
巴西的出租车司机们近日在里约热内卢与美国打车软件优步(Uber)上演了一出精彩的互撕大戏,数千名来自里约、圣保罗和巴西利亚等地的出租车司机驾驶2000多辆黄色出租车在沿海大道游行,打出“不要黑车”“我们才是合法的,优步滚开”等标语,希望政府禁止优步运营。
对此,优步用迅捷而有力的反击向巴西人昭示了它的决心:游行当天,这款打车软件在其社交网络页面上发起了“里约不会停止”的活动,并向每位用户派送最高50雷亚尔(1雷亚尔约合1.9元)的免费专车券。优步巴西的发言人表示,每个人都有权利选择适合自己的出行方式,他认为出租车司机的抗议毫无意义。
出租车司机的抗议一直未能阻止优步在巴西扩张的脚步,而且似乎起到了反作用。今年4月8日,巴西的出租车司机就曾在圣保罗、库里蒂巴、里约热内卢、巴西利亚和贝洛奥里藏特等多个大城市发起过针对优步的大规模抵制行动,结果却是优步在巴西Apple Store的下载排名从7日的第384名一跃升至8日的第46名。这一次,里约的抵制游行直接将优步的下载排名推到了第一,用当地一句俗语来形容就是“这一枪打到了脚上”。巴西出租车行业协会主席对此发表声明称:“无论结果如何,我们想做的是让人们明白优步的非法性质,维护合法运营的权益,而优步所做的只不过是市场营销的小把戏。”
在巴西,出租车司机的压力不算大,笔者曾在里约和圣保罗与多位自营司机交流,他们的月收入约为4000至5000雷亚尔,按照巴西收入划分已算是中产阶级上层,意味着妻子如果想在家做全职太太是没有问题的。
以里约为例,出租车司机购车时享有30%的折扣,并享受部分税费减免,这些都是优步司机享受不到的。但是相应地,正规出租车司机需自费130雷亚尔参加专门的培训课程,每年向政府缴纳运营费429雷亚尔,并且每五年需到交通部门进行体检和心理检查,这些检查收费130雷亚尔。
从收费来看,巴西的优步和出租车差价在5%以内,优步抽取车费的20%作为佣金,而自营出租车司机则可保留全部收入。但是,由于政府严格限制执照数量,很多出租车司机不得不通过租借或购买他人运营执照的方式工作,执照租金一般是每天150至200雷亚尔,如果出售的话价格可达15万至18万雷亚尔,运营成本就大得多,所以这些司机对优步的抵触尤为强烈。
目前,优步的运营合法性在巴西仍是一个极具争议性的问题,尚没有得到明确的司法解释。对于优步和出租车之间看似不可调和的矛盾,政府的表态也略显模棱两可。里约州交通厅长对此表示,依照法律,在付费的个人交通中只有出租车业获得了批准,其他均与法律不符。他还承诺,将加强对黑车的监管。而里约市交通局长则表示,市政府短期内不会出台针对任何打车软件的限制政策,除非立法机构对此正式立法。目前,整个巴西只有圣保罗曾宣布禁止优步运营。
不过,圣保罗市的优步用户数量仍在快速增长。作为世界闻名的拥堵城市,人口超过千万的圣保罗出租车数量不足5万,难以满足市民的出行需求。而优步在满足人们出行刚需的基础上提供了更优质的服务:更新更好的轿车、体面礼貌的司机、无空驶费和出城费等附加收费等,这一切都让优步的用户欲罢不能。一切正像优步创始人特拉维斯·卡兰尼克所描绘的那样:“我们希望传递的要点是,使用优步打车,比自己拥有一辆车更划算。”
业内专家认为,优步等专车服务的制度规范存在欠缺,埋下了不少安全隐患,但如果不从根本上解决人们打车难和专车非法运营的属性问题,市场机制这只“看不见的手”只会让优步的扩张脚步越来越快。
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。