至顶网软件与服务频道消息:微软今天公布了表现抢眼的第四季度财报,业绩轻松超出市场预期,微软云业务也再次显示出强劲的增长态势。
不过,微软公布的当前季度指引低于预期,使得微软股价在盘后交易中下跌了2%多。
该季度微软稀释后的每股收益为1.46美元,收入为380亿美元,较去年同期增长13%,此前华尔街预期的每股盈利为1.37美元,收入为365亿美元。
微软在整个2020财年的净收入为443亿美元,合每股收益5.76美元,收入为1430亿美元,同比增长14%。
第四季度市场对微软云服务需求强劲,分析师将此归因于疫情迫使人们继续在家办公的趋势,从而推动了微软三大业务收入的增长,包括智能云业务、生产力和业务流程业务。
微软首席执行官Satya Nadella在一份声明中表示:“过去五个月已经清楚地表明,技术强度是业务弹性的关键。那些具备数字化能力的企业,复苏速度更快,并且在这场危机之中表现得更为强大。我们是唯一一家拥有集成现代化技术堆栈、基于云和AI、以安全性和合规性为基础的厂商,致力于帮助所有企业组织进行转型,并重构他们满足客户需求的方式。”
微软的Intelligent Cloud智能云业务(包括Azure公有云服务、GitHub、Windows Server、SQL Server和企业服务)的收入为133.7亿美元,同比增长了17%,但是Azure的收入增幅从上一季度的59%放缓至47%。
Moor Insights&Strategy分析师Patrick Moorhead认为,微软该季度业绩超出预期主要是受益于企业、政府和学校为持续应对疫情所采取的措施。
Moorhead说:“这不是随意的业务支出,而是必需的支出,是和工作、管理和学习息息相关的,是为了更好应对疫情的。”因此,他认为不必担心Azure的收入增幅略有降低。“我不担心Azure增幅的降低,因为收入基数是在增长的,但是我们也需要密切关注。”
Nucleus Research分析师Daniel Elman认为,未来几个季度Azreu的收入增长可能会再次加速。
他说:“考虑到疫情和远程办公已经促使企业组织大幅加快了数字化转型进程,所以这么说是有道理的。市场对云服务的需求仍然很高,所以微软云业务的增长可能会进一步加快,尤其是那些拥有集成的、现代化的、弹性技术堆栈的企业,能够在任何经济困难时期或者未来潜在危机中以最快的速度复苏,这一点正在变得越来越明显。”
微软的生产力和业务流程业务(包括Office、Dynamics和LinkedIn)的收入为117.5亿美元,比去年同期增长6%。其中,LinkedIn收入增长了10%,这是自2016年微软收购LinkedIn以来的最低增速。
LinkedIn是因新冠病毒爆发而受到冲击的少数几个微软业务之一,已经宣布近期裁员960人,因为企业对于LinkedIn招聘解决方案的需求有所降低。
Elman说:“随着客户继续缩减数字广告上的支出,LinkedIn的收入也可能会继续下滑。不过,由于LinkedIn在市场中占据主导地位,所以倒也不至于寸步难行。”
此外,微软的More Personal Computing业务(包括Windows、搜索、Surface和Xbox)的收入同比增长14%至129.1亿美元。其中,Xbox内容和服务收入增长了65%,微软首席财务官Amy Hood称这主要归因于疫情让在家玩视频游戏的人增多,从而让互动水平创下新高。微软的Surface也表现强劲,收入同比增长了28%。
Moorhead表示:“Surface是微软的一大亮点,正如我上个季度所说,微软需要的只是增长的动力,第四季度就实现了。”
Elman认为,尽管近年来硬件已经不再是微软战略重点,但疫情让人们被迫留在家中,需求出现了回升。
他说:“如果人们要不是长时间在家办公的话,就不会想使用笔记本电脑或平板电脑。他们想要更高的计算能力和性能、多显示器和其他技术,让在家办公更像是自己所熟悉的工作场所。”
展望未来,微软预期第一季度收入为356.1亿美元,增长8%,但这略低于华尔街359.1亿美元的收入预期。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。