导语:美国《福布斯》杂志网络版上周六撰文称,Twitter关闭第三方firehose数据接口的行为非常“邪恶”,将会扼杀整个生态系统。
以下为文章主要内容:
今天有条坏消息,Twitter宣布关闭firehose数据接口。这组数据涵盖了所有的推文和相关信息,第三方企业多年以来都在利用这些数据开发各种各样的功能。
Twitter多年以来一直向第三方出售这些数据,允许他们对其进行分析,并向相关企业出售各种分析,用于营销宣传和广告投放。Twitter去年收购Gnip时,业界就感到了些许不安。那是一家专门从事Twitter firehose数据分析的企业。虽然Twitter当时表示,Gnip将会与其他数据合作伙伴公平竞争,但该公司的战略已经发生了变化,并最终关闭了数据接口。
Twitter发言人在发给媒体的声明中说:“2014年5月收购Gnip后,我们决定将所有的数据授权活动收回,以便更好地服务于客户和合作伙伴。”
DataSift便是Gnip的众多竞争对手之一。据悉,Twitter一年前对合作伙伴表示,将会关闭数据接口,自那以后,DataSift便一直在与之展开谈判,希望能继续使用这些数据。
DataSift CEO尼克·哈尔斯泰德(Nick Halsted)在博文中写道:“几个月来,我们一直在努力与Twitter续签合约。谈判一直很有希望。有好几次,我们感觉立刻就能签下合同。这个结果令我们极度失望。我们在这个生态系统中利用Twitter数据帮助很多公司开发了各种解决方案,对于这些公司来说,同样感到十分失望。”
早在Twitter收购Gnip之前,DataSift便于2011年之展开了合作。这项业务可以带来不小的盈利机会。Twitter去年通过数据授权创收1.47亿美元,但收购Gnip后,该公司还可以利用原始数据制作出更为丰富的分析,从而获得远高于授权业务的收入。
由于Twitter本身的服务完全免费,所以亟待探索新的收入来源。广告和商务已经带来了两大创收机会,但该公司还希望充分利用大数据进一步创收。
当然,Twitter完全有权利这么做,毕竟,该公司拥有所有的数据所有权,对这些数据的很多支配行为也都完全合法,包括关闭第三方接口。但法律与道德不同,很多人认为Twitter此举只了自己的商业利益,堪称“邪恶”。
事实上,这并非Twitter首次打压其生态系统的合作伙伴。很多年前,当该公司收购Tweetdeck客户端时,很多第三方客户端就纷纷提出抗议。事实上,Twitter一直没有隐藏对第三方生态系统的观点。该公司曾经明确表示,将打击那些“模仿”其自家产品、服务和体验的公司。
但问题在于,原本没有威胁其业务的企业却有可能突然之间成为Twitter核心服务的竞争对手。有趣的是,Twitter最近投资了另外一家通过Twitter追踪新闻和财经信息的分析公司Dataminr——这是否意味着该领域的其他企业也应当开始担忧?
API管理服务提供商3Scale CEO史蒂芬·威尔莫特(Steven Willmott)在博客中对此展开了猛烈抨击。毕竟,3Scale是一家完全依靠API创收的企业。因此,Twitter关闭数据API将对其业务产生重大影响。威尔莫特认为,Twitter此举犯了重大错误,将会因此失去重要的创新层。
威尔莫特表示:虽然从某种意义上讲,希望更加接近用户数据(从产品角度来讲,这些数据很有价值,此举也值得赞赏)并无不妥,但切断其他渠道却会破坏创新。Twitter无疑能在用户体验方便实现很多优异表现,但切断第三方对firehose数据的访问权,却会产生严重破坏。Twitter非但不应该限制firehose数据访问权,反而应当扩大这种权限范围:
——Twitter和Gnip团队拥有一流的工程师,他们将继续开发一流的产品和服务。然而,他们不可能覆盖所有用户使用情境。各种商业上的限制将会令他们只能专注于最有利可图、潜力最大的业务。小众市场不会得到满足。
——没有几家公司有权使用所有或多数的Twitter firehose数据,这意味着小众需求的价值将会进一步损失。
——很多最有吸引力的使用情境都需要借助Twitter和其他社交平台的数据:这原本就很难实现,今后还会更难。
威尔莫特提到了Twitter收购Tweetdeck后,第三方客户端所遭遇的情况。他认为,自从Twitter收购了Tweetdeck后,该服务的客户端创新便已基本停止,其他客户端厂商也相继衰落。威尔莫特表示,Twitter此次的举动也将产生类似的效果。
尽管很多人认为,这只是市场行为,Twitter有充分的权利做出这种调整。但威尔莫特回应说:“平台经济的根本原则在于:做大蛋糕,切勿独吞。”
很显然,Twitter的确有权利这么做,但这是否对整个生态系统以及Twitter自身有利,恐怕还有待观察。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。