当生成式AI在2022年底爆发进入公众视野时,许多专家预测这对谷歌和Meta这样的科技巨头来说是个坏消息,因为灵活的AI驱动竞争对手会找到新方法来吸引网民注意力并从中获利。
这些专家似乎错了,两家科技巨头在周三的季度财报公告中透露,他们的收入因AI而激增。
谷歌母公司Alphabet的CEO桑达尔·皮查伊告诉投资者,该网络巨头最近发布的搜索更新将结果以AI撰写的散文形式呈现,而不仅仅是链接列表,"已经在推动增量总查询增长"并"推动搜索的扩张时刻"。
这也带来了更多收入。Alphabet的广告收入同比增长12%,第三季度达到742亿美元。
谷歌云也从AI中受益。皮查伊指出,随着组织签约使用谷歌的AI智能,客户增长更快,交易规模更大,参与度更深。谷歌云第三季度收入为151.5亿美元,同比增长33%。
Alphabet本季度收入为1023.4亿美元——这是该公司首个1000亿美元季度——同比增长16%。
扎克伯格的收益
AI也帮助Meta实现了强劲的季度表现。CEO马克·扎克伯格指出,AI驱动的推荐系统让用户在该公司社交网络上花费更多时间。
他补充说:"我们的广告业务继续表现非常出色,这主要归功于我们AI排名系统的改进。"随后透露"通过我们完全端到端AI驱动广告工具的年运营率已超过600亿美元"。
Meta也在快速增长,第三季度收入为512.5亿美元,同比增长26%。
两家公司都计划在AI基础设施上投入更多资金。
Meta此前预测2025年资本支出为660亿至720亿美元。它将下限提高到700亿美元,然后预测2026年支出将"显著更大"增长。
扎克伯格表示,大部分支出将用于开发"超级智能"所需的基础设施——这是扎克对他希望开发和部署的强大个人助理的称呼。
这位CEO告诉投资者,Meta需要"积极前置地建设超级智能的能力",这样做不会冒过度投资于未使用基础设施的风险。
他说:"我们将使用额外的计算来加速我们的核心业务,该业务继续能够盈利地使用比我们能够投入的更多计算。我们看到对额外计算的需求非常高,无论是内部还是外部。在最坏的情况下,我们只是在一段时间内缓慢建设新基础设施,同时我们成长到我们所建设的规模。对于我们现有的应用程序和正在成为可能构建的新产品和业务来说,上升空间极高。"
Alphabet首席财务官阿纳特·阿什肯纳齐表示,公司预计2025财年资本支出将在910亿至930亿美元范围内,高于此前估计的850亿美元。她说第三季度240亿美元资本支出的60%用于服务器,其余用于数据中心和网络设备。
投资者喜欢Alphabet的表现,其股价在盘后交易中飙升6%。Meta股价下跌7%,可能是因为其净收入同比下滑83%,原因是支付了159.3亿美元的一次性所得税费用。
Q&A
Q1:谷歌的AI搜索更新是如何帮助提升收入的?
A:谷歌最近发布的搜索更新将结果以AI撰写的散文形式呈现,而不仅仅是链接列表,这已经在推动增量总查询增长并推动搜索的扩张时刻,从而带来更多广告收入。
Q2:Meta在AI方面的投资计划是什么?
A:Meta将2025年资本支出预测从660-720亿美元提高到700亿美元起,并预测2026年支出将显著增长。扎克伯格表示大部分支出将用于开发"超级智能"所需的基础设施。
Q3:为什么专家们对AI冲击谷歌和Meta的预测是错误的?
A:当生成式AI在2022年底爆发时,专家预测会对谷歌和Meta造成冲击,但实际上这两家公司通过AI技术提升了用户参与度、广告效果和云服务需求,收入大幅增长。
好文章,需要你的鼓励
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
上海交通大学团队提出EPIC框架,通过渐进一致性蒸馏技术解决多模态AI的计算效率问题。该方法采用师生教学和分层压缩策略,让AI模型逐步适应视觉令牌压缩,在保留128个视觉令牌时仍达到完整模型准确率,同时计算量减少83.9%,为资源受限环境下的AI部署提供了实用解决方案。
谷歌DeepMind开发的多智能体AI系统通过让多个AI代理相互协作、讨论和辩论来解决复杂问题。该系统在医疗领域表现出色,能够在两天内完成人类十年的研究成果,包括发现新的药物重新定位候选物和治疗方案。AI临床医生"Amy"不仅能生成更好的诊断方案,还表现出比人类医生更强的同理心。这项技术有望在十年内实现零边际成本的全球医疗服务普及。
香港大学团队发明了一种"乐高式"机器人AI组合技术,能够将多个不同的AI模型巧妙组合,产生超越任何单个模型的性能。该技术通过数学方法证明了模型组合的有效性,并在真实机器人上验证成功。这种方法不需要重新训练,成本低廉,可兼容各种不同类型的AI模型,为构建更智能可靠的机器人系统提供了全新思路。