至顶网软件频道消息:以区块链为基础的Verasity公司正准备正面挑战视频巨头YouTube。
时至今日,我们能够通过手机与平板电脑轻松观看视频内容。无论身在何处,我们都能随时享受自己最喜爱的节目,这意味着在线视频不仅足以与电视相媲美、甚至已经实现了后来居上。
随着最近有公告显示青年群体每天平均要观看一个小时YouTube,广告领域的从业者们自然不会放过这个机会。让观众们在观看节目的过程中接受一下广告宣传无疑是每位广告客户的梦想; 但实际情况恰恰相反,广告行业正受到欺诈与虚假新闻的严重污染,就连YouTube也承认这个问题的存在。
这家谷歌旗下的视频平台最近宣布将投入2500万美元用于搜寻虚假新闻,旨在重振全球客户的沮丧情绪。但以区块链技术为基础的Verasity公司则提出更为激进的目标——打击虚假新闻。
该平台于今年1月公布,通过直接清除广告欺诈内容,其能够为广告客户节约下190亿美元。
利用其正在申请专利的全新观看证明(简称PoV)技术,Verasity能够通过付费观看与付费获取模式对客户印象进行验证,同时亦推出配套的全新数字货币。
目前的问题是什么?
目前,在线广告活动正受到沉重打击。虚假新闻引发机器人与流量稀释问题,并使得广告行业每年浪费大量资金。从短期角度来看,这意味着高质量流量减少或者市场目标指向错误,因为很多消费者都会被意外定向至其根本不感兴趣的网站,自然也就谈不到实际购买。
每次访问都会建立一种印象,而广告客户不得不依赖一组复杂的数据以理解访问者为何前往他们的网站。如果不能解决这个问题,销售额根本得不到有效提升。
尽管YouTube可能已经成为全球第二大搜索引擎(仅次于其母公司谷歌),但其发现自身已经陷入虚假新闻与阴谋视频的漩涡中心,而这些视频亦带来严重的负面财务影响。
因此,广告商已经确定了目前视频平台、社交网络与媒体代理商目前面临的主要挑战:虚假观看、机器人程序与欺诈性观看。
那么,这一切该如何解决?
将区块链技术引入视频市场
Verasity在一个月前公布了一项软性上限(即一定数量的代开代币销售限额,旨在确保项目获得必要资助)。如此一来,人们将能够使用比特币或以太币交换其新代币VERA,从而加入这个利用以太坊网络创建的新项目。
值得强调的是,VERA一词源自拉丁语中的“真相”,该公司CEO David Orman一直在强调这一眯。作为一名行业专家,他认为这套平台有望解决众多原本存在的错误。他指出,“我们都亲眼目睹了当前在线视频领域的低效、不平衡以及其它问题。不适内容、收入不佳、交易费用高、广告欺诈、内容创作者收入有限、虚假新闻以及内容发现能力低下等状况长期存在。而这些,只是我们将要解决的一部分难题。”
整个行业似乎也对此表示认同; 计划于2019年发售的VERA币,如今已经达到预设的软性上限销售额。
收入潜力
随着新兴加密货币钱包技术的逐渐成熟,Verasity方面给出的承诺并非痴人说梦。用户只需要支付极低金额就能够观看平台上的某些内容,但同时亦可通过观看广告获取VERA代币。这种循环使得广告商与客户之间完全保持透明。区块链技术的介入几乎彻底消除了机器人的存在,而观看证明技术则为广告商带来了其在当前市场上根本无法实现的安全性保障。
此外,这也意味着对成功的媒体传播公司而言,其中将存在巨大的盈利空间。由于平台上的用户开始接受VERA代币,新加入的广告商必须给出具有吸引力的每次观看收益——因为如果收益过低,用户们可能会转而观看其它广告。
传媒企业的解决方案
尽管到目前为止几乎没有进行过什么宣传,但Verasity的名头已经快速传播开来。Orman表示,内容创作者、人才管理者以及版权拥有者每天都在与他联系,希望了解更多与这一命题相关的信息。
他表示,
拥有众多小播客的主流传媒公司希望利用我们的解决方案清除由“虚假流量”引发的种种问题,从而建立起新的、更为直接的收入流——这一点对于需要向各内容拥有者支付一定比例佣金的主要在线视频平台而言尤其重要。
其次,媒体代理商也在积极开发新的区块链技术,希望为广告商提供更负责且更公平的媒体购买方式。利用区块链技术将确保媒体投资拥有更高的透明度,消除过多的中间方,最终降低数字与程序化广告支出以提高品牌投资回报率。
最近有消息指出,Verasity公司刚刚宣布与Amazon AWS Activate项目开展Portfolio Plus级别合作——这是该项目中最高的级别,允许合作方实现快速扩展。
Verasity还与XCHNG建立起合作关系,后者是一套基于区块链的开放数字广告生态系统,其承诺提供透明的受众指标并大幅减少广告欺诈问题。
随着YouTube的投资以及Verasity等平台的兴起,数字广告商们可能会在2019年看到解决问题的希望曙光。明确的指标、广告欺诈减少以及透明市场都将不再是梦想。
未来几乎已经到来,让我们拭目以待。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。