一年四千万美元!维基百科是不是花太多钱了?

近期你如果查阅维基百科,可能会看到页面顶部有一条小提示,是的,一年一度的维基百科社会捐款又开始了。作为一家非营利组织,维基的帐目是公开的,对于 12/13 财年(2012 年 7 月至 2013 年 6 月),维基在其页面上公开出来的运营预算为 4,200 万美金。这个数字在 Quora 上受到了一位提问者的强烈质疑,他认为维基由志愿者维护,页面形式也绝非花哨到需要大价钱设计维护,那么大家捐的钱都到谁的腰包里去了?就此,维基百科的创始人吉米·威尔士(Jimmy Wales)在 Quora 上作出了一个权威回答:

“我们是个极其节俭、高效的非营利组织。我想不出有哪家组织在影响力的范围和深度上能跟我们匹敌,并且还能把运营开支控制在我们这么低的程度,连接近点儿的都没有。

我来换个说法:每个月有 5 亿网民访问维基;那么一年 4,800 万美金(编按:这可能是 12/13 财年最终的运营开支),或者说 400 万一个月的开支,平摊一下相当于每月每个人 1 分钱都不到。

其他回答者已经提供我们的公开帐目运营计划了。

当然理论上我们还能更省钱一点。我们可以不要花钱在工程师身上,放弃全新的可视化编辑器什么的。我们可以不要花钱在移动策略上,让移动端的用户体验远落后于用户的真实期望。我们还可以坐守现有的百科内容,而不用花钱去动脑筋把它扩展到使用其他语言的发展中国家去。

除非是开玩笑,否则我想没人能说我们花了太多钱。这儿的工资都是正常水平,我们的薪酬标准绝不夸张。”

除了吉米·威尔士的回答,一家小软件公司 Silktide 的创始人奥利弗·安博顿(Oliver Emberton)还认真帮维基数了数运营这样一家网站的各种麻烦:

“四千万根本是毛毛雨。

提问人你犯了个常见错误,很多没亲身做过这些事的人都会像你这么想。按你的说法,维基百科‘只是一些纯文本’。可你也不能在随便哪台旧电脑上托管“纯文本”吧。啊对你只需要一点钱买服务器空间罢了——呵呵,你压根不明白你错得有多离谱。

*深呼吸*

好吧,让我们假设你是维基的大总管。你要怎么做才能让 5 亿人用上它呢?

首先,你需要地方托管。这不是你随便找狗爹(GoDaddy)就能搞定的服务。(下面这张是 3 年前的维基百科服务器架构图,能看懂大致意思就好)

请注意,你有成千上百台计算机,并且它们之间用各种先进复杂的方式互连着,你得找一整队专家才能搞定设计并且架好这个结构。

接着,想象一下上面这些部件三天两头都在变化、损坏、被攻击。每!时!每!刻!

你所有的计算机最终都会报废。你所有的计算机都需要打补丁保证安全可靠。这不是你自家电脑,可以每个晚上关掉整个维基去做 Windows 系统更新。

为此你做好计划没?要搞这样个架构还要维护好,你得在全球各地找一整队专家,而且这种人通常身价都不低啊。

讲完硬件然后我们来谈下软件。你的软件设施必须能在 300 多种语言环境下运行。你试过修改一个运行在 300 多种语言环境下的程序么?那有点像这种感觉:

‘唔我只需要加个复选框进来,五分钟就能搞定了!’

5 分钟后,代码写完。

‘瞧多简单!’

的确,除了现在你得把这个新增功能放到 27 种浏览器环境下做测试,然后你发现它在煤电版 Windows 7 下不管用,而且你忘了支持粉红版黑莓手机,哦对了,你还需要一整队人马把它翻译成 300 多种语言。

测试本身就是个壮举哈。5 个人做测试时看起来还行的东西,等到 5 百万人一块儿用起来就可能整个把你的架构给踏平了。扩展技术是个大难题。那些大网站 Twitter 啦 Quora 啦 Facebook 啦早期哪个没宕机过。到底怎样才能在网站风靡起来以后仍保持稳定不掉线?业内最顶尖的头脑都还在为此头疼呢。

当然啦,我们还没说到你运营的是维基这么个事儿主呢。5 亿个用户的社区,持续维护那是必须的。你需要质量控制、公关、人力资源管理、财务、社区运维,还要刻苦奋斗的员工们去从那些自以为无所不知其实啥都不懂的愤青那儿筹到这微不足道的四千万资金来保障网站生存。

作为一个非营利组织,花大约美国教育预算 0.05% 的钱,维基每个月都让 5 亿人学到了知识。想想吧!

老实说,我觉得不如提议让吉米来统管地球好了,我很确定他会比剩下那些人做得更出色。”

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