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
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。