
科技行者 1月8日 北京消息(文/尹轶男):什么“无头猫”机器人、什么纵向电视、什么自动垃圾桶,通通没有排面儿。在今年的CES技术大展上,最热门的话题只有一个,那就是隐私。
近年来,监管机构与消费者对于个人数据的关注与使用一直不断升温。在都重视的背景之下,多家全球顶尖科技巨头在本届CES大展上,全面宣传了一波儿自家用户隐私保障策略。
首先是Facebook,在本周一公布了其“Privacy Checkup”隐私检查工具的最新版本,旨在引导用户实现各项关键性隐私设置。Facebook解释为,更新后的检查工具将帮助用户轻松了解谁有权查看共享内容、如何使用个人信息以及如何提高账户安全性。顺带一提的则是,这款工具原本的作用是帮助用户观看个人发帖、个人资料信息以及对接Facebook账户的应用程序。
而亚马逊旗下的家庭安全与视频门铃厂商Ring也在同一时间同样宣布对配套应用程序进行更新,允许用户退出与所在地警方的视频共享协议。就在前段时间,由于默认将视频内容共享给各地执法机构,Ring公司遭到隐私保护者们的强烈抨击。
紧跟着是谷歌,这位搜索巨头在本周二宣布在谷歌语音助手当中新增了两条命令,确保用户在使用过程中更好地解决隐私问题。例如,一旦被意外激活且说出了不想让助手听到的内容,用户就可以立即使用“Hey Google, that wasn’t for you”这条新指令将其撤回;还可以通过“Hey Google,are you saving my audio data?”这条指令进一步了解当前隐私选项并变更各项设置。同时,还为用户提供了语音数据删除命令。
自从前任CEO John Sculley在1992年首次公布Newton个人数字助手以来,苹果公司时隔28年重返CES现场。但这一次,苹果方面没有发布任何新产品,而是专门讨论隐私问题。
苹果公司全球隐私高级总监Jane Horvath在本周二参加了一场小型会议,题为“首席隐私官圆桌会议:消费者想要什么?”。一同出席的还有Facebook公共政策副总裁兼政策首席隐私官Erin Egan、宝洁公司全球隐私官Susan Shook以及联邦政府贸易专员Rebecca Slaughter。顺带一提的是,联邦贸易委员会曾因隐私侵犯问题对Facebook公司处于50亿美元罚款。
Facebook闹出的剑桥分析事件在2018年曾掀起轩然大波,并推动科技行业发起整体性的隐私自查浪潮。最近,谷歌与苹果也分别被迫道歉并承诺做出改变,原因是他们在未履行通知义务的情况下允许外包人员审查用户的语音指令内容。
此前,研究公司eMarketer首席分析师Victoria Petrock就指出,消费者对于隐私问题“只会更加了解也更加关注”,因此隐私很可能会成为本届CES上的一大“热门议题”。在她看来,科技企业正努力“证明自己正在认真处理隐私问题”,这显然是一种防御性举动,因为“如果不这么做,科技企业未来很可能面临更为严厉的监管;所以他们宁愿成为解决方案的一部分,也不愿被视为问题的一部分。”
实际上,隐私问题在去年的CES大会上也有体现,但具体方式与今年不太一样。当时苹果公司曾在拉斯维加斯会议中心附近设置了巨型广告牌,写着“iPhone上的一切,只留存于iPhone”,意在强调对隐私问题的重视。
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。