鏖战5小时,44对1,扎克伯格被参议员怒怼,结果他坐着就赚了28亿美元

Facebook8700万名用户个人信息未经允许而被共享的泄密门还在继续发酵,在正式道歉以后,扎克伯格还是没躲过议员的传唤。美国东部时间4月10日下午2点15分,美国参议院商务、科学与交通委员会和参议院司法委员会针对 Facebook 举行了一场联合听证。

  这场听证会,英美媒体同时直播,不管转到哪个电视台,都是一样的画面。不光如此,这些媒体同时还都在Youtube上提供在线直播。

  这次出席听证会的参议员一共44人,已经接近整个美国参议院人数(100人)的一半。这么多参议员质询一家公司的CEO,在美国历史上实属罕见,当然也让很多人过来围观:听证会前三个小时,已有记者到达会场,公众更是早早就在场外排起了长队。

  当然会场内外还有抗议Facebook的人群:

美国国会外的抗议人群


会场外的抗议者


会场内的抗议者


会场内的装扮成“俄罗斯巨魔”的抗议者

  据报道,扎克伯格在事前做足了功课。《纽约时报》援引匿名消息人士的说法称,脸书雇佣了一群专家来事无巨细地对其进行指导,包括了如何应对议员们的提问、回答问题的时长、被打断时要如何回应,甚至还提前模拟了听证会,特意聘请的外部顾问扮演美国政治人物,让这位脸书创始人可以提前适应适应。

  听证会开始后,全场灯光仿佛都打在扎克伯格身上,爱好穿T恤的他这次穿着正装,一遍又一遍的以“参议员”开头,尝试用语言化解Facebook史上最大的危机。

  他还在椅子上加了一块挺高的坐垫,让自己在几十个镜头面前看起来更加挺拔。

  根据程序,扎克伯格会先进行陈述,然后回答各位国会议员的问题。每个议员的发问时间被控制在5分钟之内,只有一轮发言机会。

  一身西装、扎着领带的小扎,对着已经写好的稿子,开始他的陈述。

  陈词稿读了两页,承认 Facebook 犯了错,并表示公司正在采取行动后。小扎快速地结束了自己的听证陈述,告诉议员们,欢迎任何提问。

  接下来,44位参议院开始轮番轰炸,将热锅中的小扎煮了一遍又一遍。从 Facebook 与剑桥分析公司的关系,Facebook 为何没有及时采取行动,到如何让用户清晰明了地了解自己个人信息的使用情况。

  “我是不是要给你钱,Facebook 才能不泄露我自己的信息?”

  “从2006年你到国会道歉,为什么你今天还在道歉?”

  “那你这一次的道歉,与以往有何不同?”

  “你如何惩罚这些恶势力?”

  “那你为什么不禁止剑桥分析使用 Facebook?”

  “Facebook是不是在监听用户?”

  每个问题都很犀利,但都被早有准备的小扎一一应付过去。

  全场看,面对国会5个小时的马拉松式质询,34岁扎克伯格如坐针毡,但也表现出了高度的配合与相当的镇定。

  扎克伯格使用了两个重要的策略,一是能抗,不叫停。

  听证会持续到两个小时的时候,议员们决定让扎克伯格休息一下。扎克伯格拒绝了,表示希望继续下去。这个细节能让他占据一些主动权。

  二是扎克伯格懂技术,这是这次参会议员的硬伤。

  整场提问充分暴露了议员没有好好做功课,大多数提问的议员都不知道Facebook的运作方式,许多问题显示出他们对Facebook及其商业模式的基本知识的无知。CNN直呼许多美国议员都是“文盲”。

  比如只有5分钟时间的参议员约翰•尼利•肯尼迪居然把时间浪费在这些表面简单问题上:

  “你愿意继续改进,让我有更多删除数据的权利吗?”

  扎克伯格:“参议员,你已经可以这么做了。”

  肯尼迪:“你愿意进一步扩大我的权利,禁止你分享我的数据吗?”

  扎克伯格:“参议员,同样,你已经可以这么做了。”

  肯尼迪:“你愿意让我把我的数据从Facebook转移到另一个社交媒体平台吗?”

  扎克伯格:“参议员,你已经可以这么做了”……

  议员的“无知”使扎克伯格能够回避一些重要的应该回答的问题,比如Facebook数据监控的程度,以及用户数据使用方式不透明、滥用数据等问题。

  据CNN报道称,即使在最关键的用户数据隐私问题上,问题也打偏了,参议员的问题是要求Facebook解释为什么用户可以信任他们,而不是要采取什么具体措施保障用户的隐私和知情权。

  这让扎克伯格有机会回到他准备好的应对策略上:承担责任,同时表示会让事情变得更好。

  扎克伯格“处女秀”获投资人点赞 脸书股价上扬

  做足功课的扎克伯格面对一些问不到点子上的参议员,最后的结果可想而知。投资者对这位脸书创始人长达5小时的作证过程反应积极。在扎克伯格整场作证会过程中,Facebook股价一路上扬,最终收涨4.5%,创2年来单日最佳。扎克伯格的个人财富增加28亿美元,达660亿美元,位列全球第七。

  对于他的表现,有消息人士赞扬道,“扎克伯格很紧张,但他也很有自信,是个聪明人。”此外,此前“特训”的效果也体现了出来,这也使得扎克伯格在整个过程中相当冷静和权威,在应答时也展现出了适当的懊悔和恭敬态度。CNN更是称其“毫发无损”地熬过了5小时的国会质询。


  不过,这还仅仅是扎克伯格面临的第一道坎。今天,他还将在众议院能源和商业委员会出庭作证, 并在关于数据隐私的听证会上发表证词。


公众号内回复“1”带你进粉丝群

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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