
北京时间7月1日上午消息,Twitter 前任CEO迪克-科斯特洛(Dick Csotolo)6月29日在离职前最后一天接受媒体采访时表示,上市加剧了该公司的短期思维,监管也可能对自由言论构成挑战。
他认为,自己低估了上市给Twitter带来的压力,同时向继任者警告称,必须要努力应对日益复杂的地缘政治带来的挑战以及华尔街提出的要求。
科斯特洛透露,虽然Twitter的营收已经同比增长97%,达到17亿美元,但该公司面临的压力却掩盖了他们在实现3.02亿月活跃用户的过程中实现的其他成就。
科斯特洛还表示,由于每个季度都要达到华尔街的预期,因此渐进主义和短期思维之间势必产生矛盾。“你总是希望专注于长期愿景,可一旦上市,节奏就变成了90天,股价成了公开的投票机器,加剧了短期思维。”
但他也表示,Twitter必须坚持“连贯的长期战略”,该公司已经制定了一些计划,促使这款服务更好地融入体育比赛和突发新闻等实时活动中。
他还提到了最新的“闪电项目”,这组全新的功能意在更好地制作和推广Twitter的实时内容。“人们一直在问我,为什么4年前不这么做。”他说,“4年前,这个网站甚至连稳定都做不到。我们是唯一一家连404错误页面都有自己品牌的大型网站,这个品牌就是失败的鲸鱼。”
在科斯特洛担任Twitter CEO的5年间,该公司已经从一家拥有300名员工、估值37亿美元的私有公司,变成了拥有3900名员工,市值235亿美元的上市公司。
当他宣布辞职后,外界认为他已经屈服于投资者的压力。而在回答自己的离职原因时,科斯特洛表示,他已经组建了优秀的团队,而且得到了外界的认可。“现在是时候了,”他说,“优秀的领导者和优秀的CEO既要灵活,也要有自知之明。”
他否认因为看重用户数据的快速增长而把预期设得太高。“我从来都不关心外人的指手画脚。”
接受采访前,科斯特洛罕见地在西班牙格拉纳达发表了一次演讲。他在演讲中表示,Twitter已经成为了一个“世界性的产品”,具备“更大的雄心和象征意义——展示了全面民主的理念”。
提到联合国人权宣言关于任何人都有权“通过任何媒体寻求、获取和给予信息及想法”的内容时,科斯特洛表示,历史上的任何时候,隐瞒信息一直都是保留权利的一种手段。“随着数十亿人相继触网,获取信息的权利已经成为现实,而Twitter也促成了这种信息流通。”
新闻的构成元素已经不再仅仅由媒体来决定,在当今时代的,想要隐瞒事实真相变得越来越困难。
科斯特洛还表示,Twitter CEO还要参与解决复杂的地缘政治问题,包括伊朗问题。该公司一方面要遵守相关国家的法律,另一方面也要努力促成言论自由。他认为,这些非财务性指标也是评判Twitter成功与否的重要标准。“作为一家公司,我们将继续在道德与技术的十字路口中探索,这是前所未有的挑战。我们每天都要制定艰难的决策,确保世界上最小的声音也能被人听到。”
外界批评科斯特洛领导下的Twitter未能有效地减少威胁性和辱骂性信息。除此之外,该公司还要努力封锁恐怖分子的招募信息。
科斯特洛表示,为了打击辱骂性信息,该公司已经将审核团队的规模扩充到原先的3倍,还允许第三方汇报不当信息,加大了被封杀的用户重新开设帐户的难度。“对于那些感觉自己遭到辱骂的人,你必须降低他们报告相关信息的成本。”他说。
科斯特洛认为,监管不是应对挑战的合理方式,不应当将Twitter及其竞争对手视作通信基础设施,对其施加与广播和电信运营商相同的监管措施。“我说的很直接,我认为监管对言论自由是一种威胁。”他说,“我想不出有什么例子能够证明监管不会产生意外后果,我认为监管机构也缺乏足够的灵活性来应对不断变化的道德、通信和技术问题。我认为这根本不可能。”
Twitter尚未任命科斯特洛的继任者,只是聘请该公司联合创始人杰克-多西(Jack Dorsey)担任临时CEO。科斯特洛表示,无论谁执掌Twitter帅印,都将面临更多挑战。“当我担任CEO时,我自认为是个技术人员,但实际上,我把更多的精力放在了地缘政治问题上。”
“处理这些问题需要面临巨大挑战,还要考虑不同国家对信息公开流通的认识。我认为这个问题只会越来越复杂。”科斯特洛说。
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。