社交帝国的至暗时刻,Facebook“非死不可”?


640?wx_fmt=gif

一夜,8500亿


意料之外,情理之中,


Facebook最黑暗的一天还是来了。


640?wx_fmt=png


北京时间2018年7月26日,Facebook发布2018财年第二季度未经审计财报。


报告显示,Facebook第二季度营收为132.31亿美元,同比增长42%,净利润为51.06亿美元,同比增长31%。


看起来这第二季度的营收和利润同比均有大幅增长,但这却是自2015年以来,Facebook营收、每日活跃用户人数平均值、月度活跃用户人数均未达到分析师预期。


财报一经发布,Facebook盘后股价暴跌逾23%,市值蒸发超过1200亿美元(约人民币8500亿),而CEO扎克伯格的身家也至少缩水了168亿美元。相当于瞬间蒸发掉了顺丰掌门人王卫的全部身家。


640?wx_fmt=jpeg


Facebook股价下跌的主要原因除了公司营收及用户增长均不如预期之外。恐怕还是和今年3月开始发酵的“泄密门”有关 。


640?wx_fmt=png


说起Facebook的“泄密门”,还得从2014年开始说起。


几年前,Facebook开始允许一些公司在脸书APP的插小程序。这些小程序千奇百怪、五花八门,什么叫外卖呀,订蛋糕呀等等,类似微信的小程序。


当时,有个叫“剑桥分析”的公司,发布了有一款名叫“这是你的数字生活”的小程序。通过下载就送5美元红包的方法,吸引了 27 万人下载。


正当你为赚了5美元而沾沾自喜时,却不知道,这款小程序只要你一下载来玩,它就偷看了你的信息。你给谁点赞了,给谁评论了,都在这款小程序后台留下数据了。


640?wx_fmt=png


不仅有你的数据,还有你 Facebook 好友的数据,总共算下来,有 5000 万个。


这事儿很严重!美国一共才多少人啊,这就有 5000 万人的信息被泄露了!


但更严重的还在后边!!!


该公司涉嫌在 2016 年利用这 5000 万数据,通过精准推送政治广告的方法,帮助川普竞选总统!


640?wx_fmt=png


据悉,Facebook几年前就发现了数据被滥用,然后要求剑桥分析销毁数据,剑桥分析表面答应了,但背地里却还留着。然后Facebook也没有再监管,就这样不了了之了。


今年3月,剑桥分析的一位高管,因为受不了良心的谴责,找媒体曝光了内幕,这才让“泄密门”事件大白于天下。


据这位高管承认,剑桥分析公司至少操控了全球200场投票!2016年美国大选只是冰山一角,还有英国脱欧;印度总理选举;马来西亚、捷克、阿根廷的总统选举等等。


今年4月6日,欧盟声称Facebook确认270万欧洲人的数据被不当共享。


前几天,国外有个媒体搞了个调查,只有7%的用户还信任Facebook,欧美各国甚至还掀起了卸载Facebook行动。


看到这里,相信你就明白今天Facebook为什么暴跌了。


几天前还是世界最大的社交软件,几天后就用户不信任,扔进下水沟。


拥有几亿用户的Facebook再次证明了:得用户心者得天下。用户捧的起你,也能踩的死你。



640?wx_fmt=gif小扎拼命进中国,然而…


在这次财报之前,脸书泄露出来自己在杭州注册了一家子公司。在浙江省政府的支持下,脸书终于登陆中国了。

640?wx_fmt=png


这家总部在杭州的脸书科技由Facebook香港公司全资控股,注册资金3000万美金。大家在猜测脸书公司正式进军中国做生意的时候脸书官方在纽约时报上出来说:“We are interested in setting up an innovation hub in Zhejiang to support Chinese developers, innovators and start-ups.” 


640?wx_fmt=png


这些年来,为了进入中国,小札一直非常的努力。这张展示他不到长城非好汉的照片给大家留下了深刻的印象。

640?wx_fmt=jpeg


去天安门跑步更是不用说。

640?wx_fmt=png


至于逢年过节用中文给大家拜年,去清华给个中文演讲等等,都是小儿科了。


640?wx_fmt=jpeg&wx_lazy=1



在上周的一次采访中,马克扎克伯格对中国问题很腼腆。当被问到Facebook在中国的哪个地方时,他回应道,“我的意思是,我们被封锁了。”但他也表示,该公司肯定仍然有兴趣在那里开展业务。“ 我认为很难有一个任务,就是希望让整个世界更紧密地联系在一起,并将这个最大的国家抛弃。”


这次用户增长减缓,充分说明了脸书这个传说中的404网站对于中国市场和中国客户的渴望。也许早一点宣布进入中国市场,财报后的股票也就不至于一下子掉20%了。


然而所谓福无双至祸不单行。这个子公司存在还没多久,就找不到了。


传说网信办对浙江省政府批准这个公司成立有点不同的看法。所以公司的审批被撤销了。



640?wx_fmt=gif社交帝国的至暗时刻


用户红利遇天花板


随着移动互联网进入成熟期,Facebook开始面临增长的天花板,而这或许是资本市场用脚投票的主要原因。在Q2财报的电话会议上,扎克伯格首次公开了一项全新的数字:25亿。这是 Facebook 此前从未披露的数字,这一数字代表着Facebook庞大社交版图之下实际的用户群体。


然而,扎克伯格的这一举动,却被解读为转移关注点的手段,毕竟在下滑的用户增速和天花板面前,Facebook需要有一个新的故事支撑。


产品创新陷入瓶颈


如今在移动互联网时代,Facebook受到了来自Snap的冲击,在过去的一年里,Facebook一直在疯狂地将Snapchat的Stories功能整合到自家的产品中,并取得了阶段性胜利,尤其是Instagram的大获成功,但问题是Facebook对当下年轻用户的需求始终存在误判。


年轻用户们不太愿意使用Facebook的原因很简单,那就是他们不希望和长辈们使用同一个社交网络。所以即使Facebook最终挤垮了Snapchat,年轻用户也不会想当然地回来,他们只会去寻找下一个更酷的应用。


未来的增长点在哪里?


目前Facebook的几乎全部营收都来自于社交平台的广告收入。但当用户增速放缓时,这种增长策略不再有效。而种种迹象都表明,如今Facebook平台上能够承载的广告量已达极限。


另外一个被Facebook视为未来10年的增长点的虚拟现实领域,在今年也遇到了增长瓶颈。在上半年举办的Oculus开发者论坛上,扎克伯格也坦承,Oculus Rift头显设备起步速度缓慢。当然这并不是Facebook一家的问题,目前整个虚拟现实行业在硬件设备技术和软件内容方面,都触及到阶段性瓶颈。


Facebook的一切业务都是围绕社交来进行,社交是它的核心和灵魂,也是驱动收入不断增长的关键指标但全球移动互联网的规模终究有限,用户增长停滞的那一天终将带来,依靠社交流量轻松变现的时代也终将结束。对现在的Facebook来说,也许,是时候停下脚步依靠创新驱动了。

∞∞∞

IT派有个广州交流群,了解一下?

如果你在广州地区,今天内加IT派小助手并回复“广州”二字,即可拉你进“广州朋友圈”和大家一起交流学习。

注:其他时间段回复关键词恕无法拉你进到你想进的群中,笔心~ 


小助手加好友二维码在这里

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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