一位货车司机,因为北斗掉线而选择自杀结束生命,这是「货拉拉用户跳车事件」之后,货车行业的第二起科技事故。
「货拉拉事件」后续,是货拉拉上线了一系列安全整改措施。从公开资料来看,包括行程录音、行驶记录仪、逾期预警等。
但很遗憾,货拉拉的整改措施,其实对司机和乘客的保护作用并不会太大——为什么这么说呢,因为这是由目前城市的暴力犯罪类型所决定的。
由于技术在城市管理中已无处不在,比如大街小巷都能看到摄像头。绝大多数人都能认识到:在公共环境的暴力犯罪,跑不掉,藏不住。
近些年,一些陈年旧案接连告破,就是信息技术和生物技术升级的结果。
所以目前城市中的暴力犯罪,往往以“激情犯罪”(即冲动性、爆发性犯罪行为)为主。
回看「货拉拉事件」,司机和客户之间的怒火,来自于女孩用满了平台所规定的免费等待时间,又拒绝了司机的协助付费搬运。
而货拉拉的整改措施(包括行程录音、行驶记录仪、逾期预警等),没有一个能缓解司机的不满,没有一个能化解跳车乘客的惶恐(虽然此次事件可能是过度惶恐),都无法阻挡“激情犯罪”的发生,仅仅能协助处理犯罪之后的追查与定责罢了。
说白了,货拉拉的系统整改主要强调「事故后的法律追责」,却没有对「缓解司机和客户之间的情绪冲突」做任何改进。
而这种情绪冲突,却又是货拉拉系统造成的。这就像给屋顶凿了一个洞,然后底下放一个盆接水,却不想着去补屋顶。
这种错误价值观的背后,是技术系统对“人情”的视而不见。正如「北斗货车事件」,也是技术系统与人情之间的冲突。
货车建立北斗系统的初衷是让行车更安全,这个初衷没错。
问题在于系统的规则。系统规定,无信号就要罚款,这是因为考虑到人为主动拆除系统而躲避监管的可能性。系统在此预判了人情的恶。
可是,系统却忽视了另外一种可能性,就是技术可能出故障,会对人的行为产生误解。
如果系统无法具体理解每一个人的“人情”,只是默认一切的失常行为,都是人情之“恶”。换言之,系统对人只做“有罪”推定是不完善的,因为一些被系统规则误判的人,无法去与冰冷的系统规则讨说法。这些被误判的人,应该怎么办呢?
被系统制裁的人,只能寄希望于开发系统的人(既是裁判员,又是运动员)推翻自己的机器裁决。
绝望自然在所难免。
从统计学角度看,在绝大多数情况下,机器系统或许比人更公正。但是偏偏有一小部分情况,系统会做出不公正的裁决。
这时,谁应该做最终的裁判?
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。