闭上眼睛,想象一下城市中的典型街道环境——您的脑海中浮现出了怎样的场景?
对大多数人来说,出现的应该都是无缘熟悉的场景:几条车道,两侧是成排密集停放的汽车。狭窄的人行道被隔离在外,把行人、慢跑者、游客、通勤者、家长、宠物主、市政工人以及摊贩等大多数人类活动挤压在非常有限的空间之内。
过去一百年中,随着尾气、内燃机与数千万平方米停车场的发展变化,城市的面貌也由此塑造而来,并在世界范围内成为统一甚至不容置疑的标准思路。
然而,在新世纪与疫情的双重冲击之下,第三条道的时代已经逐渐来临。这是一种前所未有的公共空间创新使用方式,为我们熟悉的人车二分之外开辟出新的规范。
当然,从表面上看,其中的思路似乎非常简单。只要消除停车场并缩窄车道,我们就能留出必要的空间以容纳轻型、人类尺寸的小型机动车辆,例如电动踏板车。
但事情绝不这么简单,只有深入理解了其中的含义,我们才能真正理解第三条道的重要性,特别是其如何重新定义我们对于城市以及市政公共空间的理解。
第三条道与新的机动通路
首先,第三条道代表着身体活动的自由。世界各地市政部门早已意识到自行车与踏板车(形体与人类相当的载具)在城市中的行驶速度高于汽车及摩托车。它们更轻便、更灵巧、更精简,能够大大缓解城市街道上的普遍交通拥堵。另外,它们也更容易停放,而将体形庞大的笨重车辆与小巧敏捷的车辆明确区分开来,能够显著强化这种优势。在城市考虑建造第三条道时,也相当于将投资用于在城市环境中规模更加紧凑的速度及运行规模,最终有助于提升市民的行动自由能力。
第三条道与经济机遇
第三条道带来的不仅是机动性的提升,同时也能够以多种方式带动当地经济以及小型企业。
微型载具能够便捷地把民众送往当地各商店及餐厅。在最近一次调查中,受访骑手中约有50%表示最近一次骑行找目的地是餐厅或购物中心。此外,有70%的骑手表示他们正是因为有了这种便捷的出行方式才愿意前往商业场所。
与微出行相结合,第三条道还将骑手与就业机会联系起来。微型载具不仅增加了公共交通站点的可及性,同时也在传统上未得到公共交通覆盖的区域提供新的出行选择,以及安全、便捷的出行路线。例如,芝加哥当地的研究人员发现,与纯粹的步行或驾驶相比,电动踏板车能够在30分钟内实现16%的工作场所往来效率提升。在迈阿密,一项类似的研究也发现,微型载具能够在不延长当前通勤时间的前提下,将人们适合选择的工作岗位增加40%。
当然,第三条道对于当地经济最大的影响,其实与道路本身并无关系。相反,其核心意义在于影响市政对于公共空间利用以及公共空间回收的具体思路。从旧金山到马赛,全球无数城市的决策者正在针对COVID-19疫情影响调整街道与人行道的实际用途,以便为餐厅顾客提供充足的用餐空间,同时始终保持适当的社交距离。如今,很多毫无乐趣可言的停车位已经被改造成热门的商业及娱乐中心,市民们也意识到这确实能够给自己带来巨大的感受提升。
第三条道为城市的发展指明了新的方向——换言之,当没有了汽车,城市可能反而会重新焕发出以人和企业为主体的生命力。
第三条道与社会公平
除了效率性与经济性之外,第三条道的最大优势还在于其拥有促进社会公平的内在潜力。
在全世界,特别是在美国,家庭汽车保有量仍然与收入水平紧密相关。一般来说,家庭收入越多,家中拥有一辆或者多辆汽车的可能性就越大。因此,住宅周边就需要更多机动车道与停车场,这会进一步将低收入社群及缺少市政服务的人群排挤出去。
最近在《Transportation Research: Part A》中发表的一项研究发现,电动踏板车不仅拥有更强的交通工具属性,同时也在更广泛的群体中拥有吸引力及可行性。这是个令人振奋的开始,突显出电动踏板车的发展潜力,包括帮助更多人在城市内获得公平的交通资源。而目前缺少的最大前提,就是受到妥善保护且路况良好的第三条道。
因此,以当前的疫情为契机,重新考量传统交通规范并回收宝贵的城市街道空间十分必要。随着汽车主导型城市在可持续性层面的逐渐崩溃,更加公平高效的城市交通必将占领新的高地,而其中的先锋正是这“第三条道”。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。