快三平台代理_快三平台论坛

Meta四季度净利润下降55%，元宇宙部门去年亏137亿美元******

　　拥有Facebook、Instagram和WhatsApp的Meta发布了截至12月31日的2022财年第四季度及全年财报。财报显示，Meta第四季度总营收为321.65亿美元，较上年同期的336.71亿美元下降4%；净利润为46.52亿美元，较上年同期的102.85亿美元大降55%。

　　即便Meta四季度净利润大降，但依旧略高于预期，此前市场普遍预期Meta第四季度净利润下降幅度为60 亿美元。同时，该公司将2023年的支出预期下调了50亿美元，并宣布追加400亿美元用于股票回购。

　　Meta股价在盘后交易中疯狂飙升，涨超20%。彭博社估计，如果这一收益持续存在，它的市值将增加约760亿美元。截至目前，Meta股价为153.120美元。

预计今年将恢复增长

　　2022年，在经济放缓的背景下，Meta受到多方挑战。一方面来自TikTok的竞争日渐加剧，另一方面苹果隐私政策变化后，公司的广告活动受到了挑战。Meta在11月首次宣布裁员，裁员数量为1.1万人，占员工总数的13%，以期削减成本。尽管如此，其利润在本季度受到了重挫。公司第四季度净收入下降55%至47亿美元。

　　在与投资者的电话会议开始时，扎克伯格说了他的2023年管理主题——“效率年”。他表示，Meta现在专注于减少一些中层管理人员，削减绩效不佳的项目。

　　“我们可以做更多的事情来提高我们的生产力、速度和成本结构。”扎克伯格说。“2022年是充满挑战的一年。但我认为，只要我们继续提高效率，我们最终在主要优先事项上取得了良好进展，并为今年取得更好的成绩做好了准备。”

　　第四季度，Meta多款应用的月活跃用户增长了4%，累计达到37.4亿，Facebook应用的用户数量增长了2%，达到29.6亿。

　　Meta预计2023年第一季度的收入将达到260亿美元至285亿美元，与273亿美元的平均预期相符。分析师预测，Meta将在本期之后恢复增长。

　　竞争对手Snapchat的母公司Snap周二给出了扭盈为亏的财报数据，导致其股价下跌10%。首席执行官埃文·斯皮格尔(Evan Spiegel)表示，广告下滑似乎正在触底反弹。“广告需求并没有真正改善，但也没有明显恶化。”

　　开始盯上人工智能

　　值得一提的是，Meta被外界广泛关注的包含元宇宙业务的部门Reality Labs仍在持续烧钱，该部门2022年第四季度实现7.27亿美元，同比下降17.1%；第四季度亏损额达42.79亿美元，全年亏损额达到137.17亿美元，亏损额同比分别增长29.50%和34.57%。公司表示这是由于虚拟头显(VR headset)Quest的销售额下降。

　　Meta公共政策董事总经理陈澍此前在接受第一财经记者采访时表示，元宇宙的经济潜力前景非常大。“我们跟一些汽车厂商有合作，他们已经可以在原宇宙里设计和测试汽车，这个效果其实远远超过手绘或建造一个概念车来实验。”目前，扎克伯格已经花费数百亿美元打造元宇宙，不过在业内人士看来，目前Meta的多数努力仍处于早期阶段，这意味着大部分投资带来的回报并不会很快。

　　扎克伯格2月1日对投资者提出了公司新的基调：在人工智能的大力帮助下，这家社交媒体巨头将变得更精简、更高效、更果断。他表示，该公司正在使用人工智能来改进其内容推荐的方式——一种让平台对用户和广告商等更具吸引力的策略。

　　他还表示，他希望Meta成为生成式人工智能领域的“领导者”，这是一种快速兴起的技术，可用于制作图形或文学等新颖内容。“你会看到我们今年推出了许多不同的东西，”扎克伯格说。

　　然而，新的内容推荐方式是否能够帮助Meta重获广告商的青睐还是个未知数，目前Meta仍未摆脱数字广告需求低迷的影响。研究机构Insider Intelligence最新报告指出，Meta和谷歌母公司Alphabet的美国广告营收的合计市场占有率，预计2023年将下滑2.5个百分点至48.4%。Insider Intelligence预计2023年Meta的美国广告营收增长率分别仅有5%。

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）