CNET科技资讯网 5月18日 北京消息:今晚,阿里巴巴集团公布2017财年第四季度财报及2017财年全年业绩。财年第四季度,阿里巴巴集团收入同比增长60%,达到385.79亿元人民币,创IPO以来最高增幅;全年阿里巴巴集团收入为1582.73亿元人民币,同比增长56%。中国零售平台年度活跃买家增至4.54亿,移动端月度活跃用户达5.07亿。
此前,阿里已连续多个季度收入超越市场预期。值得一提的是,今年1月,公司在发布第三季度业绩时同时宣布上调全年收入增速预期,由48%上调至53%。而此番公布的全年56%的增幅再次高出上调后的指引预期。阿里巴巴经济体多样化生态系统的推动作用、新零售战略重构中国商业模式的价值日益明显。
2017财年第四季度,阿里巴巴集团经调整的EBITDA为165.97亿元人民币,同比增长44%;非美国通用会计准则下的盈利为104.4亿元人民币,同比增长38%,2017财年非美国通用会计准则下的净盈利为578.71亿元人民币。非美国通用会计准则下,季度自由现金流为79.80亿元人民币,2017整个财年自由现金流达到687.90亿元人民币;移动电商平台贡献了中国零售平台季度收入的85%,移动端变现率超过PC端;阿里云连续第8个季度同比增长超过100%。
2017财年第四季度,阿里巴巴集团核心电商业务收入315.70亿元人民币,同比增长47%;全年收入同比增长45%至1338.80亿元人民币。公司正在引领面向新零售的拓展,让线上与线下的商业边界消失;公司正在发展技术及大数据,赋能线下未来商业的数字化进程。
新零售的核心是商业模式的重构。过去一年多时间,阿里先后投资布局银泰、百联、苏宁、三江购物。自2015年8月阿里和苏宁战略合作以来,双方已按计划在电商、物流和增值服务方面推动协同效应;苏宁天猫旗舰店表现强劲,第四季度其GMV是去年同期的3倍以上。
作为新零售的重要组成部分,不断提升的科技增值服务在财年第四季度中继续得到加强。2015年11月起,阿里巴巴平台开始应用人工智能、透过聊天机器人来处理海量的消费者查询,截至2017年3月,人工智能技术每日能够实时处理数以百万计的消费者查询。
财年第四季度及全年业绩的高速增长,受益于中国零售平台、阿里云收入的普遍强劲增长,以及并入了优酷土豆及Lazada,经济体的多样化生态效应初步显现出强大推动作用。阿里巴巴集团首席财务官武卫表示:“集团本季度继续表现出色,收入增长加速至60%水平,这是我们自IPO以来最高的增长幅度。整个财政年度的收入亦强劲增长56%,非美国通用会计准则下自由现金流达100亿美元。我们强劲的业绩表明了核心业务的实力以及新兴业务的积极势头,包括云计算方面持续的强劲增长和市场领先地位。”
2017财年第四季度,阿里云收入为21.63亿元人民币,同比增长103%,自2016财年第一季度以来创下三位数增速“八连冠”记录。整个财年收入规模达66.63亿元人民币,同比上年增长121%,连续两年实现三位数增长。截止2017年3月底,阿里云云计算付费用户数量达到87.4万,较上一季度增加10.9万。
阿里巴巴的全球化战略正在加速布局。财报首次披露,2017财年,在速卖通、Lazada平台的年度活跃海外买家数合计达到8300万。
国际投行MKM Partners认为,阿里强劲的GMV 增势以及持续增长的货币转化率都将支撑业绩提速,上调目标股价至每股155美元。巴克莱亦维持“跑赢大市”评级,认为受惠于季度业绩强劲表现以及将于6月上旬召开的阿里投资者日积极效应,预计股价将进一步上升。
财报一出,彭博援引华兴资本的研究报告称,“健康的市场表现和用户互动粘性的增长,更加个性化的内容和目标精准的营销将进一步提高阿里的变现能力。国际化方面,阿里旗下的Lazada以及速卖通将持续保持增长。”
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。