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
做数据转化知识之路的“探路人”、AI-Ready探索之路的“点灯人”,是联想凌拓的自身定位。他们希望帮助企业将海量数据转化为有价值的知识、在 AI 转型的道路上少走弯路,加速前行。
罗切斯特理工学院团队开发SPHINX系统,专门测试AI视觉推理能力。该系统可无限生成25类视觉推理题目,测试发现最强的GPT-5准确率仅51.1%,远低于人类75.4%。研究显示AI主要困难在视觉信息提取而非逻辑推理,通过强化学习训练可显著改善表现并迁移到其他任务。
高带宽闪存技术承诺提供超大容量,但面临极其复杂的工程挑战。该技术将多层NAND芯片堆叠,每层由数百个3D NAND单元层组成,可创造前所未有的存储容量。相比昂贵的HBM内存,HBF使用更便宜但速度较慢的闪存为GPU提供更多存储空间。技术复杂性体现在互连布线的困难,12层HBF堆叠将包含2866个存储层。由于需要英伟达等GPU厂商深度参与和行业标准制定,预计HBF距离商用还需两年以上时间。
法国理工学院研究团队开发的I-GLIDE系统,通过将复杂设备拆解为多个子系统分别诊断,结合不确定性量化技术,实现了设备剩余寿命预测的重大突破。该系统在NASA飞机引擎数据集上的预测误差比传统方法降低23-39%,同时提供了前所未有的可解释性,能够精确指出具体组件的健康状况,为工业智能维护提供了新的解决方案。