6月15日消息,Uber似乎在中国市场上遇到了不小的麻烦,一周之内,Uber中国的业界先后出现10万和100万单两个不同的版本,再加上大量虚假司机和乘客刷单,都使得外界难以判断Uber是否像其声称的那样,在中国取得了阶段性的成功。
订单数据“打架”
据《纽约时报》上周报道称,为了尽快打开中国这个巨大的市场,Uber已经在这里发放了巨额补贴,并且收到了初步成效。这里所谓的“成效”,指的是Uber每天在中国提供的交易,已经达到了10万单。
这个数字也是Uber去年12月宣布的每天100万单全球交易的十分之一。报道还称,为了获得上述成绩,Uber发放给司机的补贴有时可以达到车费的3倍。截止目前,Uber已经累计融资近60亿美元,他们希望借此把美国市场的高速增长复制到中国。
同样是在上周, Uber CEO特拉维斯·卡兰尼克(Travis Kalanick)在一封发送给投资者的邮件中称,Uber司机每天在中国提供的行程已经接近100万单,与该公司6个月前在全球提供的订单数几乎相等,这个数字远远超过了《纽约时报》报道中的10万单。
一周之内,Uber在中国的日订单数两次被披露,而两次的数据相差整整十倍。据一位不愿具名的消息人士透露,Uber中国的真实日订单数在30万单左右。而因为Uber分配订单的特殊性,司机无法看到乘客的目的地,这导致了大量的拒单产生,订单成功率一直不高。
十几部手机同时刷单
Uber在华的“突飞猛进”显然不那么正常。据美国新闻网站Quartz报道称,有中国用户注册多个Uber账号假冒司机、乘客进行刷单,Uber对外宣称的“在中国每天完成10万订单”等数据存在水分。
因为投入了高额补贴,很多Uber司机通过微信和QQ群寻找“同谋者”,帮助他们完成虚假的订单,已获取现金补贴。这些“同谋者”只需要坐在家中,关闭手机的定位后发出订单需求即可。司机接受订单并空驶,在这一“乘客”选择付款之后,司机再将车费重新转账给“乘客”,而双方将对奖金进行分成。
也就是说,中国的Uber司机人为制造了虚假的订单,并注册了多个Uber帐号,以获得Uber的丰厚补贴。这些“司机”会让他人假冒乘客,但实际上这些“乘客”哪也没去,双方甚至可以在静止的汽车内,通过十几部手机不停地下单和接单。
更有甚者,一些中国司机试图欺骗Uber的新司机注册系统,通过使用虚假的资料注册Uber司机帐号,这样就可以多次获得新司机奖励。
或成下一个Groupon?
上述不愿具名的消息人士透露,Uber对司机刷单的情况并非不了解。“只是目前睁一眼闭一眼罢了,毕竟数据不能太难看。”在上述给投资人的邮件中,卡兰尼克明确表示将于6月22日启动Uber中国的融资计划。在这个特定时间下,中国市场的表现就显得尤为重要。
这不得不让人联想起Groupon入华后成立的高朋,团购行业竞争最激烈的时候,高朋的刷单现象非常严重。为了让团购商品的交易数字好看,高朋的销售经理甚至说服商家预先购买自家的商品,以营造出非常受欢迎的假象。
更有销售经理甚至自掏腰包,凑足数十万元购买自己的团购产品,借此赚取公司补贴,为了提高交易额,甚至还会将房产作为产品放到网上团购,这种疯狂的刷单行为导致高朋多个大区管理人员被换血,也间接导致了Groupon在华业务的流产。
尽管卡兰尼克宣布2015年将在中国投入70亿人民币,但业界依旧不得不担心,Uber很可能会像之前的几个美国互联网巨头一样,热热闹闹开场,灰头土脸收兵。因为在这之前,“中国魔咒”一直是缠绕硅谷公司的梦魇,eBay、雅虎、MySpace、谷歌等最终都在中国铩羽而归。
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。