
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
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。