Amazon Web Services (AWS) 在最新的财务报告中显示,截至 2024 年 12 月 31 日的这个季度,连续第二个季度实现同比 19% 的收入增长。
公司第四季度收入从 2023 年同期的 240 亿美元增长至 288 亿美元,利润从 2023 年第四季度的 71 亿美元增长至 2024 年的 106 亿美元。
这些业绩表明公司继续保持着"显著加速"的增长势头,公司表示这得益于 2023 年 11 月发布的第三季度业绩。
当时,公司将这一趋势归功于企业越来越多地关注扩大对其公有云技术的使用,此前由于宏观经济压力,企业在 2023 年大部分时间里缩减了其向云端迁移的计划。
这家公有云巨头的全年业绩进一步证实了这一趋势,公司报告显示收入同比增长 19% 至 1076 亿美元,并实现扭亏为盈,2024 年运营收入达 398 亿美元,而 2023 年亏损 27 亿美元。
亚马逊总裁兼首席执行官 Andy Jassy 在公司财报中表示,2024 年第四季度对 AWS 来说是一个"创新显著"的季度,公司推出了新的人工智能芯片和基础模型。
在分析师电话会议上(由金融新闻网站 The Motley Fool 整理),Jassy 表示公司预计 AWS 在未来几年会经历起起落落,但总的来说,他对其云服务将支撑全球大部分 AI 工作负载持乐观态度。
"按照大多数标准来看,AWS 是一个相当大的业务。尽管由于企业采用周期、容量考虑和技术进步的影响,我们预计未来几年的增长会有波动,但我们对 AWS 客户和业务的前景感到乐观,这一点怎么强调都不为过,"Jassy 说。
"虽然有些人可能难以想象一个几乎每个应用程序都融入生成式 AI、大多数公司都拥有自己的代理来完成各种任务并相互交互的世界...但这就是我们一直在思考的世界。我们仍然相信,这个世界将主要建立在云之上,其中最大的比例将在 AWS 上。"
AI 采用对 AWS 财务业绩的积极影响在最近几个季度一直是一个反复出现的主题,但 Jassy 在电话会议上还表示,AWS 仍然专注于帮助公司实现基础设施现代化,并将其从本地环境迁移到公有云。
在这一点上,他提到了公司签署的一些新协议,其中云迁移仍然是核心重点,这使得公司增加了许多新客户。
无论如何,为适应不断增长的公有云和 AI 工作负载需求而建设基础数据中心基础设施将产生成本,公司报告最后一个季度的资本投资支出超过 260 亿美元。
亚马逊首席财务官 Brian Olsavsky 表示,这将代表 2025 年全年的资本支出趋势,AWS 计划在未来 12 个月内在基础设施上投资约 1000 亿美元。
"与 2024 年类似,大部分支出将用于支持不断增长的技术基础设施需求,"Olsavsky 说。
IT 市场观察机构 Forrester 的首席分析师 Lee Sustar 表示,AWS 客户将很高兴听到公司的基础设施投资计划,但这些业绩让投资者感到失望。
"AWS 在 2024 年 19% 的年收入增长对大多数公司来说都是值得庆祝的,但由于对 AI 热潮的期望,投资者感到失望,"他说。
"亚马逊 CEO Andy Jassy 在电话会议上强调,现有设备将提前报废,这将对 2025 年的运营收入造成重大影响,此外还需要持续进行大额投资以支持 AWS 的扩建,尽管这将导致运营利润率降低。投资者可能对此感到不耐烦,但 AWS 客户会欢迎这些持续的投资。"
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。