
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
这项由Snowflake AI Research发表的研究挑战了传统语言学对大型语言模型的批评,通过引入波兰语言学家Mańczak的理论框架,论证了LLM的成功实际上验证了"频率驱动语言"的观点。研究认为语言本质上是文本总和而非抽象系统,频率是其核心驱动力,为重新理解AI语言能力提供了新视角。
freephdlabor是耶鲁大学团队开发的开源多智能体科研自动化框架,通过创建专业化AI研究团队替代传统单一AI助手的固化工作模式。该框架实现了动态工作流程调整、无损信息传递的工作空间机制,以及人机协作的质量控制系统,能够自主完成从研究构思到论文发表的全流程科研工作,为科研民主化和效率提升提供了革命性解决方案。
德国马普智能系统研究所团队开发出专家混合模型的"即时重新布线"技术,让AI能在使用过程中动态调整专家选择策略。这种方法无需外部数据,仅通过自我分析就能优化性能,在代码生成等任务上提升显著。该技术具有即插即用特性,计算效率高,适应性强,为AI的自我进化能力提供了新思路。
Algoverse AI研究团队提出ERGO系统,通过监测AI对话时的熵值变化来检测模型困惑程度,当不确定性突然升高时自动重置对话内容。该方法在五种主流AI模型的测试中平均性能提升56.6%,显著改善了多轮对话中AI容易"迷路"的问题,为构建更可靠的AI助手提供了新思路。