电动车制造商特斯拉今日发布截至6月30日的2015年第二季度财报。几乎同一时间,谷歌安全工程师克里斯-埃文斯(Chris Evans)在Twitter上宣布加入特斯拉成为安全负责人。
截图自克里斯-埃文斯(Chris Evans)的Twitter
埃文斯曾是oracle安全分析师,从2005年进入谷歌,十年里一直负责谷歌的安全领域。加入特斯拉之后,主要负责安全领域。
埃文斯离职后,由安全工程师本-霍克斯(Ben Hawkes)接管谷歌的互联网安全团队“Project Zero”,霍克斯曾在2013年发现存在于Adobe Flash及微软Office中的大量漏洞。
截图自克里斯-埃文斯(Chris Evans)的Twitter
“Project Zero”团队主要由谷歌内部顶尖安全工程师组成,他们的唯一使命就是发现、跟踪和修补全球性的软件安全漏洞。同时,“Project Zero”所处理的安全漏洞通常都属于“零日漏洞”范畴,网络黑客或者政府有组织的黑客团队可以利用这些漏洞展开网络监听等操作。
谷歌通过这种方式鼓励相关公司与其联手对付黑客。在找到漏洞后,“Project Zero”团队首先会对该软件开发商发出警告,然后给对方60-90天的时间来修补漏洞,之后谷歌便会在“Project Zero”的官方博客上公布这一漏洞。谷歌方面曾表示,为了避免这些漏洞被黑客利用,谷歌通常会向软件开发商施压,并催促其尽量在7天时间内对漏洞进行修复。
可以预见,埃文斯加入特斯拉之后,将对特斯拉在车联网的安全有所帮助。
过去20年,黑客们每年夏季都会到拉斯维加斯参加黑帽技术大会(Black Hat),展示攻击计算机的技术。现在,他们的攻击目标转向了汽车。
消息称,曾为美国国家安全局工作的一名Twitter工程师,计划在黑帽技术大会上展示如何在笔记本上控制数英里之外的Jeep汽车。一家移动安全创业公司的一名高管,计划展示与一名好友合作攻击特斯拉电动汽车。另外一名研究人员计划演示无线打开任何汽车车门的“绝技”。
此前还有报道指出,中国极客破解特斯拉系统Model S,可以用手机远程控制特斯拉的行驶状态。尽管次日特斯拉发表声明称那辆被“破解”的Model S很有可能之前遭到物理干预,但这或多或少也让特斯拉的安全受阻。埃文斯的加入反映出特斯拉对智能汽车安全上的重视。
财报显示,特斯拉第二季度按照美国通用会计准则计量的营收为9.55亿美元,不按照美国通用会计准则计量的经调整的营收同比增长近40%、环比增长8.5%至12亿美元;按照美国通用会计准则计量的净亏损为1.84亿美元,去年同期为净亏损6190万美元。
尽管特斯拉第二季度业绩超过了市场分析师的预期,但由于特斯拉削减了全年汽车销量预期,该公司当日盘后股价仍然大幅下跌。8月5日收盘,特斯拉股价下跌5.97%。
特斯拉第二季度Model S汽车销售量为11532辆,符合公司今年7月预期的11507辆。但是,整个第二季度,特斯拉汽车产量共为12807辆,同比增长46%,环比增长15%,而且也超过公司此前预计的12500辆。
不按照美国通用会计准则计量的来自汽车的营收为11.2亿美元,按照美国通用会计准则计量的汽车营收为8.78亿美元。
按照美国通用会计准则计量的每股摊薄亏损为1.45美元,去年同期为每股摊薄亏损0.50美元。
特斯拉第二季度不按照美国通用会计准则计量的净亏损为6100万美元,去年同期此项净利润为1613万美元;不按照美国通用会计准则计量的经调整的每股摊薄亏损为0.48美元,去年同期此项摊薄利润为0.13美元。
特斯拉声称,该公司如今预计今年的汽车出货量(包括Model S和Model X两款车型在内)将介于5万辆到5.5万辆之间,而此前的预期则是5.5万辆。与此同时,特斯拉还预计,今年第三季度的汽车生产量为1.2万辆,即同比增长60%,而销售量预计将与今年第二季度持平。
好文章,需要你的鼓励
想象一下,你有一个非常聪明的朋友,他知道很多知识,但每当需要使用计算器、搜索引擎或查询最新天气时,却变得像个笨手笨脚的孩子。这正是当前大语言模型(简称LLMs,如ChatGPT这类AI系统)面临的尴尬处境。
想象一下,你拥有一个聪明的助手,它知道很多知识,但在面对需要使用计算器、搜索引擎或查询最新信息时却显得笨手笨脚。这正是当前大语言模型(LLMs)面临的困境。虽然这些模型已经通过监督微调(SFT)学会了使用工具的基本能力,但它们常常在面对复杂或不熟悉的场景时表现不佳。
想象你正在和一个智能助手聊天。如果你直接要求它提供有害信息,它很可能会礼貌拒绝。但如果你通过一系列看似无害的对话,逐步引导它走向你的真实目标呢?这就是当前AI安全领域面临的一个严峻挑战——多轮对话中的安全漏洞。
想象你在使用一个非常聪明的AI助手完成一项复杂任务,比如解决一道数学难题。你可能注意到这个助手会花很长时间"思考",一步一步写下大量推理过程,最后才给出答案。虽然这种详细的思考过程确实帮助AI做出了更准确的判断,但同时也带来了一个明显的问题:它太"啰嗦"了,消耗了大量的计算资源和时间。