Android 免费模式将终结?

640?wx_fmt=gif

640?wx_fmt=jpeg

欧盟以谷歌违反反垄断法为由对其开出了 43.4 亿欧元的创纪录罚款,原因是谷歌的移动操作系统安卓的反竞争行为。

这是欧盟委员会有史以来规模最大的反垄断罚款,超过了此前创下的24.2亿欧元的纪录。谷歌必须在 90 天内改变这一行为,否则其母公司 Alphabet 将面临最高 5% 全球日均营业额的罚款。


640?wx_fmt=png

背景


欧盟在裁决中的三项核心主张:

  • 谷歌非法绑定谷歌的搜索和浏览器应用程序;

  • 谷歌非法的财务激励措施:独家预安装 Google 搜索;

  • 谷歌非法阻碍竞争对手的安卓操作系统的开发和发行。

Android 目前在全球超过 80% 的智能手机上运行,Google 利用了 Android 系统的激增来巩固其他业务,如作为免费使用安卓系统的交换条件,谷歌要求手机制造商预装谷歌的应用程序和服务,比如搜索和 Chrome 浏览器。而欧盟委员会的监管机构认为,这扼杀了与其竞争的应用程序和服务。

Android 是一个开源操作系统,其他公司可以自己制作定制版本,如,亚马逊的 Fire OS。如果制造商实际上不能使用不同的安卓版本,那么软件的开源状态实际上并不能帮助增加竞争,或者是让消费者有更多的选择。根据欧盟的决定,Google 已经阻止手机制造商安装替代版本的安卓。


640?wx_fmt=png

欧盟的决定对 Google 意味着什么?


根据有关消息透露,Alphabet 在 2017 年的年收入达到了 1110 亿之多,其中有大约 320 亿是来自 Google。在欧盟宣布了对 Google 的罚款后,Alphabet 的股价仅出现小幅下跌。

目前看来,这一举措并未对投资者产生什么影响。

但这并不能排除长期不确定性的存在。这一决定将如何影响 Google 的业务?这种影响又进而会对此服务的使用者产生什么影响?

欧盟委员会要求谷歌停止让手机制造商捆绑其应用和服务,并允许他们销售运行在其他版本安卓系统上的设备。由于移动是全球互联网用户的主导平台,这些默认安装的丢失可能会影响 Google 公司未来的成功。

谷歌 CEO Sundar Pichai 在回应欧盟裁决时强调了这样一个事实,普通的安卓用户平均会在安卓手机安装大约 50 个应用,并且有权限卸载预装软件,但是如果不允许谷歌内置 App 的话,将会损害整个安卓生态。

Pichai 还表示,安卓免费的商业模式就是依赖于这种内置应用的服务。因此,Pichai 称欧盟今天的决定将会破坏安卓生态长期以来的平衡,或将改变安卓的商业模式,它发出了一个对专有系统而非开放系统有利的信号。

另外,Pichai 还说到,虽然各大公司制造的手机都不同,但它们都有一个共同点 —— 无论设备的大小或形状如何,都能够运行相同的应用程序。这都归功于确保技术兼容性的规则。但它们没有强制手机制造商签署这些规则 —— 他们可以以他们想要的任何方式使用或修改 Android,就像亚马逊将其用于 Fire 平板电脑和电视棒一样。

最后,Sundar Pichai 表示谷歌将会对欧盟这一处罚决定提起上诉。


640?wx_fmt=png

后续


今年早些时候,欧盟委员会处以 Facebook 1.1 亿罚款,因其在 2014 年收购 WhatsApp 时提供误导性信息。此外,也有个别大型科技公司收到调查,我们所知道的或许只是全球范围内技术监管的冰山一角。

此次,欧盟对 Google 进行的看似史无前例的、破纪录的罚款,也许是将来更大、更持久的行动的伏笔也说不定呢,想到这里不禁为 Google 以及其他大型科技公司捏一把汗......

前排网友:

A:建议针对欧盟地区收费。

B:我就做了个操作系统,扔网上,别人下载使用,罚我钱……这太扯淡了。

C:纯粹就是为了拿钱。谷歌提供的是带捆绑应用的系统,但是装到手机上的是厂家,厂家完全可以改源码去除这些应用。现在反倒罚谷歌,真是欲加之罪 何患无辞!

声明:本文经授权转自开源中国。


征稿啦

CSDN 公众号秉持着「与千万技术人共成长」理念,不仅以「极客头条」、「畅言」栏目在第一时间以技术人的独特视角描述技术人关心的行业焦点事件,更有「技术头条」专栏,深度解读行业内的热门技术与场景应用,让所有的开发者紧跟技术潮流,保持警醒的技术嗅觉,对行业趋势、技术有更为全面的认知。

如果你有优质的文章,或是行业热点事件、技术趋势的真知灼见,或是深度的应用实践、场景方案等的新见解,欢迎联系 CSDN 投稿,联系方式:微信(guorui_1118,请备注投稿+姓名+公司职位),邮箱(guorui@csdn.net)。


————— 推荐阅读 —————


640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=gif

640?wx_fmt=gif

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值