至顶网软件频道消息:
微软在2018财年实现商用云业务2200亿美元的年运营收入目标现在看来不仅是可行的,而且是非常有可能实现的。
是的,对微软在第四财季230亿美元和2017财年900亿美元贡献最大的就是更多个人计算部门(More Personal Computing),其中包括Windows、设备和游戏。但是更多个人计算部门在微软三大业务部门对运营收益的贡献中是最小的,不管是季度还是财年。这一转型基本上是华尔街预期将会看到的。
在2017财年第四季度(截止于2017年6月30日)的时候,微软商用云的运营收入为189亿美元,高于上个季度的152亿美元。微软在2015年4月为自己定下的商用云运营收入目标是200亿美元。微软方面表示,其商用云的毛利率是52%,同比增长了10%。
下面就让我们来看看微软商用云都包含了什么,以及这些服务都是做什么的。
微软商用云中的主要服务是Azure;Office 365企业服务(Exchange Online、SharePoint Online、Skype for Business Online、Microsoft Team);Dynamic 365、Enterprise Mobility + Security Suite (EMS)。最近公布的Microsoft 365捆绑包包含Windows 10、Office 365、管理和安全服务作为订阅项将包含在商用云中。但是没有本地服务器、云托管或者其他咨询服务在这个包中。
微软方面表示,这意味着Azure Stack——微软的Azure一体机产品从今年9月开始供货之后,将不会作为商用云业务的一部分计算在内。
商用云并不等同于微软“智能云”细分业务,只是让事情变得更加复杂了,因为Office 365是属于微软生产力和业务流程部门的,一系列本地服务器产品例如Windows Server、SQL Server和System Center都是本地产品,并不作为商用云的一部分计算在内。
微软仍然没有详细列出Azure的销售额或者客户数字。微软表示,该季度Azure收入同比增长97%,但是没有办法计算一个精确的数字,因为我们不知道基数是多少。Dynamics 365收入同比增长74%,但同样的,因为没有基数所以我们无法计算出一个精确的数字。(微软大多数Dynamics CRM和ERP用户仍在使用这些产品的本地部署版。)
大多数企业观察家都认为微软商用云最大的部分是来自于Office 365 Commercial。Office 365 Commercial的用户席位同比增长了31%,微软方面表示(微软没有提供基数)。Office 365 Commercial月活用户在2017年4月达到了1亿,微软方面表示。
微软首席财务官Amy Hood在7月20日的分析师电话会议上表示,这个季度微软Office 365 Commercial订阅收入首次超过通过非订阅许可售出的Office。Office 365消费者订阅数现在是2700万,略高于2017财年第三季度的2620万。
有几个Windows和设备方面的数据值得注意:Surface收入下滑2%至9480亿美元,“由于生命周期过渡”,微软方面表示,尽管微软的确在第四季度发布了两款Surface产品线(Surface Pro和Surface Laptop),但都是在季度末的时候。2017财年第三季度Surface的收入有所下滑,同时也低于微软的预期。
微软基本上在2017财年第三季度或者第四季度没有手机的收入的,但是资产表仍然显示下滑趋势,因为微软在一年前的几个季度仍然身处于消费级手机市场。
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。