尽管增长速度不及其他云服务商,但掌门人Andy Jassy表示问题不大。
亚马逊云科技有望在2024财年实现千亿美元收入,利润率进一步扩大,并成为亚马逊母公司的主要运营收入来源。
本周二,亚马逊公布了其第一季度业绩,销售额为1433亿美元,同比增长13%,净利润为104亿美元,营业收入则为153亿美元。
亚马逊云科技销售额同比增长17%达到250亿美元,其中94亿美元为营业收入——所谓营业收入,是指忽略掉部分计算净利润成本的利润指标。简单计算即可发现:亚马逊总收入中只有17%来自亚马逊云科技,但这部分云业务贡献的营业收入却占集团整体的65.7%。
亚马逊云业务的利润率增长值得关注:本季度提升达800个基点,即8%。
CEO Andy Jassy还专门就亚马逊云科技这17%的增长率做出说明——显然是因为微软和谷歌分别报告其云业务增幅达31%和28%。
Jassy在亚马逊财报电话会议上对投资者们表示,“请注意,增长百分比很大程度上取决于原有基数,这一点非常重要。鉴于我们的云计算基础设施明显更大,所以即使增长率相对较低,亚马逊云科技的绝对增长值也仍然更高。”
这话没错,Andy老兄。但如果你的竞争对手增长速度比你快,那他们的基数差异不也在逐渐缩小吗?
而Jassy之所以坚信亚马逊云科技会越来越好,理由主要有两点。
其一就是,生成式AI作为一种新型工作负载,未来将主要在云端运行。亚马逊云科技正在尽一切努力抓住这波机会,亚马逊的资本支出(2023财年为483亿美元)预计“在2024年将迎来大幅同比增长,这主要是受到基础设施资本支出上扬的推动,用以支持亚马逊云科技在包括生成式AI的各个领域保持增长。”该公司还制定了另外一项利用生成式AI获利的业务,就是推出基于AI技术的自有服务。就在周二,去年首次公布的Amazon Q聊天机器人已经正式上市。
Jassy认为亚马逊云科技将继续增长的另一个原因,就是后疫情时代下客户专注于云成本优化的状态将逐渐成为过去。
Jassy解释称,“企业已经基本上完成了大部分成本优化,并将注意力转向新的举措。在新冠疫情之前,企业一直在努力推动基础设施现代化,包括从本地设施转向云端以节约资金,加快创新速度并提高开发人员生产力。但突如其来的疫情和经济不确定性分散了人们的注意力,如今这股势头已经再次回归。”
这位CEO还指出,目前仍有85%的IT支出集中在本地技术上。因此尽管亚马逊云科技的年化收入已经接近1000亿美元,其中仍有很大的增长空间。
总体而言,戴尔公司2024财年的全年收入为884亿美元,低于上年的1023亿美元。所以即使增长率仅为17%,亚马逊云科技的日子也表现更好过。在企业级厂商当中,只有微软的收入更高;而科技厂商方面,谷歌和苹果的收入也依旧保持领先。
亚马逊预计第二季度的销售额将在1440亿美元至1490亿美元之间,同比增长7%至11%。
投资者们对这样的指导目标略感失望,亚马逊股价也追随纳斯达克指数的步伐当日下跌几个点,并在盘后继续下跌1%。
还有件事:亚马逊云科技可观的营业收入,很大程度源自其将服务器硬件淘汰周期延长至六年。亚马逊CFO Brian Olsavsky告诉投资者,这一决定“主要有利于亚马逊云科技部门”——这或许表明云业务部门掌握的设备总量已经超过了亚马逊本部?
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。