`
lilisalo
  • 浏览: 1111785 次
文章分类
社区版块
存档分类
最新评论

转 詹宏志谈数字出版

 
阅读更多

纸本书变电子书是很小的事——詹宏志谈数字出版时代 收藏
出处需 http://www.facebook.com/note.php?note_id=434741171281&id=194807678300&ref=mf


纸本书变电子书是很小的事——詹宏志谈数字出版时代

书香:有一种说法,2018年,纸质书将消亡,您如何看待纸本书和电子书?

詹宏志(以下简称詹):
这是一个先要处理问题的问题。我不觉得这个问题有那么的严重,对出版者来说严重的问题不在这里。电子书,今天我指的电子书是有一个阅读器的书,像kindle那样。假如电子书指的是,一个在特殊的阅读设备上面呈现我们今天在纸本书上所看到的内容和形式的书,那我会说,电子书正在解决过去的问题而没有解决未来的问题。电子书的意思是:过去人类历史上存在着这么大数量的内容,这个内容一定要有一种方式继续维持和保持,所以我们现在创造了一种新的印刷术,这个印刷术脱离了纸张,用别的方式来呈现,但它是配合着纸张的方式来呈现的。

可是今天出版的问题是另外一个问题——过去我们取得知识的绝大部分方式是通过纸本的书和杂志来获得。这是我这个世代的人取得知识的方式。而今天用这样的方式来取得知识的人的比例在下降,这才是严重的问题。即使所有的书都转成电子书,大家也都用得习惯,书还是在减少,杂志还是在减少,因为已经有大量的阅读者不再用这种形式了。简单说,互联网有内容、有读者,这不就是出版吗?只是他们都没有用到出版这个字,也没有意识到他们在使用出版这个行为。出版者和阅读者都没有察觉,但是使用互联网这件事都占用了你很大一部分的时间,这个形式连电子书都没有办法解决。所以电子书是在解决过去的问题。出版者要解决今天的出版困境,他必须到未来的学习者取得知识的地方去做出版,不能继续使用现在出版的形式,使自己愈来愈跟这个社会不相干。注意,不是不好,是不相干。

举个例子,现在全世界最好的百科全书极可能还是大英百科全书,可是最好有什么用?它现在跟我们大部分年轻人是不相干的。大部分人不知道这个东西曾经是最好,现在仍可能是最好的。或者,大英百科全书跳出来说,维基百科有多少可能的风险,可能的缺点,也没有用。新一代用的都是维基百科。而我也不觉得现在的年轻人用的是维基百科,真正改变他的行为的是搜索引擎。他是先丢出一个要查的东西,如果维基百科在前三条,就点进去,还没到维基百科,这个事情就已经决定了。所以取得知识的方式如果已经变了,出版还没变的话,就会慢慢变得不相干。所以,纸本书变电子书是很小的事,书变得不像书,才是严重的事。变成电子书你还认得,现在只是你要不要习惯它——习惯跟服务等有关系,比如kindle可以做起来,现在ipad也许会做起来,都是因为它整合了上下游所有的服务,你买了一个装置,上网可以取得内容,付了钱就可以读,任何时间任何地点都可以读,你会觉得我可以接受,如果可以接受的人愈来愈多,那将来纸本书就印给像我这样的怀旧的人读就可以的。不需要所有的人都用纸本书,也不必为它哀伤。因为纸张出来,也淘汰了过去所有的书写工具,所有的获得知识的形象,不管是竹简泥板等,那个痛苦是一下就过去了。如果有更合理的——电子书有比纸张更合理——它印制更便宜,传播更便宜,每一个更便宜都会带来知识传播的更大普及。当时纸张就做到这个事。

所以纸本变成电子书这个有什么好困难?它只是破坏了现在的一些从业员的收入来源而已,行业的规则起了变化,都要重来,因为结构变了。将来书的价格要如何没有人知道?作者拿多少?出版社多少?卖的人要拿多少?全部不知道。因为规则全部改变了。纸本书经过那么多年的发展,大家都有秩序,知道怎么做,知道多久回款,一本书卖出去了作者可以拿多少,有一个范围,但是这个形体如果一消失,经济模式需要全部重来,是这件事让出版界痛苦,但是出版接口对的问题不是这个,是它的工作未来会跟求知不相干,这个才是严重的事。

书香:按照您的说法,未来的书会变成微内容的集合吗?

詹:不一定。它有很多种形态。第一,运算能力和连接性这两件事能够做到的事都会是书的形式。假设你今天要写一本厦门深度旅游的导游书,以我们现在出这本书,就一个地点、一个景点、路线列起来,相关的服务列出来,再想办法找人去拍照,把内容补充完整,并解决内容的创造跟权利取得的问题,然后就变成一个结构,有目录、内容,也许还有索引,那每一个数据都必须被收集在一个地方。那如果我用互联网来出书,举例来说,我可以有一个完整的目录,但是一个内容都没有,你点击一条目录就会连接到某一个人写的东西,那合起来就是一本书了。

我是说,书的形体有一部分变化了,可以容许它长成别的样子。也可以有一些书,由你决定要读的内容,有一些段落感兴趣,就多读它;有些想少读它。可以分层地去写一本书。那本书的形体可以相互直射,可以多重媒体,可以不论长短。现在书因为要长成书的样子,总是要找一个工业规格。在互联网时代,3000字到3万字都OK,形态有一个新的自由。所以我说,书已经从这个规格里面解开了,它现在要容忍更多的事,包括传统书籍的形式不再是未来书的唯一形式这件事。所以这个是出版业最大的挑战。

数字时代,编辑的工作会加倍重要

书香:在未来时代,编辑的主导作用在哪里?

詹:我的看法是,过去的编辑是在缺乏当中主导。因为你没有,所以我给你这些。现在,我给你一本书,这件事你一无所知,所以我把认为重要的事情统统合起来给你,所以是在缺乏中主导。在互联网时代,未来的编辑要在丰富中主导。你随便百度一下,google一下,就有十万个符合你搜寻条件的资料,你要怎么看?当信息量愈大的时候,导语和评论的价值就愈高。因为你真的没办法判断,问题不在于没有而在于太多了,多到你不知道谁好。在我看来未来编辑的工作会很不一样,会加倍重要。

我也可以举真实的例子。有一次,我在日本参加skype的skype date的活动,我去做开场的演讲。日本互联网界很有名的——活力门的创办人堀江贵文做闭幕演讲。我觉得礼貌上应该去拜访他,所以在会场跟他约了第二天早上在他办公室见面。我到他办公室之后,他还没有到。这在日本是不能想象的,很不礼貌的行为。走进办公室的时候,他大摇大摆地,还拿着一个打开的笔记本计算机在手上,就开始跟我谈事情。他每问我一件事,我一讲完他就开始查,确定你到底说的是不是真的,极端的不礼貌,。一开始我当然也不太开心,但是讲着讲着到,半个钟头后,我们开始彼此都理解了,开始有工作上的想法,可以这样做可以这样做,最后的结果是很愉快的。出来后我想,这真的是很奇怪的经验。因为以前跟日本人打交道,可能要见五年的面,才开始有机会可以工作,因为日本是很麻烦的一个社会,没有信赖关系之前,他会很有礼貌,不会拒绝你,但是也绝对不会答应你,他要查很久搞清楚你是不是可以信赖才会跟你开始做生意的。所以跟日本人打交道是很苦的事情,因为时间很长。但是这次,才半个钟头左右我们就开始谈生意了。

在回来的路上我就想,如果我在学校上课的时候,每个学生手上都有一台笔记本计算机,我讲一个东西,他们就在那里查。可以想象,在我讲话的时间,每一个学生都可以找出十倍百倍我说的内容,顺便找出三个我说的错误。那这个时候,一个只能给予内容的老师有什么用处?没有用的。老师告诉你,英国东印度公司成立于1600年,,这件事任何人都可以做得到。现在要做到,这些学生查出这么多东西来,但他并不知道这些东西要看出什么来,那我这个老经验的读者就有用处,我还是可以当他的老师,告诉他们,这些东西我看起来是这个意思,这些我觉得是这样,那些我觉得是那样。如果我做一个导读或是伴读,我很有价值,我让他们从没有经验中成为一个有训练的读者的过程,他会得到一个帮助。但是如果我告诉他们谁做过什么,哪个朝代多少年,这个是没有用的。所以一样的,如果只是顺顺稿,把从手写变成印刷体,这样的编辑是没有用的。编辑如果意识到一个题目从存在的知识到答案之间的关系,这个编辑是比过去要有价值,因为你要料理的信息比过去要复杂得多。

书香:这对编辑人来说,也将获得比过去更大的挑战?

詹:是,以前的编辑有一部分工作是把素材变成工业规格产品。这个转换过程,现在很大一部分是被自动化程序取代了,虽然,你仍需要和设计沟通但那个比例在降低,因为太多的细节是可以通过自动化来完成。所以编辑显然要做更有价值的事,不然他就会不被需要。
书香:现有的编辑该如何自处,去面对即将到来的大变革时代?

詹:对任何一种知识感兴趣的人,都有机会做一个好的编辑。但是如果你对任何知识都不感兴趣,只是把编辑工作当成是一份工是很难的。

我有两个建议,一个去了解你的朋友,现在的年轻人,取得信息的行为是怎么一回事,你可以从那里看出,有什么东西是你可以做。这个是积极地想法。消极的想法是,你可以等世界改变你。这个也会发生的,因为行业本身就会变,变了之后,老板叫你做的事情就会不一样,你就一定得变。

盛大在解决web 2.0概念下的出版

书香:您如何看待盛大的“一人一本书”计划呢?

詹:盛大在做的事情,都在我说的广义的digile pulish范围内。我比较不喜欢电子书这个字,电子出版可能是一种比较好的描述——对未来会发生的事,因为不只是书,出版显然会变得更复杂。盛大做的事,是比较大的解决web 2.0概念下的出版,是由使用者来创造内容,由使用者来寻求它的读者,盛大只是一个平台而已。这会不会是一个出版的概念?会的。但这里面没有编辑的概念,这个概念是平台的概念,是说我创造一个环境,让内容创造者和用户有一个交易的环境(maret place)。这个交易不一定涉及到金钱,因为免费也是一种交易,因为我花了时间。

但是,这样一个工作,当他的创作量再更大的时候,中间就跑出很多新的、可能的服务。在这个平台上,终究要出现帮你选择、帮你解释、帮你排序——这里面有些是可以用程序可以完成的,但有很多是跟判断有关系的——在这个时候,有的人的判断会对一些人有吸引力,编辑也有受欢迎的编辑,这些中间性的角色的出现都跟这个整个平台变大有关系。变大之后一个人就无法用搜寻来完成,因为搜寻的结果也通常是太大了,而最后你不是要搜寻,不是要相关,而是要答案。有谁可以告诉我什么什么,那样的话,当那个规模再更大的时候,这中间有更大的出版编辑和出版专业跑出来,就会有空间可以工作。所以我也没有觉得这会对出版是一个冲突。

书香:我看到盛大的新闻稿的时候,就想到了城邦,我不知道两者之间是否有一点的关联性?

詹:不能说不相像。当年我创办城邦跟这个地方有想象的地方是:全面书写样的概念。但是我要说的是“一人一本书”这个用词是口号多于实质,因为这个时候的“书”已经大大变了意思——跟我们过去说的书、未来要指示的书,将来要不要用这个字我们也都不知道。“一人一本书”是一个好的口号以便产生一个以创作为核心的发表平台、阅读平台。一个社会创作生产量愈大总的来讲是好事,你可能会嫌他有很多不好的东西,但是数量跟好东西是有关联性的。披沙拣金的结果,有这么大量的垃圾,也会有某一个比例的含金量。

容易发表的创作,其实是使得很多可能的创作都会跑出来的重要原因。过去有编辑充当守门员,很多书还没到市场就消失了,因为被编辑谋杀了,我们挡掉了很多不要浪费出版资源的东西;可同时,说不定也挡掉了对社会有冲击的新创作。但现在这个风险没有,随之而来的是,你要练习怎么跟垃圾为伍,要怎么在这么多东西中找到好的东西,所以我还是要说,编辑的价值在这个时候就要体现了。

你怎么可以忍受看那么多东西才找到那么一点点好东西,应该有人帮我做这个事,对不对?应该有各种有判断能力的人来帮我做这个事,而我会选择每次判断都深得我心的编辑来追随,编辑也会有他的诉求、专长、分工。

但是我现在说的关于数字时代的所有东西,都太早了,跟行为有关的事不会发生太快的,极可能都不会发生在我有生之年。现在技术条件都已经有了,但是行为不会那么快。但是当新的一代获取知识的方式已经彻底改变的时候,或许就是这个时代到来的时候。

詹宏志接受《书香两岸》骆莹莹访问

本文来自CSDN博客,转载请标明出处:http://blog.csdn.net/jiangtao/archive/2010/06/24/5691364.aspx

分享到:
评论

相关推荐

    著名作家詹宏志的学习与阅读诀窍.pdf

    著名作家詹宏志的学习与阅读诀窍.pdf

    基于Springboot + Mybatis框架实现的一个简易的商场购物系统.zip

    基于springboot的java毕业&课程设计

    用于 CNO 实验的 MATLAB 脚本.zip

    1.版本:matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

    基于卷积神经网络的垃圾分类.zip

    卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling)。 全连接层(Fully Connected Layer): 在CNN的末端,通常会有几层全连接层(也称为密集层或线性层)。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程: CNN的训练过程与其他深度学习模型类似,通过反向传播算法和梯度下降(或其变种)来优化网络参数(如滤波器权重和偏置)。 训练数据通常被分为多个批次(mini-batches),并在每个批次上迭代更新网络参数。 应用: CNN在计算机视觉领域有着广泛的应用,包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据,如文本(通过卷积一维序列)和音频(通过卷积时间序列)。 随着深度学习技术的发展,卷积神经网络的结构和设计也在不断演变,出现了许多新的变体和改进,如残差网络(ResNet)、深度卷积生成对抗网络(DCGAN)等。

    基于 Yolov5的检测模型

    运行程序 1、测试.pt模型文件 1.在pycharm里打开下载的yolov5环境,在根目录打开runs文件,找到trains文件中的best_1.pt即为训练最优模型。 2.在根目录找到 detect.py 文件,修改代码221行默认路径至模型路径,222行路径更改至所需测试图片路径,点击运行。 2、测试.onnx模型文件 1.在pycharm里打开下载的yolov5环境,在根目录打开 export.py 文件,修改默认输出模型类型为onnx,选择best_1.pt输入模型,点击运行。 2.在根目录找到detect_onnx.py文件,修改代码221行默认路径至模型路径,222行路径更改至所需测试图片路径,点击运行。

    郁郁苍苍---基于SpringBoot的多人社区项目.zip

    基于springboot的java毕业&课程设计

    华为FusionAccess桌面云解决方案基于华为FsionCompute云平台的一款虚拟化桌面应用

    华为桌面云解决方案 桌面云架构VDI和IDV VDI:虚拟桌面架构。特点是计算和数据都在云端,集中管理,集中运行。 IDV:智能桌面虚拟化。特点是镜像集中管理,计算和数据还是在终端,集中管理,分散运行。 (从方案的主推厂商看, 业界华为、思杰、Vmware(IDC国内桌面云市场份额排名前三)都主推VDI,目前推IDV架构的只有锐捷、噢易等少数国内厂商)

    一个基于SpringBoot+Editor.md的 API接口文档.zip

    基于springboot的java毕业&课程设计

    基于OpenCV的交通路口红绿灯控制系统设计 python毕业设计-源码+全部数据+使用文档(高分项目).zip

    基于OpenCV的交通路口红绿灯控制系统设计 python毕业设计-源码+全部数据+使用文档(高分项目).zip本资源中的源码都是经过本地编译过可运行的,评审分达到95分以上。资源项目的难度比较适中,内容都是经过助教老师审定过的能够满足学习、使用需求,如果有需要的话可以放心下载使用。 【备注】 1、该项目是个人高分毕业设计项目源码,已获导师指导认可通过,答辩评审分达到95分 2、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 3、本项目适合计算机相关专业(如软件工程、计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用,也可作为毕业设计、课程设计、作业、项目初期立项演示等,当然也适合小白学习进阶。 4、如果基础还行,可以在此代码基础上进行修改,以实现其他功能,也可直接用于毕设、课设、作业等。 基于OpenCV的交通路口红绿灯控制系统设计 python毕业设计-源码+全部数据+使用文档(高分项目).zip基于OpenCV的交通路口红绿灯控制系统设计 python毕业设计-源码+全部数据+使用文档(高分项目).zip基于Op

    课设毕设基于SSM的知识产权管理系统源码可运行.zip

    课设毕设基于SSM的知识产权管理系统源码可运行.zip

    基于卷积神经网络的人脸识别.zip

    卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling)。 全连接层(Fully Connected Layer): 在CNN的末端,通常会有几层全连接层(也称为密集层或线性层)。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程: CNN的训练过程与其他深度学习模型类似,通过反向传播算法和梯度下降(或其变种)来优化网络参数(如滤波器权重和偏置)。 训练数据通常被分为多个批次(mini-batches),并在每个批次上迭代更新网络参数。 应用: CNN在计算机视觉领域有着广泛的应用,包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据,如文本(通过卷积一维序列)和音频(通过卷积时间序列)。 随着深度学习技术的发展,卷积神经网络的结构和设计也在不断演变,出现了许多新的变体和改进,如残差网络(ResNet)、深度卷积生成对抗网络(DCGAN)等。

    基于springboot-mqtt的温度、湿度、六氟化硫浓度实时监控系统.zip

    基于springboot的java毕业&课程设计

    房地产企业财务风险的成因与防范对策-以万科集团为例.docx

    房地产企业财务风险的成因与防范对策-以万科集团为例.docx

    基于SpringBoot框架的中小企业完全开源的ERP.zip

    基于springboot的java毕业&课程设计

    基于springboot的动漫弹幕网站.zip

    基于springboot的java毕业&课程设计

    基于SpringBoot + Vue的电影售票及影院管理系统.zip

    基于springboot的java毕业&课程设计

    基于Python+定向爬虫的商品比价系统的实现的设计与实现+详细文档+全部资料(高分毕业设计).zip

    基于Python+定向爬虫的商品比价系统的实现的设计与实现+详细文档+全部资料(高分毕业设计).zip本资源中的源码都是经过本地编译过可运行的,评审分达到95分以上。资源项目的难度比较适中,内容都是经过助教老师审定过的能够满足学习、使用需求,如果有需要的话可以放心下载使用。 【备注】 1、该项目是个人高分毕业设计项目源码,已获导师指导认可通过,答辩评审分达到95分 2、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 3、本项目适合计算机相关专业(如软件工程、计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用,也可作为毕业设计、课程设计、作业、项目初期立项演示等,当然也适合小白学习进阶。 4、如果基础还行,可以在此代码基础上进行修改,以实现其他功能,也可直接用于毕设、课设、作业等。基于Python+定向爬虫的商品比价系统的实现的设计与实现+详细文档+全部资料(高分毕业设计).zip本资源中的源码都是经过本地编译过可运行的,评审分达到95分以上。资源项目的难度比较适中,内容都是经过助教老师审定过的能够满足学习、使用需求。

    MySQL8.4.0 LTS(mysql-8.4.0-solaris11-sparc-64bit.tar)

    MySQL8.4.0 LTS(mysql-8.4.0-solaris11-sparc-64bit.tar)适用于Oracle Solaris 11 (SPARC)

    CVE-2018-3191 反弹shell

    反弹shell

    植物保护-深度学习-YOLOv5-病虫害识别训练数据集

    植物保护-深度学习-YOLOv5-病虫害识别训练数据集是一个精心策划的数据集,旨在为农业科技领域的研究人员提供强大的工具,以改善病虫害的识别和管理工作。数据集包含了10000张高清图像,覆盖了10余种常见的植物病虫害,每一张图像都经过了专业标注,确保了数据的质量和准确性。 为了进一步提升模型的泛化能力和鲁棒性,数据集经过了数据增强处理,包括随机旋转、翻转、缩放和裁剪等多种变换,从而扩大了训练数据的多样性。这种增强处理有助于模型学习到更多的特征,提高其在实际应用中的表现。 此数据集适用于深度学习框架YOLOv5,它是一个高效的目标检测模型,能够实时地识别和定位图像中的病虫害。通过使用这个数据集,研究人员可以训练和优化YOLOv5模型,使其在病虫害的早期检测和防治中发挥关键作用。 植物保护-深度学习-YOLOv5-病虫害识别训练数据集的推出,不仅能够促进农业科技的发展,还能够帮助农业生产者更有效地管理作物健康,减少农药使用,保护环境,实现可持续农业。

Global site tag (gtag.js) - Google Analytics