
一位货车司机,因为北斗掉线而选择自杀结束生命,这是「货拉拉用户跳车事件」之后,货车行业的第二起科技事故。
「货拉拉事件」后续,是货拉拉上线了一系列安全整改措施。从公开资料来看,包括行程录音、行驶记录仪、逾期预警等。
但很遗憾,货拉拉的整改措施,其实对司机和乘客的保护作用并不会太大——为什么这么说呢,因为这是由目前城市的暴力犯罪类型所决定的。
由于技术在城市管理中已无处不在,比如大街小巷都能看到摄像头。绝大多数人都能认识到:在公共环境的暴力犯罪,跑不掉,藏不住。
近些年,一些陈年旧案接连告破,就是信息技术和生物技术升级的结果。
所以目前城市中的暴力犯罪,往往以“激情犯罪”(即冲动性、爆发性犯罪行为)为主。
回看「货拉拉事件」,司机和客户之间的怒火,来自于女孩用满了平台所规定的免费等待时间,又拒绝了司机的协助付费搬运。
而货拉拉的整改措施(包括行程录音、行驶记录仪、逾期预警等),没有一个能缓解司机的不满,没有一个能化解跳车乘客的惶恐(虽然此次事件可能是过度惶恐),都无法阻挡“激情犯罪”的发生,仅仅能协助处理犯罪之后的追查与定责罢了。
说白了,货拉拉的系统整改主要强调「事故后的法律追责」,却没有对「缓解司机和客户之间的情绪冲突」做任何改进。
而这种情绪冲突,却又是货拉拉系统造成的。这就像给屋顶凿了一个洞,然后底下放一个盆接水,却不想着去补屋顶。
这种错误价值观的背后,是技术系统对“人情”的视而不见。正如「北斗货车事件」,也是技术系统与人情之间的冲突。
货车建立北斗系统的初衷是让行车更安全,这个初衷没错。
问题在于系统的规则。系统规定,无信号就要罚款,这是因为考虑到人为主动拆除系统而躲避监管的可能性。系统在此预判了人情的恶。
可是,系统却忽视了另外一种可能性,就是技术可能出故障,会对人的行为产生误解。
如果系统无法具体理解每一个人的“人情”,只是默认一切的失常行为,都是人情之“恶”。换言之,系统对人只做“有罪”推定是不完善的,因为一些被系统规则误判的人,无法去与冰冷的系统规则讨说法。这些被误判的人,应该怎么办呢?
被系统制裁的人,只能寄希望于开发系统的人(既是裁判员,又是运动员)推翻自己的机器裁决。
绝望自然在所难免。
从统计学角度看,在绝大多数情况下,机器系统或许比人更公正。但是偏偏有一小部分情况,系统会做出不公正的裁决。
这时,谁应该做最终的裁判?
好文章,需要你的鼓励
openGauss的目标是探索oGRAC和超节点深度融合的可能,打造超节点原生数据库。
清华团队开发DKT模型,利用视频扩散AI技术成功解决透明物体深度估计难题。该研究创建了首个透明物体视频数据集TransPhy3D,通过改造预训练视频生成模型,实现了准确的透明物体深度和法向量估计。在机器人抓取实验中,DKT将成功率提升至73%,为智能系统处理复杂视觉场景开辟新路径。
字节跳动研究团队提出了专家-路由器耦合损失方法,解决混合专家模型中路由器无法准确理解专家能力的问题。该方法通过让每个专家对其代表性任务产生最强响应,同时确保代表性任务在对应专家处获得最佳处理,建立了专家与路由器的紧密联系。实验表明该方法显著提升了从30亿到150亿参数模型的性能,训练开销仅增加0.2%-0.8%,为混合专家模型优化提供了高效实用的解决方案。
上海AI实验室团队开发的Yume1.5是一个革命性的AI视频生成系统,能够从单张图片或文字描述创造无限可探索的虚拟世界。用户可通过键盘控制实时探索,系统8秒内完成生成,响应精度达0.836,远超现有技术。该系统采用创新的时空通道建模和自强制蒸馏技术,支持文本控制的事件生成,为虚拟现实和内容创作领域开辟了新的可能性。