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
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
AI代码编辑器开发商Cursor完成23亿美元D轮融资,估值达293亿美元。Accel和Coatue领投,Google、Nvidia等参与。公司年化收入已突破10亿美元。Cursor基于微软开源VS Code打造,集成大语言模型帮助开发者编写代码和修复漏洞。其自研Composer模型采用专家混合算法,运行速度比同等质量模型快四倍。公司拥有数百万开发者用户,将用新资金推进AI研究。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。