有什么万能表情包吗?

提问题的是阿里粉吗

面对内容理解的准确性和效率问题，facebook是这样利用自我监督技术的

雷锋网 AI 科技评论按，在各种社交平台上，经常会出现一些违规的内容，如恐怖视频、侮辱性的言语等。如何将这些内容识别出来并进行处理对平台健康良好的运作具有重大意义。近日，facebook 人工智能研究院发表了一篇博文，探讨了这个问题。雷锋网 AI 科技评论编译整理如下文。

如今，我们在 Facebook 的各种应用程序中使用人工智能技术——其中最重要的一点是帮助人们安全地使用我们的平台。为了使所有这些系统更有效，我们需要继续改进我们的人工智能，特别是在两个方面：内容理解和有效地使用标签较少的训练数据。

我们在自然语言处理（NLP）和计算机视觉（CV）方面的最新进展表明了在内容理解方面的工作是如何产生效益的。在 NLP 中，我们开发了一个共享的多语言嵌入空间，它可以作为一种语言来帮助处理有害内容，即使是用在低资源语言中也是有效的。在 CV 方面，我们在我们行业领先的研究基础上，去识别图像中更多部分的内容，并使用标签来理解视频，从而实现记录设置的准确性。

随着我们内容理解能力的不断提高，我们也在自我监督的新领域取得了进展。这项技术将加速预训练系统的学习，它可以为下一代更快、更灵活的工具奠定基础。

我们将在这里重点介绍我们如何提高内容理解系统的准确性和效率，并找到新的方法，在无监督学习中做更多的事情。

使用多语种句子嵌入处理违规内容

为了在人们发布违反我们政策的内容时将它们检测出来，我们的系统需要理解语言。具体来说，我们的系统使用机器学习（ML）扫描一个给定的句子并回答一系列问题，例如「它是违规的吗？」或者「它是在威胁某人吗？」。使用这些问题的答案以及当时的上下文和其他的背景信息，我们可以决定是否采取行动，例如给一个人类的审稿人做标记。

为了让我们的 ML 系统回答这些问题，我们需要用给定语言的数千个例子来训练它们。然而，世界上大约有 6500 种语言，其中包括一些目前缺乏大型训练数据集的语言，要找到足够的训练样本来支撑我们支持的所有语言的内容理解是一个挑战。

通过在共享的嵌入空间中用多种语言映射类似的句子，我们可以在不翻译每个句子的情况下，更好地理解相关内容（包括违反规定的内容）。

为了帮助弥补训练数据的不足，我们正在改进我们最近开源的工具包「LASER」，它可以通过训练一个模型来理解各种语言。在以前，当我们需要为每种语言使用不同的模型时，LASER 的表示空间允许我们用一种语言进行训练，而不需要特定语言的训练数据。在训练之后，我们可以将模型应用于一系列语言，也不需要翻译它们，这称为「零样本迁移学习」。LASER 也让我们在语言未知的表示空间内，将那些彼此更接近的句子进行映射，来识别意思相似的句子。

对于希望增加系统能够理解的语言数量的研究人员来说，像这样的跨语言技术提供了一种更具可扩展性的替代方法去尝试收集和注释每种语言中的数据。这种方法还允许我们为机器翻译挖掘并行训练数据，特别是对于低资源语言（也就是训练示例较少的语言）非常有用。跨语言识别相似的句子有助于在多种语言中同时捕获相似的违规行为。为了生成每个句子层面的嵌入，我们首先使用字节对编码表示给定句子的单词，然后使用五层双向 LSTM（长短期内存）模型，紧接着使用 max pooling（因为句子包含的单词数目是不定的）。

通过大规模的训练这个系统——包含 93 种语言，这些语言隶属于 30 多个语言家族，用 22 种不同的脚本编写而成，我们能够获得未知语言的句子嵌入，并且其支持自动检测违反政策内容的能力对于低资源语言尤其重要。

这种方法和我们的跨语言预训练工作一起，将提高我们在不需要额外的语言标记的训练数据的情况下，处理多种语言的仇恨言论、欺凌和其他违反规定行为的能力。这两种技术都将支持我们现有的多语言单词嵌入的使用，它将不同语言的相似单词映射到同一空间（而不是 LASER 的句子级映射）。这些嵌入已经部署到产品中，用于广泛的跨语言理解任务，包括识别内容冲突等。

提高对照片和视频的理解水平

人们在我们的平台上共享数十亿张照片，理解这些照片中的内容对于保护人们的隐私安全极为重要。即使对像素的直接分析可能足以让我们的系统识别图片中的单个对象，我们也会进一步推进行业领先的 CV 技术的研究，并教会系统了解这些对象之间的关系在什么情况下代表着违反政策。

我们的系统擅长识别照片前景中的物品，如狗或球。但直到最近，他们一直在努力理解背景更大、包含更少的像素集合的照片。使用一种新的对象识别方法，即全景特征金字塔网络（panoptic feature pyramid network，即 Panoptic FPN），我们可以在一个统一的神经结构上同时执行实例分割任务（前台）和语义分割任务（后台）。

多年来，我们的 CV 系统已经逐渐识别出更多的图像组件，现在可以用一个单一的网络对前景和背景中的物体进行检测。这样可以更好地理解照片的整体背景，更高效的进行图像识别。

我们的结果表明，与只进行实例和语义分割的网络相比，全景 FPN 可以将执行实例和语义分割所需的总体计算量几乎减半。在实践中，这使系统对图像的故事背景有了更好的理解，而这一点在判断它是否违反我们的政策时很重要。但这项工作也会影响到其他应用程序，例如，它可能会潜在地改进我们用来向视力受损者描述图像的自动 alt 文本。

在视频中发现违反政策的行为比在照片中发现违反政策的行为更难。理解视频意味着理解构成给定帧序列的大量图像以及该序列中的行为表示的动机，同时还要处理非视觉的输入，如音频等。

由于这些困难，视频理解还处于起步阶段。无论是在准确性或是效率方面，我们一直在推进视频理解领域最先进的技术的研究，其中一部分工作是专注于我们系统的注意力和在最相关的数据集上进行训练。例如，通过将我们的三维卷积分解为单独的二维和一维卷积（分别与给定视频序列中的空间和时间相关），我们减少了可训练参数的数量。或者，我们可以保持相同数量的参数并提高精度。使用这个框架，我们可以在准确性和效率之间找到平衡。

我们的显著性抽样方法不是通过时空卷积神经网络传递给定视频中的每一帧，而是分离出包含显著动作的剪辑，以便进一步处理。

为了了解视频中发生了什么，我们将其分成短片段（每个片段由少量连续帧组成），并通过我们最新的时空模型发送一组连续帧。然后我们可以聚合这些信息，并得到整个视频的预测。

然而，在许多视频中，只有少数片段里面的信息对特定任务有意义，例如检测欺凌内容时，其余片段要么是多余的，要么是不相关的。因此，为了进一步提高我们在视频中发现可能违反政策事件的速度和效率，我们构建了一个显著性采样器。这个系统经过训练，专注于包含特定行为的视频部分，然后进一步更详细地处理这些框架集。这种更为集中的分析和训练使得视频的理解更快、更准确。

使用 hashtags 记录设置精度以理解视频

我们还开发了一种不同的方法来识别行为（包括表示内容违规的行为），它是一种目前最前沿的技术。

这项技术直接建立在我们去年在 F8 上宣布的工作的基础上，该工作的训练网络使用数十亿张带有标签的公共图像，并且能够在图像识别任务中击败最先进的技术。在我们的新方法中，带标签的视频扮演着弱监督数据的角色，这意味着训练示例的标签已经被人们应用，但没有全监督的精度。

与专门用于训练人工智能模型的标签相比，结果的注释噪音大且不精确。但是，这种方法提供的标记示例的数量表明，我们不仅可以通过在弱监督的训练数据上进行训练，也可以在前所未有的巨大数量的数据集上进行训练来显著提高视频理解能力。

在这种情况下，我们训练的最大的数据集包括超过 6500 万个带有标签的公共 Instagram 视频。而相比之下，当前的动作分类数据集只包含几十万个视频。使用这些视频带来的技术挑战和我们识别数以十亿记的图像识别工作类似，例如必须跨硬件平台部署训练，而且还会遇到新的障碍，包括处理的标签通常只适用于视频的一小部分这一事实。例如，一个带有「婚礼和舞蹈」标签的视频可能只会在一段更长的视频中展示一对新婚夫妇跳舞的几秒钟。

尽管存在这种时间噪声问题，但我们发现内容的多样性和示例的绝对规模抵消了标签中的噪声。通过使用显著性抽样器，我们的视频识别模型在三个主要的视频分类基准上达到了世界领先水平的精度。这包括将视频分为 400 种不同的人类行为类别中的一种时，在 Kinetics 数据集上的精确度达到了 82.8%。这比先前最高 77.7% 的准确度提高了 5.1%，相对来说，误差减少了 25% 以上。我们已经将这种方法应用到生产系统中，将欺凌行为识别率提高了近 85%。

通过将音频整合到这个模型中，我们能够获得更好的效果。我们的实验证明，与采用相同架构和训练流程的视觉模型相比，我们联合了音频和视频的模型在音视频事件检测基准上达到了世界领先水平，并在检测亵渎和成人内容的准确性上提高了 20%。

用自我监督进行内容理解的未来

语言、图像和视频理解方面的这些技术上的进步是我们不断努力改进政策执行能力的一部分。但是，当我们着眼于保持平台安全的长期任务时，创建可以使用大量未标记数据进行训练的系统将变得越来越重要。

我们现在的大多数系统都依赖监督训练。这给训练带来了一系列的挑战，例如在某些情况下我们会缺乏训练数据，在某些情况下我们需要收集和标记示例以从头构建新分类器以进行时长时间的训练。由于新的内容违规案例发展迅速，选举等事件已成为有害内容的聚集处，我们有责任加快系统的开发，以提高我们的响应能力。

一个潜在的解决办法是 Facebook 首席人工智能科学家 Yann LeCun 多年来一直在讨论的一种方法：自我监督。相比于仅仅依靠人类为了训练而标记的数据——甚至是弱监督的数据，例如带有公共标签的图像和视频，自我监控让我们可以利用完全未标记的数据。这种方法本质上是通用的，使自我监控系统能够使用少量标记的数据来处理未知的任务，并有可能使我们更接近实现真正人工智能的目标。

实际上，这曾经只是我们人工智能团队的一项策略性研究，而最近它已经转变为为团队提供强大的内部结果的系统，一些自我监督的语言理解模型不断击败使用传统的、有监督的方法进行训练的系统。具体来说，我们已经开发了一些模型，可以通过在给定信号的一部分上进行训练来预测给定信号的另一部分。

例如，我们训练了这些自我监督系统中的一个，通过在句子中隐藏单词来更好地理解语言，即使模型以前从未见过原来的句子。如果有一个短语，比如「A conversation about ________ and human connection」，人们可以很容易地猜出几个词来填补这个空白。但这项任务对人工智能来说更具挑战性。这是一个有用且可扩展的训练任务的基础，和谷歌引入的 BERT 模型所解决的任务类似。我们可以依次删掉句子中的每个单词，然后在 10 亿个单词的数据集上重复这个过程，且这些单词不需要进行标记。

通过分别分析隐藏单词左右两个句子的上下文，我们的双向变换模型能够在不依赖标记数据的情况下预测漏掉的单词。

为了预测每个隐藏的单词，我们使用双向变换网络，通过计算句子的前向和后向状态——即隐藏单词右侧和左侧的单词——来模拟句子的其余部分，然后结合这些表示来确定隐藏单词。一旦系统以这种未标记的方式进行了训练，我们就可以使用标记的数据为特定任务（如识别欺凌性言语）对其进行微调。在内部测试中，这种自我监督和监督训练的结合使用使得我们可以用比有监督少 10 倍的数据进行训练，却能获得与有监督模型相近的精度，或者在使用相同数量的训练数据的情况下减少 20% 的错误。

我们还利用自我监督训练来提高语音识别能力。我们创建了一个音频剪辑的几个版本，其中某些版本的一部分已被更改，模型必须确定哪一个版本是正确的。在这里，只使用原始音频作为输入，没有转录或其他标签。

对于这种方法，我们使用了两个叠加在一起的网络：一个编码器网络，它将原始音频映射到时间频率较低的特征表示；一个上下文网络，它预测正确的音频。为了使训练任务更有效，我们要求上下文网络对未来进行更加深入的预测，从而使预测问题变得越来越困难。

在使用两个卷积神经网络对原始的、未标记的音频数据预先生成模型后，系统进行了优化，以解决越来越困难的任务：在不同的时间点预测音频，其中，箭头指示对未来的预测。

一旦这个经过预训练的自我监督模型对语音有了很强的理解，我们就使用少量的监督数据——80 小时的转录音频来训练最终的语音识别系统。我们的系统使用的标签数据比之前最好的系统 Deep Speech 2 少 150 倍，同时将错误率降低了 9%。这项工作使我们能够快速地将语音识别能力扩展到更多的语言，而不需要在每种语言中都有大量的转录语音。

这两种方法都侧重于语音和语言理解，但它们也代表了我们如何探索甚至结合不同程度的数据监督的更基础的转变。这包括利用大量未标记的训练数据，以及使用少量标记的数据来释放自我监督系统的巨大潜力。在所有与人工智能相关的任务中，越来越强调自我监督，但没有一项任务比提高我们产品的安全性更重要。

Via：

雷锋网雷锋网

扎克伯格拒绝拆分脸书：我们的隐私真的非死不可”吗？

撰文 新京报记者 徐悦东

实习生 李颖

近日，身处舆论漩涡的Facebook创始人兼首席执行官马克·扎克伯格

（Mark Zuckerberg）

在接受法国媒体采访时，对Facebook联合创始人Chris Hughes在《纽约时报》发表的文章《是时候拆分Facebook了》作出了较为激烈的回应，反驳说拆分对于解决问题不会有任何帮助”，并称Facebook在安全上的投入比任何一家社交媒体都多”。

Chris Hughes在文章中列举了Facebook在隐私、安全、假消息、极端言论等方面的种种问题，并提出要解决这些问题就必须改变Facebook的垄断地位，改变扎克伯格一人掌控整个商业帝国的现状，因此必须由政府介入，拆分Facebook、Instagram和Whatsapp三大核心社交和通信平台。

Facebook创始人合影，左起依次为：Dustin Moskovitz, Chris Hughes，Mark Zuckerberg。

自去年三月剑桥分析”丑闻以来，公众便深陷被Facebook掌握和泄露隐私的忧虑之中，Facebook及扎克伯格也面临着前所未有的考验，美国联邦交易委员会

（Federal Trade Commission，简称FTC）

就因泄露隐私对Facebook处以30亿-50亿美元的罚款。皮尤调查中心的数据显示，用户对Facebook的信任度不断下降，他们通过调整隐私设置、暂停使用和卸载的方式来保护自己。

不同年龄段用户对Facebook采取的措施，数据来自皮尤调查中心。

在数字化进程不断加快的当今社会，攫取个人数据的行为无所不在，手段也是史无前例的丰富和精致，个人隐私在铺天盖地的网络中越来越无所遁形。以Facebook为代表的科技巨头们，轻而易举地掌握了用户的海量信息，并以此盈利，而每个被占有隐私的个体成为了新形式的数字劳工——自己的数据和信息成为科技巨头的资本和权力，最糟糕的是我们似乎还对剥削者形成了依赖。

种种迹象表明，现状已经与互联网之父”Tim Berners-ee构想的自由开放的互联网”相去甚远，信息孤岛”和商业垄断使得互联网日益封闭专制，人们正在成为脸书斯坦”

（Facebookistan，意味脸书的独裁国）

的国民。但即使目前公众对隐私问题的担忧和抗议达到了前所未有的程度，政府也在不断出台法案和政策来限制企业对数据的掌控，这些既得利益者仍然不会轻易罢休——Facebook一次又一次地发生数据泄露的丑闻，挑拨大众的神经，掌门人扎克伯格依然坚定地、毫无愧色地说，我们已经尽力了。为什么以Facebook为代表的科技巨头屡教不改？这关乎激烈的市场竞争，关乎金钱和权力。

电影《Facebookistan》海报。

竞争而非垄断是Facebook不当行为的驱动力

一直以来，存在着两种批评Facebook的主流声音：一种是指责Facebook是现代垄断者，在其行业里扼杀了竞争；另一种则是它和它的竞争者一样，更像是现代的烟草公司——公司间的激烈竞争导致军备竞赛，不顾社会成本地发展能促进数字成瘾和吸引用户注意力的技术。

Chris Hughes的评论文章实际指向了后者，竞争而非垄断，才是Facebook不当行为的驱动力。他描绘了一个本来正常的、富有思想的，但被市场竞争变成疯狂的国王”的扎克伯格，Hughes写道：竞争驱使马克这些年来不断收购其他公司，包括2012年收购Instagram和2014年收购WhatsApp。”同样是为了竞争，扎克伯格才抄袭Snapchat的创新之处，牺牲用户的隐私来换取更精准的广告推送，设计能使人们花更多时间停留在平台上的算法。作为垄断者的Facebook会比作为竞争者的Facebook更有兴趣去改变自己的问题。

但Hughes提出的解决方案——拆分Facebook，显然与他所分析的原因相矛盾，Hughes认为拆分后，人们有更多更好的选择。不过，Vox创始人Ezra Klein认为，这会引起更多的市场竞争，虽然确实有一定好处，但也会继续加剧这些社交媒体攫取我们注意力和数据的战争，会激励更多的不道德行为。例如Twitter评估了竞争后用算法创造了一个如此有毒”的言论空间，YouTube创造的算法成为了极端势力手中强有力的武器，Instagram比Facebook更具吸引力的原因正是它善于令人上瘾......

Ezra Klein认为问题不在于如何释放社交媒体行业的竞争，而在于如何控制它，Facebook给我们带来的教训就是这一产业太重要了，我们不能就把它丢给市场。因此，我们需要外力的介入，来保证市场竞争服务于社会需求，而不是单纯服务于市场本身。

数字资本主义将监控”变成产业

自古以来，隐私权就与经济地位挂钩，而科技日新月异的发展带来了新的价值理论，转变了过去的隐私经济学。现如今，由于互联网的普及，对大众监控的成本大大降低，两种资产的价值猛增，一种是注意力，另一种便是人们的数据。于是有条件监控用户的公司正在竞相将这些资产的价值最大化，监控”甚至成为一个产业。

资本是逐利的，利润最大化是它的唯一目标。1999年，美国传播学学者Dan Schiller就指出：在扩张性市场逻辑的影响下，因特网正在带动政治经济向所谓的数字资本主义转变。”现今世界上最富有的公司都是通过监控攫取财富，它们将尽可能多的追踪器、电子设备和屏幕放进我们的家里，尽量无限接近我们的身体。

各种可以用于监控的电子设备。

海量的数据可以成为企业的竞争优势，个人的一切隐私都可以变现，企业利用用户隐私进行精准的广告投放，从广告商那里获得相当可观的收入。数据营销公司Acxiom说他们通过将特定的人与更大的人群进行对比，以此来做出消费预测。例如，他们会先找到那些购买了S.U.V.的人，接着看看你是否住在相似的地区，或者你和他们是否年龄相仿、拥有相似的兴趣爱好。如果你和他们相似，Acxiom就会判断你很有可能购买，以此来对你进行广告投放。 Facebook、google、Amazon等等，无一不是依靠这样的商业模式赚得盆满钵满。

事实上，广泛的隐私权从来不是人类的基本特征。在人类历史上的大部分时间内，隐私”可以等同于富有，大部分人只拥有极少的隐私。农民和奴隶等下层人民通常要和其他人待在一起，有时甚至与动物共享空间，他们总是处在监视或限制之中，只有富人才能拥有自己的房间以存有隐私。

资本主义的蓬勃发展带来了中产阶级的诞生，许多人可以拥有自己的财产，获取能保有隐私的经济基础，直到这时隐私才扩展到大众之中。人们有了不被监视的权利和独处的权利。每个人可以待在他的城堡”里，每个饮酒者可以待在他的酒吧里，每个工人可以待在自己的办公室里，每个孩子可以待在自己的卧室里......私人的物理空间创造了每个人对隐私的期待和实现。这时，资本主义站在隐私一边。

由此可见，隐私并不是天然的，在资本主义社会中，谁拥有隐私取决于谁拥有金钱，而今天，隐私的前提改变了。在监控成本降低之后，资本主义就换边站了，财富的掌控者再也不需要隐私的扩展，反而致力于对隐私的破坏。我们见证了注意力经济和社会学家Shoshana Zuboff 称作监视资本主义”的崛起。

更糟糕的是，这种监视资本主义”正在成为我们的日常生活，延伸到生活的方方面面。最近，美国科技媒体The Verge披露了电子商务巨头Amazon利用AI监控员工的细节，迫使员工在流水线上一刻不停地为其工作，并且自动解雇偷懒”的员工。哥伦比亚大学法学院教授Tim Wu 在《注意力商人：进入我们头脑的史诗级斗争》

（《The Attention Merchants: The Epic Struggle to Get Inside Our Heads》）

一书中警示说：我们正在变成农奴的路上。

《The Attention Merchants: The Epic Struggle to Get Inside Our Heads》，作者：Tim Wu，出版社：Atlantic Books，2017。

圆形监狱中的数字化生存”

除了个人隐私带给企业的巨额利润之外，由此带来的权力更是令这些企业欲罢不能。著名哲学家福柯在《规训与惩罚》中创造性地提出了全景敞视主义的权力运行机制，通过网络化的监视和规训来实现权力的微观化，将权力变得无孔不入，而这些科技巨头们就正在使用这样的权力技术来实现数据独裁”。

全景敞视主义脱胎于边沁所提出的圆形监狱意向：一个环形建筑，高墙上一间间囚室鳞次栉比，呈网状分布；中心是一座装有强光灯的瞭望塔，塔上一圈的窗户正对着四周的囚室。强光照射下，囚室里的人如同舞台上的演员，茕茕孑立，无处遁形；逆光作用下，瞭望塔幕后的监视者却无法被辨别。在圆形监狱中产生了微妙且不对等的权力关系——监视者处于一种毋庸置疑但却又十分隐蔽的权力位置，向被监视者行使权力与规训，但后者对此毫无办法。

圆形监狱。

科技巨头运用最先进的技术、最精致的隐私条款、最巧妙的页面设计，完成了圆形监狱的搭建。在数字化生存”的时代，人的网络数据就是人的一种存在形式，你喜欢吃的美食、你去过的地方、你的政治倾向等等，一切都处于全面监控之下。甚至随着万物互联”时代的来临，传感器和人工智能等技术将人体变成电子终端，这些科技公司可以更直接地获取你的生理和心理状态，使人完全透明。

在监视的基础上，科技公司还进一步对用户进行规训。Facebook曾一次性清理800多个政治主页和账户，理由是它们散布不实信息和发送垃圾邮件。此举引得人心惶惶，那些在Facebook巨塔的阴影下艰难谋生的自媒体赶紧清理和优化信息，以预防下次轮到自己。

英国《卫报》评论道，Facebook和社交媒体们在尝试像警察一样管理他们的用户免费提供的内容。律师Vera Eidelman说，Facebook有权实行自己的条款，但这种做法会引起严重的言论自由问题，尤其在社交媒体根据内容选择性执法”的情况下。左翼网站Reverb Press的主编Edward Lynn将这称为Facebook监狱”。Facebook利用不透明的算法和不公开的标准，为它的所有用户立法，获得了无上的权力。

为什么道理我们都懂却还是要使用？

尽管我们都知道这些科技巨头在获取和分享我们的数据隐私，但我们仍然以它们为数字生活的中心。国际消费者和互联网协会最近在美国、加拿大、日本、澳大利亚、法国和英国做了一个智能设备调查，结果显示63%的受访者认为互联设备很令人毛骨悚然”，75%的受访者不信任这些设备分享数据的方式。

但是仍有接近70%的受访者说他们拥有一个或更多的互联设备，包括智能家居、健康监测设备和游戏机。根据市场研究公司IDC的数据，去年智能设备的销售额增加了25%，而且接下来的四年中这一数据应该会翻倍。语音科技博客Voicebot 3月份的一项研究表明，即使是那些表示他们非常担心”智能设备带来隐私风险的人，拥有一台智能设备的可能性只比普通公众低16％。普渡大学心理科学系教授Robert W. Proctor说：那些声称关心安全的人会做很多非常不安全的事情。” 那么，为什么人们并不信任这些科技公司，却仍然要使用他们的产品呢？

一方面，人们可能并不了解智能设备在收集哪些数据，他们收集的确切内容因设备和服务条款而异。IDC高级分析师Adam Wright表示：大部分家庭智能设备都会给第一方供应商提供设备的位置、表现、运行状态和用户与它互动的频率。然而从第三方的角度来说，事情就变得有些阴暗了。”例如，智能语音设备Alexa

（Amazon产品，在此是第三方）

可能会获取你家里智能灯泡

（在此是第一方）

的数据。

通常来说，弄清楚这些设备在收集什么的唯一方法是阅读他们的服务条款。但正如Adam Wright所说，这些服务协议条款在大多数情况下很难找到并且模糊不清。互联网协会的互联网技术项目经理Steve 指出，甚至是那些精通技术的人也很难找到并理解这些信息。

Facebook附加数据获取政策节选。

另一方面，人们其实没有那么在乎隐私，他们通常会用隐私来换取便利。许多消费者已经决定了这就是我们要生活的世界：如果我想获取好处和便利，那我们就要付出代价。”Olshansky说。智能设备可以提供很多实用的功能，例如节约能源、照看婴儿、自动锁门等等，因此对于很多消费者来说，隐私在这些便利面前就显得没那么重要了。

然而，科技巨头与消费者之间的交易并不总是公平的。Wright指出，谷歌、苹果和飞利浦等等可以通过所掌握的海量数据盈利，相对消费者获益更多。同时人们又没有更多更好的选择，无论选择谷歌还是亚马逊的产品，它们都在用相似的方式来收集相同的隐私。

尽管如今科技公司纷纷实行改善措施，政府也在用法律和行政手段对行业进行整治和规范，可这远远不够。我们必须时刻保持清醒和警惕，防止在温水煮青蛙”中一点一点地失去我们应有的权利。

参考资料：

?rref=collection%2Fseriescollection%2Fnew-york-times-privacy-project&action=click&contentCollection=opinion&region=stream&module=stream_unit&version=latest&contentPlacement=2&pgtype=collection

?rref=collection%2Fseriescollection%2Fnew-york-times-privacy-project&action=click&contentCollection=opinion&region=stream&module=stream_unit&version=latest&contentPlacement=6&pgtype=collection

?rref=collection%2Fseriescollection%2Fnew-york-times-privacy-project&action=click&contentCollection=opinion&region=stream&module=stream_unit&version=latest&contentPlacement=6&pgtype=collection

作者 新京报记者 徐悦东 实习生 李颖

安也 校对 翟永军

Mac全景照片制作----iFoto Stitcher

想要一款智能全景照片制作工具？小编今天为大家带来了iFoto Stitcher for mac (全景照片制作)。通过iFoto Stitcher Mac版，可以自动识别你导入的照片，然后将它们合成为全景照片，非常简单！有需要的朋友，千万不要错过！

使用相机，扫描仪或智能手机拍摄的高分辨率图像制作令人惊叹的全景照片，Mac的自动全景照片制作者应该是首选。

按组自动选择”和自动缝合使对齐图像变得容易，而无需手动在移动照片周围弄乱，自动进行曝光平衡和镜头阴影校正，自动修剪算法以创建令人惊叹的全景摄影。

使用不同的缝合技术来扩展数码相机或其他设备的功能。无论您必须垂直，水平还是平铺多次放大视野，您都可以创建高分辨率的360度全景图。

支持各种常规照片格式以及不同相机类型的RAW文件，包括佳能，爱普生，富士，尼康，奥林巴斯，索尼和其他流行的相机类型。它应该是尼康Panorama Maker的最佳替代品。您还可以将全景图导出为TIFF，JPEG或JPEG-2000文件。

当您需要进一步全景照片时，可以以正确的角度拉直并旋转文件，调整亮度，对比度，色相和饱和度以制作出精美的全景文件。根据需要将框和文字添加到全景照片中。

它还提供全景查看器中的手动对齐和混合。它使您能够将全景图保存在计算机上，或者在线将全景图共享到FaceBook，Twitter和其他社交媒体网站。它应该是Mac上最好的全景应用。

1、自动选择组可以检测和选择照片为群体智能；

2、完美无缝拼接成全景图片3或更多；

3、创建360°分割的高分辨率全景；

4、提供经典的4针模式：垂直、水平、360度和瓦；

5、支持输入正常的图像格式JPG，JPEG，TIF格式和TIFF格式；

6、还支持流行的相机类型不同的RAW格式。这应该是最好的尼康全景机替代；

7、保存系统所支持的任何格式，如JPEG，JPEG或TIFF；

8、对齐点和照片将让你调整的重叠区域，以达到最佳效果；

9、全景车间程序最简单的用户界面；

10、加框和文本的全景摄影；

11、拼接边距可调，以符合您的图片重叠；

12、调整色彩平衡、亮度、对比度的暴露水平；

13、自动裁剪算法。

14、拉直和旋转全景全景查看器需要；

15、导出JPG，TIFF和PNG格式；

16、拼接照片边距可调，以符合您的图片重叠；

17、准确的色彩处理。输出图像的颜色空间的图像；

18、分享全景在线脸谱网，推特，Flickr和其他社交媒体网站或保存在计算机的全景；