在刚刚过去的这个季度,微软的表现超出了预期水平。在2023财年第四季度,微软营收为561.89亿美元,同比增长8%, 净利润为201亿美元,同比增长20%。扣除股票补偿等特定成本之前的利润达到每股2.69美元,收入增长8%,达到561.9亿美元,该业绩超出了分析师的预期,此前华尔街预期每股收益为2.55美元,销售额为554.7亿美元。
然而,微软可能难以复制这一成功。微软公司首席财务官Amy Hood在电话会议上表示,微软预计2024财年第一季度的营收将在538亿美元至548亿美元之间,意味着增长约8%,中间值低于华尔街普遍预期的549.4亿美元。
微软给出的谨慎指引反映出增幅相比去年将出现大幅放缓。目前微软已经连续三个季度收入增速低于10%,这是自2017年以来首次出现这种情况。
但这并不是因为缺乏努力。该季度的亮点之一是微软的Intelligent Cloud业务,该业务实现营收239.9亿美元,同比增长15%,高于华尔街普遍预期的237.9亿美元,这部分业务包括Azure公有云、Windows Server、SQL Server、GitHub、Nuance、Visual Studio和企业服务。
微软没有公布Azure的具体收入,但表示,这部分业务该季度增长了26%,超出了分析师预期的25%。微软公司首席执行官Satya Nadella(如图)在电话会议上对分析师表示,“微软云”的年收入超过1100亿美元,其中Azure贡献了一半多。
Azure的收入增幅略低于竞争对手Google的云基础设施部门Google Cloud上个季度的增幅,后者今天早些时候报告增长了28%。
尽管云业务仍在增长,但增速要比以前慢得多。在新冠疫情高峰期,Azure云曾以50%甚至更高的速度增长,但如今,客户变得更加谨慎了。
Hood在电话会议中表示,由于对经济形势的担忧,许多客户正在调整现有的工作负载以降低成本,而且这种情况已经持续了一段时间,她说,该季度“我们看到上一季度优化和新工作负载趋势还在延续中”。
其他方面,微软的More Personal Computing部门(包括Windows、设备、游戏和搜索广告的销售额)收入为139.1亿美元,比去年同期下降4%,但略高于市场普遍预期的135.8亿美元。
这部分损失是由于向设备制造商销售的Windows许可减少所造成的。个人电脑市场正在下滑,市场观察机构Gartner最近报告称,该季度个人电脑销量下降了约17%,因此,PC制造商购买的Windows许可数量减少了12%。
这种情况不太可能很快得到改善,这也是微软发布指引表现疲软的原因之一。微软预计,第一季度More Personal Computing业务的收入在125亿至129亿美元之间,低于分析师预期的132.2亿美元。
微软的另一个主要部门是Productivity and Business Processes部门,其中包括Office、LinkedIn和Dynamics 365等产品。这部分业务的收入增长了10%,达到182.9亿美元,超出华尔街预期的180.6亿美元。
Constellation Research分析师Holger Mueller表示,总而言之,微软在第四季度取得了强劲的业绩,成功地保持了业务最重要部分的增长。
他表示:“关键的里程碑是,服务收入首次达到了产品收入的两倍多,这表明微软正在把产品传统抛在身后。虽然全年产品收入减少了80亿美元,但服务收入却弥补了这一不足,同期增长了220亿美元。总体来看,微软显然希望成为一家服务型公司,它需要源源不断的服务创新来继续这一转型,而且微软完全有能力做到这一点。”
由于增长乏力,微软被迫削减开支,这一点在今天的收益报告中得到了体现。微软的研发成本七年来首次下降。此前,Nadella曾在今年五月向员工表示,今年不会加薪。随后,7月份微软宣布了第二轮裁员。
不过,微软至少持续在生成式AI上投入巨资。该季度,微软宣布为企业员工提供由OpenAI大型语言模型支持的新搜索体验。Bing Chat Enterprise的推出,恰逢微软公布了面向Microsoft 365生产力应用的Copilot助手的定价。尽管尚不清楚Copilot何时推出,但每个用户每月的费用为30美元。
人工智能也推动了微软的云业务。微软表示,Azure OpenAI服务允许企业访问OpenAI的大型语言模型,目前已经有超过11000个客户,而三个月前仅为4500个。
Hood表示,微软在人工智能方面的努力,可能会对公司2024财年的收入产生更大的影响。她说:“需求强劲且处于领先地位,随着Azure AI规模的扩大以及我们Copilot临近上市,我们的人工智能服务也将呈现出渐进式的增长。”
好文章,需要你的鼓励
这项研究提出了PathFinder-PRM,一种创新的层次化过程奖励模型,通过先分类数学和一致性错误,再估算步骤奖励分数,从而提升大语言模型的数学推理能力。研究团队构建了40万样本的数据集,使用细粒度错误标签训练模型,在多个基准测试上超越了现有最佳模型,并以更高的数据效率实现了更好的端到端数学问题解决能力。这种方法像经验丰富的数学老师一样,不仅指出错误所在,还能提供更精确的改进指导。
这篇论文比较了AI辅助软件开发中的两种新兴范式:"直觉式编码"(Vibe Coding)和"智能体编码"(Agentic Coding)。Cornell大学研究团队的综述揭示了两种方法的根本区别:直觉式编码强调开发者与AI的对话式交互和创意探索,而智能体编码实现了自主软件开发,能独立执行复杂任务。研究探讨了这两种范式的概念基础、技术架构、应用场景和未来发展路线图,指出它们并非对立,而是可以在软件开发生命周期的不同阶段互补,形成统一的人机协作模式。
RankNovo是由上海人工智能实验室和复旦大学等机构联合开发的创新框架,通过列表式重排序方法整合多个肽段测序模型的优势,提出PMD和RMD两种新指标精确评估肽段差异。实验证明它在9-species基准测试中超越所有单一模型,肽段召回率提升至66.0%,并展示出强大的零样本泛化能力,为蛋白质组学分析提供了全新范式。
这篇研究深入探讨了大语言模型在处理不同语言长文本时的位置偏差现象。研究团队分析了英语、俄语、德语、印地语和越南语五种语言,发现位置偏差主要由模型决定而非语言特性,Qwen模型偏好文本末尾位置信息,挑战了传统认为模型偏好早期信息的观点。研究还揭示明确告知模型正确上下文位置反而降低性能,而熵分析表明当正确信息位于模型偏好位置时,不确定性反而增加,为多语言AI应用提供了重要指导。