IP许可收入下降的原因。
微软的游戏业务本季度偏低迷,游戏机销售继续下滑,而Surface收入为13亿美元,很不错了,因为第四季度没有推出新产品。微软首席执行官萨蒂亚·纳德拉(Satya Nadella)表示,微软认为游戏是Azure上的一项工作负载增长,而且微软正朝着旗下xCloud跨平台游戏流服务迈进。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。