微软今天公布了第三季度财报,几乎所有产品线的收入都超出预期水平。不仅如此,微软还公布了看涨的预期,助其股票在盘后交易上涨约5%。
该季度微软的收入同比增长18%,达到493.6亿美元,超出分析师预期的490亿美元。收益为167.3亿美元,即每股2.22美元,超出预期的2.19美元,同比增长9%。其中,Office 365产品套件近十年来首次提价,是推动销售的一大因素。
尤其值得注意的是微软云业务的增长,商业预订增长了28%,Microsoft Cloud收入为234亿美元,同比增长32%。Intelligent Cloud收入增长26%,达到191亿美元,超出华尔街预期的189亿美元,其中服务器产品和云服务收入在Azure的推动下增长32%,其他云服务收入增长49%。
微软公司首席执行官Satya Nadella表示:“过去两年已经证明,每个企业组织都需要一个数字框架,将整个组织从前端董事会连接到客户和合作伙伴,没有哪家公司比微软更能满足这一需求。”
Nadella表示,他看到客户并没有任何削减IT预算的迹象,并预测说,到本世纪末技术支出占国内生产总值的百分比将翻一番。
云支出略有放缓
不过微软也提醒说,云收入可能会从高速增长转为放缓,但是在Azure的推动下,Intelligent Cloud部门在第四财季的收入仍预期在211亿美元至213.5亿美元之间。
Forrester Research副总裁、研究主管Glenn O'Donnell说:“云业务继续像杂草一样迅猛增长,很难理解一家规模2万亿美元的企业,是如何能够保持这样的增长速度,而微软做到了。”
Pund-IT首席分析师Charles King指出,微软被普遍认为是云计算领域第二大厂商,但其总体业务远大于任何竞争对手。微软商用云收入为236亿美元,“远高于AWS最近一个季度的177亿美元,但是AWS的增幅为40%,高于微软。”
因为AWS主要还是一家基础设施厂商,而微软将云应用业务纳入了整个云的收入版图中。King说:“微软还将Office 365 Commercial、LinkedIn Commercial和Dynamics 365纳入了商用云业务中。微软和Amazon的服务产品存在巨大差异,这一点表明,‘云计算’的传统定义局限性越来越明显。”
Office业绩强劲
该季度微软的Productivity and Business Processes业务线收入同比增长了17%,达到158亿美元,其中增幅最高的是Office 365 Commercial,按照固定汇率达到了20%。尽管Office已经是一款成熟的产品,但Nadella表示,在疫情期间Office的“使用率一直在增长”。
LinkedIn在企业强劲的招聘需求带动下,收入增长了35%。Dynamics产品和云服务收入增长了25%,其中Dynamics 365增长38%。
More Personal Computing业务收入增长了11%,达到145亿美元,其中Windows OEM收入增长了11%,这主要得益于个人电脑市场的持续强劲——尽管与疫情相关的PC销售高峰现在已经结束。
此外,微软对第四季度和全年的乐观预期,助推了股价的上涨。微软表示,尽管Office 365收入略有放缓,但预计Productivity and Business Processes部门收入预计在166.5亿美元至169亿美元之间。More Personal Computing部门收入预计在146.5亿美元至149.5亿美元之间。
微软公司首席财务官Amy Hood表示:“我们预计2022财年第四季度的表现将与全年保持一致,实现强劲的增长,收入份额和营业利润率都将有所增长。”她补充说,微软管理层有信心“将继续推动运营和收入保持健康的两位数增长。”
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。