導(dǎo)語:美國《福布斯》雜志網(wǎng)絡(luò)版上周六撰文稱,Twitter關(guān)閉第三方firehose數(shù)據(jù)接口的行為非常“邪惡”,將會(huì)扼殺整個(gè)生態(tài)系統(tǒng)。
以下為文章主要內(nèi)容:
今天有條壞消息,Twitter宣布關(guān)閉firehose數(shù)據(jù)接口。這組數(shù)據(jù)涵蓋了所有的推文和相關(guān)信息,第三方企業(yè)多年以來都在利用這些數(shù)據(jù)開發(fā)各種各樣的功能。
Twitter多年以來一直向第三方出售這些數(shù)據(jù),允許他們對(duì)其進(jìn)行分析,并向相關(guān)企業(yè)出售各種分析,用于營銷宣傳和廣告投放。Twitter去年收購Gnip時(shí),業(yè)界就感到了些許不安。那是一家專門從事Twitter firehose數(shù)據(jù)分析的企業(yè)。雖然Twitter當(dāng)時(shí)表示,Gnip將會(huì)與其他數(shù)據(jù)合作伙伴公平競(jìng)爭(zhēng),但該公司的戰(zhàn)略已經(jīng)發(fā)生了變化,并最終關(guān)閉了數(shù)據(jù)接口。
Twitter發(fā)言人在發(fā)給媒體的聲明中說:“2014年5月收購Gnip后,我們決定將所有的數(shù)據(jù)授權(quán)活動(dòng)收回,以便更好地服務(wù)于客戶和合作伙伴。”
DataSift便是Gnip的眾多競(jìng)爭(zhēng)對(duì)手之一。據(jù)悉,Twitter一年前對(duì)合作伙伴表示,將會(huì)關(guān)閉數(shù)據(jù)接口,自那以后,DataSift便一直在與之展開談判,希望能繼續(xù)使用這些數(shù)據(jù)。
DataSift CEO尼克·哈爾斯泰德(Nick Halsted)在博文中寫道:“幾個(gè)月來,我們一直在努力與Twitter續(xù)簽合約。談判一直很有希望。有好幾次,我們感覺立刻就能簽下合同。這個(gè)結(jié)果令我們極度失望。我們?cè)谶@個(gè)生態(tài)系統(tǒng)中利用Twitter數(shù)據(jù)幫助很多公司開發(fā)了各種解決方案,對(duì)于這些公司來說,同樣感到十分失望。”
早在Twitter收購Gnip之前,DataSift便于2011年之展開了合作。這項(xiàng)業(yè)務(wù)可以帶來不小的盈利機(jī)會(huì)。Twitter去年通過數(shù)據(jù)授權(quán)創(chuàng)收1.47億美元,但收購Gnip后,該公司還可以利用原始數(shù)據(jù)制作出更為豐富的分析,從而獲得遠(yuǎn)高于授權(quán)業(yè)務(wù)的收入。
由于Twitter本身的服務(wù)完全免費(fèi),所以亟待探索新的收入來源。廣告和商務(wù)已經(jīng)帶來了兩大創(chuàng)收機(jī)會(huì),但該公司還希望充分利用大數(shù)據(jù)進(jìn)一步創(chuàng)收。
當(dāng)然,Twitter完全有權(quán)利這么做,畢竟,該公司擁有所有的數(shù)據(jù)所有權(quán),對(duì)這些數(shù)據(jù)的很多支配行為也都完全合法,包括關(guān)閉第三方接口。但法律與道德不同,很多人認(rèn)為Twitter此舉只了自己的商業(yè)利益,堪稱“邪惡”。
事實(shí)上,這并非Twitter首次打壓其生態(tài)系統(tǒng)的合作伙伴。很多年前,當(dāng)該公司收購Tweetdeck客戶端時(shí),很多第三方客戶端就紛紛提出抗議。事實(shí)上,Twitter一直沒有隱藏對(duì)第三方生態(tài)系統(tǒng)的觀點(diǎn)。該公司曾經(jīng)明確表示,將打擊那些“模仿”其自家產(chǎn)品、服務(wù)和體驗(yàn)的公司。
但問題在于,原本沒有威脅其業(yè)務(wù)的企業(yè)卻有可能突然之間成為Twitter核心服務(wù)的競(jìng)爭(zhēng)對(duì)手。有趣的是,Twitter最近投資了另外一家通過Twitter追蹤新聞和財(cái)經(jīng)信息的分析公司Dataminr——這是否意味著該領(lǐng)域的其他企業(yè)也應(yīng)當(dāng)開始擔(dān)憂?
API管理服務(wù)提供商3Scale CEO史蒂芬·威爾莫特(Steven Willmott)在博客中對(duì)此展開了猛烈抨擊。畢竟,3Scale是一家完全依靠API創(chuàng)收的企業(yè)。因此,Twitter關(guān)閉數(shù)據(jù)API將對(duì)其業(yè)務(wù)產(chǎn)生重大影響。威爾莫特認(rèn)為,Twitter此舉犯了重大錯(cuò)誤,將會(huì)因此失去重要的創(chuàng)新層。
威爾莫特表示:雖然從某種意義上講,希望更加接近用戶數(shù)據(jù)(從產(chǎn)品角度來講,這些數(shù)據(jù)很有價(jià)值,此舉也值得贊賞)并無不妥,但切斷其他渠道卻會(huì)破壞創(chuàng)新。Twitter無疑能在用戶體驗(yàn)方便實(shí)現(xiàn)很多優(yōu)異表現(xiàn),但切斷第三方對(duì)firehose數(shù)據(jù)的訪問權(quán),卻會(huì)產(chǎn)生嚴(yán)重破壞。Twitter非但不應(yīng)該限制firehose數(shù)據(jù)訪問權(quán),反而應(yīng)當(dāng)擴(kuò)大這種權(quán)限范圍:
——Twitter和Gnip團(tuán)隊(duì)擁有一流的工程師,他們將繼續(xù)開發(fā)一流的產(chǎn)品和服務(wù)。然而,他們不可能覆蓋所有用戶使用情境。各種商業(yè)上的限制將會(huì)令他們只能專注于最有利可圖、潛力最大的業(yè)務(wù)。小眾市場(chǎng)不會(huì)得到滿足。
——沒有幾家公司有權(quán)使用所有或多數(shù)的Twitter firehose數(shù)據(jù),這意味著小眾需求的價(jià)值將會(huì)進(jìn)一步損失。
——很多最有吸引力的使用情境都需要借助Twitter和其他社交平臺(tái)的數(shù)據(jù):這原本就很難實(shí)現(xiàn),今后還會(huì)更難。
威爾莫特提到了Twitter收購Tweetdeck后,第三方客戶端所遭遇的情況。他認(rèn)為,自從Twitter收購了Tweetdeck后,該服務(wù)的客戶端創(chuàng)新便已基本停止,其他客戶端廠商也相繼衰落。威爾莫特表示,Twitter此次的舉動(dòng)也將產(chǎn)生類似的效果。
盡管很多人認(rèn)為,這只是市場(chǎng)行為,Twitter有充分的權(quán)利做出這種調(diào)整。但威爾莫特回應(yīng)說:“平臺(tái)經(jīng)濟(jì)的根本原則在于:做大蛋糕,切勿獨(dú)吞。”
很顯然,Twitter的確有權(quán)利這么做,但這是否對(duì)整個(gè)生態(tài)系統(tǒng)以及Twitter自身有利,恐怕還有待觀察。
好文章,需要你的鼓勵(lì)
新加坡國立大學(xué)研究團(tuán)隊(duì)開發(fā)了SPIRAL框架,通過讓AI與自己對(duì)弈零和游戲來提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡(jiǎn)單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。