
4月10日,马克.扎克伯格在参议院司法和商业委员会联合会议上
美国当地时间4月11日(北京时间12日),正处于风口浪尖的Facebook首席执行官马克.扎克伯格将到美国众议院能源和商业委员会出席听证会。在此之前,其已于本周二(北京时间11日凌晨)参加了美国参议院司法与商业委员会联合听证会,主要讨论关于监管的议题。
面对44位议员,在长达5小时的盘问中,扎克伯格回答了包括Facebook在2016年美国总统大选中的角色,以及公司如何处理隐私数据等问题。包括为什么用户要信任Facebook的自我规范,他希望看到什么样的监管,是否认可“同意法案”(允许联邦贸易委员会对个人数据进行数据隐私保护的法案),是否仍然赞同诚实广告法等等。
在关于监管的对话中,犹他州参议员Orrin Hatch提到了过度政府监管的潜在问题。扎克伯格对此回应:限制脸部识别等技术等应用和发展可能会扼杀商业创新。
“我认为寻找这其中的平衡点非常重要。”扎克伯格说,“美国公司需要通过新技术的应用来实现商业领域的创新,否则我们将在竞争中输给中国及其他国家,他们有不同体制,以适应不同时代的环境。”
原计划在两周后的Facebook年度开发者大会上首次推出的由语音控制和脸部识别驱动的消费者的硬件设备,由于这次隐私泄露事件也被迫推迟。
就在几天前,中国计算机视觉领域的创业公司SenseTime才在阿里巴巴领投(此外还包括IDG集团和高通)的融资中募集了6亿美元,仅仅成立3年,该公司的估值以达30亿美元,成为世界上最有价值的AI初创公司之一。无独有偶,Megvii Face ++公司也在去年获得了由俄罗斯和中国政府支持的投资基金机构牵头的融资,金额达4.6亿美元。
值得注意的是,此前Face ++和SenseTime等公司合作,已经为中国政府打造了一个面向13亿市民的脸部识别数据库,该数据库正在为闭路电视监控和智能眼镜等设备提供信息,以便警方在数秒内识别目标对象。
未来今日研究所创始人艾米韦伯最近指出,如果数据是人工智能时代的新石油,中国将控制这个世界上最大的“石油资源”。借此,中国将在2018年底超过世界其他国家,而不是原来预计的2030年。
然而,中国市场并不是扎克伯格证词中的唯一支点。在盘问中,他还提到了“通俄门”事件。
扎克伯格表示,他不能保证俄罗斯政府支持的巨魔农场互联网研究机构(IRA)已经完全从Facebook平台上移除。
他说:“这是一场军备竞赛,他们将继续在这方面做得更好,而我们也需要在这方面进行投资从而做得更好。”“只要俄罗斯还有人干涉世界各地的选举,这将是一场持续不断的冲突。”
除此之外,扎克伯格还在他的证词中多次提到人工智能。他表示,无论是仇恨言论、假新闻,还是恐怖分子的网络攻击、平台内容的审核等问题都可以通过AI来解决。
比如,他向国会议员保证,Facebook已经部署新的人工智能工具,更好地识别虚假账户,防止外国势力干扰选举。此外,Facebook 可能会在 5 到 10 年内开发出人工智能工具,准确标记出仇恨言论。他表示,他很看好 Facebook 能在这段时间内开发出“能判断细微语言差别”的工具,当然,需要明确的是当前的 Facebook 还没能做到这点。
事实上,扎克伯格现已经“痴迷”于人工智能很久了。最近几个月来,Facebook已经引入了超过20,000人参与信息安全和内容审核工作,这在国会证词中被反复提及。
如果法规和隐私限制法案通过,不可避免地将导致对脸部识别等科技公司的扩张和创新。
美国国会用何种方式来监管Facebook和其他科技巨头的考量仍然非常重要,但实际上脸部识别技术等相关的服务也可以超出监控范围实现应用,比如,嵌入到自动驾驶、生物识别支付,或者其它消费硬件中。
许多从2016年美国总统大选以来一直关注科技新闻的美国民众已经越来越不信任Facebook。毕竟,在过去的六个月里,每隔几个星期就会有一个假新闻的曝光或信息使用不当的事件出现。
美国国会议员以及全世界都在关注扎克伯格的证词,其中很多人都认为没有理由相信他所说的话。有国会议员对此表示,从扎克伯格的道歉中已足以证明Facebook内部的自我监管和规范并没有奏效,但他对计算机视觉的评估似乎是合理的。
当然,值得肯定的是,如果美国国会制定了阻碍脸部识别技术发展的相关法规,这对于像Face ++和SenseTime这样的中国公司并非坏事,它们将在计算机视觉领域占据早期优势。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。