Facebook全球崩溃11小时,暴露了科技巨头们用AI为你打的标签

简介: 美国东部时间 7 月 3 日早上 8 点,Facebook 服务器遭遇了大面积停电,这一事件使得全球 Facebook、Instgram 和 WhatsApp 受到影响——除了很难登录,全球范围内很多用户在超过 11 个小时的时间里都无法上传图片和分享故事。

很多时候,直到一个东西无法使用,我们才会意识到它的重要性:想象一下微信不能发朋友圈,聊天不能发图片的景象……「我们发现一些用户在使用我们的 App 时无法上传或发送图片,」在停电事件发生后,Facebook 官方账号在 Twitter 上表示。「很抱歉让你们遇到了麻烦,我们正在尽快解决问题。」


不过人们在这场混乱中发现了一个有趣的现象:服务器访问的崩溃暴露了 Facebook 对用户上传所有图片的隐藏标签。


95929BF8-5ECA-480C-9360-34179D372C16.png

今天,科技公司用 AI 对你上传的图片做各种标注是常规操作。


每个人都知道,在电影《黑客帝国》中,男主角 Neo 进入到矩阵「救世主」状态并突然发现自己的「真实面目」:背后出现的一行行绿色代码。


同样地,由于 Facebook 受到停电的影响,社交网络用户也察觉到了数字幕布背后的真相,即现在 Facebook 网站上的很多图片已经被该公司机器视觉系统分配给它们的标签所取代。


所以,在浏览自己上传的照片时,你将看不到度假时拍的照片或者食物和朋友的照片,相反你会看到一些描述性文本,比如「图片可能包含:人们微笑、人们跳舞、婚礼和室内」或者只是「图片包含:猫。」


总之:这就是电脑眼中的人们生活。这就是 Facebook AI 判断人们的方式。在窥伺一切的「数字眼」面前,你是否感到无处躲藏呢?!


0B5C6C7B-95AB-478C-B8F3-A3BD7CA8CDF2.png

facebook 把这位用户的头像描述为「一个有胡子的人」。


与此同时,Instagram 上也出现了同样的图片标签。这些标签不仅详细列举了一般场景和目标描述,还根据 Facebook 的人脸识别显示出了照片中的人是谁。(自 2017 年起,Facebook 就已经对未打标签的照片赋予了这种功能)


至少从 2016 年 4 月以来,Facebook 就一直以这种方式利用机器学习来「读取」图片,这是该公司「accessibility efforts」计划的重要组成部分。Facebook 利用这些标签向视力障碍用户描述照片和视频内容。


608A24C7-C907-476C-B050-49006819DED2.png


人工智能可以从你的照片中提取大量个人信息。


目前尚不清楚 Facebook 是否也利用这类信息来推送广告。这些图片中包含了大量的用户生活信息,而这些信息我们或许并不愿意让 Facebook 获取:你是否养有宠物、兴趣爱好是什么、喜欢去哪里度假或者是否真的喜欢老爷车、宝剑或其他任何东西?


早在 2017 年,基于这些原因,一位程序员就制作了谷歌浏览器扩展程序(Chrome extension),以揭示这些标签。正如他当时所说的:「在我看来,很多互联网用户都没有意识到,大量的信息正按部就班地从他们的照片中提取出来。」


4281061E-6490-4E3D-8989-22DC737D0463.png

除了描述形象,facebook 的人工智能也可以直接认出特定的人。


从推特上人们的反应来看,这次停电造成的反应对于大多数人来说无疑是新鲜事物。至于这些机器打上的标签是否会被 Facebook 用来做广告定位,该公司尚未回应。


0C68D84A-27A5-4FE8-A2FD-A547B333EB80.png

图中有几个人,那些人有什么表情?facebook 都可以识别出来。


不管这些信息是如何被使用的,这次停电事件向我们揭开了「世界最大数据收集项目」的冰山一角。它还展示了今天的人工智能可以在多大程度上解读一张照片。


近年来,深度学习的进步彻底改变了机器视觉领域,现在的在线视觉内容经常和文本一样清晰易读。而对于计算机来说,一旦内容清晰可见,就可以轻松地存储、分析并提取结构化数据。对于大多数人来说,只有像 7 月 3 日系统崩溃这样的时候,我们才会意识到这一切的发生。


C99153EF-FF0C-4076-BB65-9BC8D2A90FF0.png


由于 Facebook 提供的服务日趋复杂,其应用和网站时常遭遇宕机。今年 3 月 13 日和 4 月 14 日,facebook 均发生了严重宕机事件,部分服务故障时间长达 24 小时。不过,即使问题出现的时间很短也会影响到很多人——截止 2019 年 3 月底,Facebook 报告的月活用户(MAU)数量高达 23 亿 8000 万人。


当这些服务对于商业和通信至关重要的时候,任何问题都会是大问题,不仅是服务器的稳定,还有对于数据的使用。


参考内容:

https://www.theverge.com/2019/7/3/20681231/facebook-outage-image-tags-captions-ai-machine-learning-revealed

https://phys.org/news/2019-07-outage-facebook-worldwide.html

https://zephoria.com/top-15-valuable-facebook-statistics/



相关文章
|
1月前
|
人工智能 vr&ar UED
获奖公布|第十九届"挑战杯"竞赛2025年度中国青年科技创新"揭榜挂帅"擂台赛阿里云“AI技术助力乡村振兴”专题赛拟授奖名单公示
获奖公布|第十九届"挑战杯"竞赛2025年度中国青年科技创新"揭榜挂帅"擂台赛阿里云“AI技术助力乡村振兴”专题赛拟授奖名单公示
|
1月前
|
人工智能 搜索推荐 JavaScript
【微笑讲堂】深度解析:Geo优化中的Schema标签,如何让你的内容在AI时代脱颖而出?
微笑老师详解Geo优化中Schema标签的写法,揭示如何通过结构化数据提升AI时代下的内容可见性。从选择类型、填写关键属性到JSON-LD格式应用与测试验证,全面掌握Geo优化核心技巧,助力本地商家在搜索结果中脱颖而出。(238字)
128 4
|
1月前
|
人工智能 算法 数据安全/隐私保护
拔俗AI多模态心理风险预警系统:用科技守护心理健康的第一道防线
AI多模态心理风险预警系统通过语音、文本、表情与行为数据,智能识别抑郁、焦虑等心理风险,实现早期干预。融合多源信息,提升准确率,广泛应用于校园、企业,助力心理健康服务从“被动响应”转向“主动预防”,为心灵筑起智能防线。(238字)
|
5月前
|
机器学习/深度学习 人工智能 算法
ai赋能科技
本内容探讨了AI技术在教育领域的深度应用,涵盖教学设计、课堂互动、科研赋能、教学管理和伦理实践五大方面。从智能备课到动态学情分析,从跨学科创新到自动化评估,展示了AI如何优化教育全流程。同时强调数据安全与算法公平性,确保技术发展不偏离教育本质。最后指出,在AGI时代,学习AI大模型不仅是为了适应技术浪潮,更是为了填补400万人才缺口,成为高薪“AI+”岗位的抢手人才。教育的目标已转变为培养驾驭AI的思考者,而不仅仅局限于竞争者角色。
160 1
|
7月前
|
存储 人工智能 监控
星云智控科技-优雅草星云物联网AI智控系统软件产品技术栈一览表-优雅草卓伊凡
星云智控科技-优雅草星云物联网AI智控系统软件产品技术栈一览表-优雅草卓伊凡
250 7
星云智控科技-优雅草星云物联网AI智控系统软件产品技术栈一览表-优雅草卓伊凡
|
6月前
|
人工智能 定位技术
挑战杯丨2025年度中国青年科技创新“揭榜挂帅”擂台赛阿里云榜题发布!用AI助力乡村振兴丨云工开物
第十九届“挑战杯”竞赛2025年度中国青年科技创新“揭榜挂帅”擂台赛,由阿里巴巴公益、阿里云等主办。赛事以AI技术助力乡村振兴为主题,鼓励高校师生设计长虹乡特色文创产品、农特产品包装等。作品需紧扣开化特色。评选标准涵盖创意、文化呈现和技术应用等方面。比赛设擂主奖及多项奖项。报名截止至2025年6月30日,作品提交截止至8月15日。
|
7月前
|
机器学习/深度学习 人工智能 自然语言处理
科技巨头加倍押注生成式 AI
谷歌母公司 Alphabet 计划 2023 年投入约 750 亿美元用于资本支出,主要用于数据中心扩建、芯片与服务器采购,支持核心业务及 AI 服务发展。CEO 皮查伊强调,此举将提升搜索等领域的竞争力,并推动 Gemini 等生成式 AI 模型进步。尽管经济形势不明朗,谷歌仍对 AI 领域充满信心,认为其投资将惠及消费者与企业客户。同时,微软与 Meta 等巨头也在加大 AI 基础设施投入,竞争激烈。普通人可从学习 AI 技能、结合自身领域、利用工具提效等方面抓住 AI 时代的机遇。相关学习资源包括《跟老卫学 AI 大模型开发》教程及 HarmonyOS NEXT+AI 课程。
165 1
科技巨头加倍押注生成式 AI
|
7月前
|
机器学习/深度学习 人工智能 计算机视觉
标签噪声下的模型评估:如何准确评估AI模型的真实性能,提高模型性能测量的可信度
本文探讨了测试数据标签错误对模型性能评估的影响,分析了如何估计模型的“真实”准确率。通过图像分类案例,揭示了标签噪声与模型性能间的复杂关系。当模型错误与标签错误独立时,真实准确率通常高于测量值;但实际中两者常相关,导致真实准确率更接近下限。文章提出通过深入错误分析、评估相关性和多标注等方式优化性能评估,强调理解这些关系对提升模型可信度的重要性。
217 2
标签噪声下的模型评估:如何准确评估AI模型的真实性能,提高模型性能测量的可信度
|
机器学习/深度学习 算法 决策智能
【重磅开源】Facebook开源 Nevergrad:一种用于无梯度优化的开源工具
【重磅开源】Facebook开源 Nevergrad:一种用于无梯度优化的开源工具
410 0
|
缓存 数据可视化 测试技术
开源多年后,Facebook这个调试工具,再登Github热门榜
让许多工程师合作开发大型应用大多会面临一个挑战,通常没有一个人知道每个模块是如何工作的,这种技能会让开发新功能、调查Bug或优化性能变得困难,为了解决这个问题,Facebook创建并开源了Flipper,一个可扩展的跨平台的调试工具,用来调试 iOS 和 Android 应用。近日又双叒登上了Github热榜。

热门文章

最新文章