2018年1月3日星期三

2017机器学习与自然语言处理学术全景图:多产的作者与机构都是谁?


在这篇文章中,作者统计了来自 ACL、EMNLP、NAACL、EACL 等学术会议的信息,用可视化的方式展现了 2017 年机器学习与自然语言处理领域的学术情况,例如最高产的作者、机构、主题等。机器之心在展现这些以 NLP 为主的会议后,还增加了如计算机视觉等会议的情况。值得一提的是,该作者在 2017 年初也统计了 2016 年的信息,感兴趣的读者可查看《2016 机器学习与自然语言处理学术全景图:卡耐基梅隆大学排名第一》


2017 年是自然语言处理(NLP)和机器学习(ML)非常高产的一年。两个领域持续增长,会议论文数量纷纷打破记录。本文中我将根据个人作者和组织进行更详细的细分。统计信息来自以下会议:ACL、EMNLP、NAACL、EACL、COLING、TACL、CL、CoNLL、Sem+SemEval、NIPS、ICML、ICLR。与上年不同,这次把 ICLR 包含了进来,它在过去两年飞速发展为一个很有竞争力的会议。此外,机器之心也将我们统计的会议结果添加到该报告中,并作一定的分析。


MAREK REI 的分析是通过爬虫自动抓取会议官网和 ACL 选集的发表信息而完成的,因此分析主要集中在自然语言处理。MAREK REI 表示作者姓名一般列在议程之中,因此可轻松提取;但是机构名称相对麻烦,需要从 PDF 直接抓取。而我们添加的信息主要来源于 2017 年报道过的人工智能方面的顶会,因此它正好可以补充原作者提供的信息。


会议


首先,让我们看看 2012-2017 年间的公开会议。NIPS 当仁不让,今年共发表 677 篇论文,排名第一。其他多数会议也快速增长,是 ICML、ICLR、EMNLP、EACL 和 CoNLL 规模最大的一年。相比之下,TACL 和 CL 的论文发表数量似乎每年保持不变。NAACL 和 COLING 的论文数量则为零,期望其在 2018 年有更好表现。



其实从接收论文的情况我们就能看出一些趋势,因为自 2015 年来 NIPS 的接收论文就有很大的提升,这与机器学习和深度学习的崛起有很大的关系。神经信息处理系统大会(Neural Information Processing Systems,NIPS)是机器学习与计算神经科学方面的顶会,本届 NIPS(31st)大会注册人数超过 8000 人;共收到 3240 篇提交论文。其中有 20.9% 被组委会接收;议程包括 679 个 Poster 演讲,40 个长演讲(Oral), 112 个短演讲(Spotlight)。若根据 NIPS 2017 提交论文数量进行分析,最热门的三个子领域为算法、深度学习和应用,由于深度学习目前并没有一种给我们美感的完整体系,所以很可能这一领域的研究在 2018 年将会继续进行下去。



NIPS 2017 的热门子领域。


MAREK REI 更多关注的是自然语言处理与 ML 会议,而其它如 CVPR、ICCV 和 KDD 等计算机视觉顶会与数据挖掘顶会都没有涉及到。因此我们可以补充一些 2017 年的论文提交与接收情况,如下展示了 11 项顶会的论文提交与接收情况。其中除了上述的 NIPS,AAAI 和 CVPR 等大会也非常值得我们关注。


AAAI、CVPR、IJCAI、ICCV、NIPS 今年的投稿数量均超过 2000,接收的论文数量均超过 600。ICLR 2017 是举办以来的第五届,去年的论文录用率接近 30%,今年达到了 40%。KDD 论文录用率 18.9%,是上图九大会议中论文录用率最低的会议。


作者


2017 年最多产的个人作者是 Iryna Gurevych(达姆施塔特工业大学),共发表论文 18 篇。Lawrence Carin (杜克大学) 发表论文 16 篇,其中 10 篇被 NIPS 收录。紧随其后的是 Yue Zhang(新加坡大学)、Yoshua Bengio(蒙特利尔大学)和 Hinrich Schütze(慕尼黑大学)。



值得注意的是,曾撰文批评了蒙特利尔大学的新论文《Adversarial Generation of Natural Language》的 Yoav Goldberg 也有 10 篇论文被这些会议接收。他曾表明:「尽管我同意 arXiv 上短时间的发布周期比现在长时间的同行评议流程更好,但现在人们在使用 arXiv 树旗帜、占山头,规避同行评议过程,而且这个趋势已越来越显著。这种情况对于那些「强」研究组而言更是显著。目前来说,将你的成果(通常是初步的和不完整的)发在 arXiv 上没有什么实质的坏处,只有潜在的好处。」


其实目前很多作者都将论文预先发表在 arXiv 上,以上 MAREK REI 统计的接收论文情况很大程度上反映了这些学者的学术水平,只不过由于原作者重点关注自然语言处理,所以还有很多 2017 年优秀的学者与论文没有展示在统计中。


看一下 2012-2017 年的累积统计结果,Chris Dyer(DeepMind)遥遥领先,紧随之后的是 Iryna Gurevych(达姆施塔特工业大学)和 Noah A. Smith(华盛顿大学)。Lawrence Carin(杜克大学)、Zoubin Ghahramani(剑桥大学)和 Pradeep K. Ravikumar(卡内基梅隆大学)发表的论文主要在机器学习会议,而其他人则在 NLP 和机器学习之间平衡。



按年份将发表论文数分开表明 Chris Dyer 在今年的发表论文数有所下降,而 Iryna Gurevych 的发表论文数有很强的上升趋势。




第一作者


我们来看看第一作者的情况,第一作者通常是实现代码和运行实验的人。Ivan Vulić(剑桥大学)、Ryan Cotterell(约翰霍普金斯大学)和 Zeyuan Allen-Zhu(微软研究院)都在 2017 年以第一作者的身份发表了 6 篇论文。紧随其后的是 Henning Wachsmuth(魏玛大学)、 Tsendsuren Munkhdalai(微软 Maluuba)、李纪为(斯坦福大学)和 Simon S. Du(卡内基梅隆大学)。



如上所示,斯坦福博士李纪为在 2017 年也有非常多的接收论文,他主要的研究方向是自然语言处理(NLP)。在三年的博士生涯中,他的多篇论文被各类顶级会议接收。在四月底结束的 ICLR 2017 上,李纪为有三篇论文被大会接收,其中两篇为第一作者;而在即将于 9 月份举行的 EMNLP 2017 上,他有两篇论文被大会接收,均为第一作者(参见:如何生物转CS,并在斯坦福大学三年拿到PhD:独家专访李纪为博士)。


此外,由于 ICCV 等计算机视觉领域的会议没有得到统计,因此何恺明等人并没有在以上统计中展现。在 ICCV 2017 中,Facebook AI 研究员何恺明获得最佳论文奖,同时是最佳学生论文的作者之一。算上此前在 CVPR 2009、CVPR 2016 上的两篇「最佳论文」,何恺明现在已获得了四个最佳论文称号(参见:ICCV 2017奖项公布:最大赢家何恺明获最佳论文,参与最佳学生论文)。


机构组织


看一下 2017 年的不同机构组织的发表模式,卡内基梅隆发表了 126 篇论文,处于领先地位,而微软、谷歌和斯坦福紧随其后。包括 MIT、哥伦比亚、牛津、哈佛、多伦多、普林斯顿和苏黎世在内的大学发表的论文中,相比 NLP,机器学习占比例更大。相比之下,包括爱丁堡、IBM、北京、华盛顿、约翰霍普金斯、宾州、中科院、达姆施塔特、卡塔尔在内的大学和机构更关注 NLP 会议。



如上在 2017 年的大会接收论文中,清华大学和北京大学分别以 38、37 篇接收论文取得了非常好的成绩,中国科学院在 2017 在这些大会中也有 22 篇接收论文。


看一下 2012-2017 年的整段时期,卡内基梅隆依然是其中的佼佼者,而微软、谷歌和斯坦福紧随其后。



在这些会议历年的累积接收论文中,北京大学、清华大学、中国科学院和哈尔滨工业大学都有非常好的排名。但这这些会议偏重于自然语言处理,因此国内还有其他一些非常优秀的学府没有统计并展示在内。


看看下方的时间序列,卡内基梅隆、斯坦福和 MIT 在发表论文数上呈上升趋势。相比之下,行业领袖谷歌、微软和 IBM 的发表论文数略微有所下降。




主题聚类


最后,我对所有发表过 9 篇或以上论文的作者的论文文本进行了 LDA 分析,并用 tsne 将结果可视化。图中间是机器学习、神经网络和对抗学习的主题。最密集的聚类涵盖了强化学习和不同的学习策略。图左的聚类包含 NLP 应用、语言建模、文本解析和机器翻译。图底的聚类包含信息建模和特征空间。



原文链接:http://ift.tt/2Cu3Cp7


]]> 原文: http://ift.tt/2E5cTRP
RSS Feed

机器知心

IFTTT

第十四课:实现、训练和应用循环神经网络

时间:北京时间 1月6号星期六早11点到中午12点地点:将门斗鱼直播:http://ift.tt/2gwbSMo

大家新年好!欢迎来到2018年的第一课。

在前两节课中,我们一起探讨了循环神经网络的设计思想(第十二课)和训练这类网络所需要的梯度计算方法(第十三课)。

在新年的第一课中,我们将回归"动手":我们将通过运行代码来理解在时序数据上训练和应用循环神经网络的方法。通过前两课和本节课的学习,我们将掌握以下这套核心技术:

不借助任何深度学习框架前提下,从零设计、实现并在时序数据上训练和应用循环神经网络。

本节课的安排:

[30 mins]:时序数据的批量采样。[20 mins]:循环神经网络的设计、实现、训练和应用。[10 mins]:语言模型上的实验和评价



via gluon - 知乎专栏 http://ift.tt/2lQKict
RSS Feed

RSS8

IFTTT

让工业机器人好用比降低成本更难做, 但这家B轮融资1亿的公司称自己做到了

撰文 | 微胖


「别人做不了的事情,我们做到了,需求迟早会找上门。」武汉库柏特(Cobot)科技有限公司 CEO 李淼说。


国内目前唯一食品级智能分拣系统,让这家成立于 2016 年 5 月的机器人创业公司一举成名。


一个偶然的机会,朋友找到李淼,让他帮忙一家湖北菇业公司解决难题。


传统香菇加工企业依靠人工分拣不同种类的香菇,但是,招工难一直困扰着菇业加工企业。


「现在的年轻人都是 95、00 后,不愿意干这些无聊重复的活儿。」李淼说。


人工分拣速度也慢,分拣一个香菇大约需要 5 秒。中国人一年要吃掉 1400 吨香菇,这种分拣速度无法满足大幅增长的市场需求。


分拣出来的香菇会走向下游食品企业,但是工人长期低头工作容易产生疲劳,分拣质量业没有保障,如果下游厂商返现香菇中有白薄膜之类的杂质,将会引来重罚。


于是,库柏特为这家公司定制了一条机器人智能香菇无序分拣流水线。系统可以识别 26 种香菇,分拣速度可以达到 0.8 秒/个,是人工的 2-3 倍,精准率可以达到 99.7%。


                                   

香菇分拣系统


李淼算了一笔账:


一条传统香菇分拣流水线通常由 8 个工人组成,库柏特智能线上只需 4 台机器人与 2 个工人协同工作,1 小时分拣数量是传统线的 210%,成本仅为传统线成本的 75%。


同产量的情况下,一条智能生产线每年可为企业节约 20 万以上。


打造通用操作系统,会用电脑,就会用机器人


在李淼看来,公司的明星产品——智能无序分拣系统更像是一款热门 App。


「App 火了,平台价值才凸显出来。」李淼说,没人在安卓系统上开发好玩的应用,这个平台也火不起来。


库柏特的核心竞争力是一套自主研发的机器人操作系统。系统主要包含视觉与力控两个底层技术,可应用于分拣、打磨与柔性装配。


从机器人操作系统切入市场,与李淼对机器人软件的「执念」分不开。



库柏特 CEO 李淼


来看一组工业机器人的销量数字。


2015 年,全球范围内的工业机器人销售量仅为 250,000 左右,这个数量是大型计算机销售峰值的十倍。相比之下,服务器和 PC 的销售总量分别约为 1000 万台和 3 亿台。


可见,和已经走入千家万户的电脑不同,工业机器人还没有真正走向主流市场。


制约工业机器人市场化的两大关键因素是成本和易用性。


中国这么多中小企业,很多需求得不到满足,不降低机器人的操作门槛,如何推动制造业升级?李淼说。


但是,提升易用性这一点,比降低成本更难。


「我们调查发现,即使买到 ABB、发那科机器人,用户还是用不了。」李淼说。「企业还是要找 ABB 的人来做集成。」

国内现在主要使用的几种工业机器人 Kuka、ABB、安川电机和发那科都用自己的控制系统和交互软件。


尽管有 ROS(机器人操作系统)和 OpenCV(开源计算机视觉)这样的应用软件来简化任务和要求,让机器人能够运转起来做一些有用的事情,但是,依然需要由拥有博士学位的机器人专家来操作。


维护和重新编程买过的机器人已经很不方便了,换一个公司的机器人又要重新培训人员,后续人力成本近乎是产品价格的三倍。


除此之外,机器人也很笨。每一个动作都需要工程师在背后进行精细的编程。由于路径是固定或受限的,所以只能通过手工调整来避免一些问题。当机器人通过视觉应对复杂场景时,手工调整就无用武之地了。


中国看重机器人硬件,看不起集成,觉得「不就是调嘛」,李淼感叹道,其实,隔行如隔山。


「这里涉及很多问题,比如工程问题。」李淼说,「还有科学思想,如何用软件甚至 AI 思想,将它们整合到同一个平台下。让调试变得有规律可循。」


深度学习已经带来了变革,将机器人变成学习机器。不需要精确编程,机器人可以随着时间的推移从数据和经验中学习,并能执行多种任务。


库柏特的定位也因此非常清晰明确:借助 AI 结合软件,依靠自己的平台实现软件决定硬件,提高机器人的易用性。


比如,客户需要抓取服务,可以先从硬件厂商购买机械臂,库柏特再为机械臂加上一个 AI+软件的操作系统。


为了让机器人厂商配合开放接口,库柏特一家一家地去谈合作。一开始都会很难,李淼说,但是,总有可以突破的点,只要有订单在手,国内厂商也有愿意和你合作。


李淼感叹说,底层控制器是机器人巨头的核心技术,不会开源,「能够给你一两个 API 就不错了。」


借用深度学习技术让机器人操作更加简单,正在逐渐成为一个创业热点。


上个月,前 OpenAI 科学家辞职创立智能机器人公司 Embodied Intelligence。公司总裁也表达了类似的创业思路:


「我们提供的智能模块可以接入任何市面上的机器人,让它们可以自然地学习新的技能,无需编写晦涩难懂的代码。」


日本 Mujin、Preferred Networks 、美国强人工智能公司 Vicarious 等,也是这个领域炙手可热的创业公司。


一份对机器人报告网站全球数据库中 752 家机器人创业公司的分析显示,超过一半的创业公司都是以软件起家。


就在前不久,吴恩达成立公司 Landing.ai,旨在让深度学习落地制造业。


瞄准智能无序分拣,解放人类双手


已故的机器人视觉领域的专家 Adil Shafi 曾预言,机器人无序抓取将会成为 2020 年的主流。


但事实上,机器人抓取曾在很长一段时间里不受重视。


李淼是瑞士洛桑理工大学工学博士、麻省理工博士后。这位有着八年抓取规划和智能控制研究经验的老「Grasper」,对此感受很深。


「做机器人抓取的中国人,基本是从国外高校毕业的,做了 5-10 年以上的只有 5、6 个人。」李淼说。


「做抓取的人为什么少?因为以前大家都嘲笑这个行业,认为工人都可以完成这个动作,没有行业应用前景。」


但是,随着人力成本的攀升,很多大公司又开始尝试这个领域,比如谷歌、亚马逊、发那科等。


非结构化环境中进行自动分拣的商业可行性,仍然是一个艰巨挑战。当零件、货物以完全的随机形式放在箱内,方向不同,且有重叠甚至缠绕的现象时,机器人成像和抓取就会变得困难。


近些年来,深度学习的突破为非结构化环境中的识别和抓取各种形状大小的物体提供了新的可能。


2016 年,著名的 Amazon Picking Challenge 赛中,冠亚军都将深度学习作为其视觉和抓取任务背后的核心算法。


作为国内仅有几个将深度学习落地工业中的实际案例之一,目前库柏特的智能无序分拣系统准确率已经达到 99%。


通过高分辨率工业相机配合图像感知算法,获取目标物体的类别和位置信息。然后,利用机器臂、末端执行器和动态抓取控制算法,实现对物体的精准分拣。


「现在还在训练香菇分拣系统。」李淼说。为了训练香菇分拣系统,库柏特找了一千多 T 的香菇图片,识别难度比识别猫狗更甚。


香菇有很多种类,花菇、冬菇、香覃是三种常见的香菇。花菇又进一步分为花菇、白花菇、茶花菇..... 还有厚菇 (板菇)、薄菇等。这些香菇大小、形状甚至纹路都不一样。


「猫狗的图片,可以从网上爬。香菇图片不常见。ImageNet 上也就几百张。我们就要自己去做图片。」李淼回忆道,「而且香菇是大自然的产品,中国和日本产的就不同。另外,香菇迭代非常快,基本上三个月就一代。」


虽然在视觉方面用到了深度学习,但在力的方面,还是传统办法,李淼告诉我们。「深度学习不是万能的,使用还是要谨慎。」


目前,库柏特已实现对 5000 多个品类的分拣,对新产品导入可以在数分钟之内完成。



力控打磨系统


在机器人打磨和 3C 柔性制造方面,库柏特也在探索机器学习的用武之地。


比如,打磨过程中多大力合适,力反馈控制怎么设计比较好,最后打磨质量怎么评估,目前在工业界还是凭经验解决。库柏特希望通过机器学习解决这三个问题。


在 3C 装配过程中,插销入孔卡死比较常见。是否可以将穷尽所有可能力的方向的 hacking 解决方案转变为一个类似搜索的问题?搜索是机器学习擅长的领域。怎么去建立这个数据库,怎么进行有效搜索?


目前,深度学习只是我们的一个补充,还是传统方法为主。李淼反复说道。



智能拖动示教系统


场景为大,从工业机器人走向服务机器人


在赛道选择上,李淼始终有着清楚地认知。


选择做抓取,也考虑到巨头不会做抓取。因为巨头的基因,李淼解释道,巨头做机器人手臂,但是手臂没有抓取功能,他们习惯于在程序上改变交互,但没有从物理上改变的习惯。


这个行业本身是一个比较小的行业,没那么多人去做,但是未来机器人需要这些东西,因此特别适合创业公司去做。


不过,和互联网巨头比起来,「我们有技术,但是缺少场景。」李淼十分注重应用场景热度。「你也希望自己的东西能够有用,对吧?」


除了在食品行业为企业提供解决方案外,凭借在物流行业分拣的突破,今年,库柏特已与 ABB、京东、运营商普罗格以及部分大型集成商达成合作。


据李淼介绍,在和运营商普罗格的合作中,已经可以识别 4000 个 SKU,完全靠机器人实现。


在物流分拣中的效率,李淼介绍说,能将原本 12 人/条线降低至 3 人/条线,分拣速度从 12s/单提升至 4s/单,单个系统的峰值可达到 30 万单/日。


「基本上,目前工资在 5 千到 1 万的手工劳动者所做的事,都是我们潜在机器人替换升级领域。」李淼说。


2017 年 12 月,公司完成 1.02 亿元人民币 B 轮融资,创业内融资额新高。B 轮融资后,库柏特表示资金将主要用于市场的推广并探索医疗与新零售等新场景的落地。


网购一瓶水很花时间,写字楼的无人货架内容又不丰富。


在这种情况下,「未来,便利店可能会消失,取而代之的可能是大型无人仓,这种购物模式完全由机器人在后台完成分拣传送,减少企业成本和消费者时间成本。」李淼曾举例道。


未来,公司会从工业机器人领域往服务机器人领域拓展,库柏特也会一直致力于解放人手。


今年库柏特的销售收入为 2500 万人民币。除了直接售卖软硬一体的解决方案外,公司也在尝试以租赁的方式,按系统调用次数计费。


提供服务而不是销售产品的观念,一直以来都是向市场推广未经测试过的产品的好方法,而相关创业公司也从中发现了规模经济的好处。


库柏特认为,机器人即服务(RaSS) 这种模式能够大大降低用户付费的心理门槛,加快公司的市场占有率。


现在公司全职员工在 70 人左右。其中,50 人负责视觉与触觉底层算法的研发与迭代,其余 20 人负责具体应用场景的落地。在武汉这样的二线城市组建一支这样的团队,实属不易。


「虽然我们没有那种顶尖的人才,但是核心团队整体水平不错。」李淼自信地说。


不过,武汉只是这家机器人创业公司的始发站。在一张旧时的知乎招聘广告中,李淼写道:


一年内坐标武汉,未来坐标深圳与欧洲。


]]> 原文: http://ift.tt/2EO7QX1
RSS Feed

机器知心

IFTTT

硅谷黑暗潜规则: 充斥性与毒品的巨头派对上, 科技与投资已经面目全非

编译 | 王宇欣、Rik R

编辑 | 宇多田、微胖

来源 | 《名利场》杂志


硅谷的技术精英们大约每月都会在周五或周六的晚上围绕毒品和性举行一次派对。


有时候,他们会把地点设在旧金山太平洋高地社区的一栋豪华宅邸内;有时候则会选择阿瑟顿或是希尔斯堡山脚下的豪宅。

在一些特殊情况下,客人也会向北到达位于纳帕山谷的某人拥有的城堡,或是到马里布的私人海滩,亦或是坐上一艘从伊比萨岛海岸离开的游轮。


这场狂欢将会持续一整个周末。地点虽然不时更换,但是参与的人和目的都是一样的。


近 20 多位亲自参与这些活动,或是对这些活动有深入了解的人告诉了我这个故事,不论在哪种意义上,这件事情都会令人震惊的。


然而许多参与者丝毫不觉得尴尬,也丝毫不觉得羞愧。


相反,他们非常自豪地讲述着自己是如何在私人生活中颠覆传统和规范的,就像他们在自己所「统治」的科技世界里所做的一样。


正如 Julian Assange 谴责单一民族国家那样,工业界的大人物总是以一种洋洋自得又不屑于批评的口吻来评论这些活动。


他们觉得自己的行为在这些高级的派对中就是一种进步和思想开放的延伸,而这种大胆的行为会令这些创始人认为他们可以改变世界。


他们相信自己打破传统规范的权利将不会止步于科技领域,还将会延伸至整个社会。


然而,几乎没有人愿意不匿名向我描述派对中的场景。


如果这仅限于私人生活的话,那这就只是一种很单一的情况。但不幸的是,在这些性派对上发生的事情,以及开放的性关系,绝不单单停留在私人生活层面。


在科技圈里,从顶层精英到普通员工都追求的那种随心所欲的性生活,都将对硅谷的商业运作产生影响。


科技精英与名人的性派对


 从那些参与这些派对的人的叙述来看,参与者和主办人包括一些非常厉害、处于一线的天使轮投资人、知名企业家以及公司高层管理人员,甚至还有一些家喻户晓的硅谷巨头。


而女性客人则有着不同的资历。


如果你非常迷人、并且乐意参加,而且(通常)年轻的话,你不必担心你的履历不够精彩或是银行账户的存款够不够格之类的。


参加聚会的部分女性通常在湾区的科技公司工作,但是另一些则来自于洛杉矶等其他地区,在诸如房地产、私人培训和公共关系等行业工作。


在某些情况下,富有男性与女性的比例大致为 1 :2,所以参加派对的男性有足够多的选择。


「你知道这是什么时候的聚会,」一个男性科技投资者告诉我。「在普通的科技派对中,几乎见不到女人。而在那种派对,女人多的数不过来。」


我相信这个重要的故事告诉了我们,参与派对的这些女性是如何被边缘化的,即使她们是自愿参与的。


一个女性投资人在我接触她之前就曾听闻过这些派对,她对我说:「女性参与这样的文化是为了提升她们的生活。她们处于硅谷的社会底层。」


一个在科技领域最有权势的男性之一手下工作的某男性投资人则这样表示:


「我看到了很多男性领导人,会同时和十几个女性上床。但是如果这些女人不在意的话,这还算是犯罪吗?


你可以说这种行径很恶心,但是它并不违法——它只是延续了一个男尊女卑的文化罢了」


要清楚的是,有许多为实验性的性行为所设的派对。一些完全为了性的派对也许并没有毒品和酒精(为了鼓励安全和派对效果),并且需要控制男女比例。


而一些对毒品和女人非常着迷的派对并通常以「聚集在泳池周围的人群」(拥抱池)形式而存在,这是一种更加谨慎的发生性关系的方式。


男性只有在被主办方直接邀请后才能出席,他们可以带任意数量的女性,但是不能独自前来。(这会使原本平衡的性别比变得失调)。


请柬则通过面对面邀请、Facebook、Snapchat(这种方式很完美,因为消息不久后就会消除)甚至是最基础的无纸邮件形式发出。


而在邀请中不会出现诸如「性派对」或者「拥抱池」等字眼,以免邀请被转发或是有人截屏。


此外,也没有必要把事情说的太明白,名单上的客人都明白这是种什么样的派对。女性同样会将这些词很大方地在她们的闺蜜中传递开,并且基本不会掩饰自己的期待。


「她们可能会说,你想来参加这个绝对独一无二的派对吗?非常火爆哦。主题是性捆绑,』」一位女性企业家告诉我。「这次派对是在 某 VC 或者是创始人的别墅内举行的,他让我来邀请你。」


「参加这个派对非常危险——一旦你进入了这个圈子,一旦你决定玩这个游戏,你就不能退出了。」


 也许这种文化只是性开放的湾区众多分支中的一部分,这种开放的文化创造了表达自由的「火人节」这一沙漠节日。尽管如此,硅谷的大部分人都还不知道这种性爱派对的存在。


如果你读到这些文字,摇着头说:「这不是我所认识的硅谷」,你也许还不是一个足够富有、前卫的男性创始人或是投资者。


「任何处于这个圈子之外的人,看到这些派对都会说,哦天啊,这也太糟糕了,」一个女性企业家告诉我。「但是圈子内的人则对发生的事情有完全不同的看法。」


据参与的人说,这种派对才是夜晚来临时应有的方式。


客人们在晚宴开始之前陆续抵达,并且会由私人安保进行检查,如果你不在邀请名单之上,这些安保人员则会将你拒之门外。


有时候这种派对需要专门在夜晚举行。酒精则成为彼此的交谈的润滑剂,在所有的菜上齐之后,毒品就上桌了。


一些是二亚甲基双氧苯丙胺,又名摇头丸,或是 Molly,以将陌生人变为知己好友而著名。这些 Molly 药片被做成了一些最热门的科技公司的标志。一些人将这些派对称为「电子派对(E-parties)」。


摇头丸是效用最强,最持久的毒品,在欣快感和巨大能量的双重作用下,你可以持续嗨上 3 到 4 个小时。由于兴奋的多巴胺作用,人们的欲望在不断升腾,平常的克制都消失了。人们开始彼此拥抱、发泄。


本质上这不是群体纵欲,但是人们会突然作出这样的行为。他们会消失在举办地众多的房间之一,甚至索性在大庭广众之下就开始了。


白天到来,小团体再次聚集在一起吃早餐,吃完之后一些人可能会再次陷入昨晚的狂欢之中。用餐、嗑药、性,周而复始。

这些性派对在早期投资人以及创始人的圈子里举办的非常频繁。我曾被告知说,这样的派对不算是丑闻,甚至连秘密都算不上。这只是一种生活方式的选择。


人们提醒我说,现在既不是禁令时期也非麦卡锡主义时期;这是 21 世纪的硅谷。


没人被强迫参加这些派对,也没有人试图隐藏什么,即使有些人已经结婚或是已经拥有了伴侣。他们只是在现实世界中比较谨慎而已。


许多客人都是被成对邀请参加派对的——丈夫和妻子,或者男女朋友。因为开放性关系现在已经成了一种新的常态。


虽然有些派对主要围绕毒品和性活动举办,但是其他的某些派对可能仅仅是在吹嘘其奢华程度,这可能令一些客人感到不知所措。


2017 年 6 月,一个年轻女人(我们暂且称她为 Jane Doe)收到了一份在线邀请函,邀请她前去参加一个「世界边缘的派对」,地点在一个富有的风险投资人家中。


受邀请人需要「有迷人的冒险家气质、具有狩猎情趣并身着丛林部落的服装」。


但讽刺的是,在聚会举办一周之后,对 Binary Capital 联合创始人 Justin Caldbeck 性骚扰的指控就见诸报端,但是这似乎并没有降低一些客人参加这种性开放派对的热情。




「这处于一种二元关系的中间地带,」Jane Doe 告诉我,她提到了风投公司的丑闻,「这真是太可笑了。」


Doe 发现她自己和两对男女躺在地板上,包括一个男性企业家和他的妻子。客厅里布满了白绒绒的人造皮和枕头。


Doe 说,这个客厅最后就成了一个大型的「拥抱池」。在这里,装扮成兔子的一个风险投资人(我真不明白这怎么就切合它世界边缘的主题了)为 Jane Doe 提供了一些装在塑料袋里的粉末,那就是摇头丸。


「他们说这会让你感到放松,」Doe 向我描述着当时的场景。


她有些紧张地用手指沾了一些粉末,放进嘴里尝了尝。很快,她就抛弃了她的警惕。然后,一个男性创始人问她能不能亲吻她。


「这真是太奇怪了,」她表示,「我说,『你的妻子就在那;她对这样的行为不排斥吗?』」。那位创始人的妻子则承认说,是的,她对这样的行为并不排斥。


 Jane Doe 认为自己颇具冒险精神并且思想挺开放的,所以就亲吻了创始人,然后她觉得有些不舒服,感觉自己好像受到了压力或是被针对了。


「我不知道自己在做什么,我觉得简直蠢透了,我被下了药,我之前从未碰过这些东西,他知道我绝对不会碰的。」她回忆说。


她试图逃离到派对其别的地方。


「我觉得这太恶心了,我和他搞在了一起,然后他试图找到我,我试图逃走然后藏起来。我记得我和他说过『你不怕别人知道这些事吗?』他说,『认识我的人都知道发生的事情,而不认识我的人,我不在乎。』」


在黎明之前,她跳上了车,然后离开了。「这个场景实在是太过由金钱和权利主导了。这是个问题,这是权利的滥用。我再也不会这样做了。」


虽然这个女人感觉自己被暗算了,但如果这是你第一次参加这样的派对,一个朋友通常会详细告诉你正在参加的究竟是什么,而且希望你不对外宣布你所看到的一切。


你知道,如果你和某个共事的人一起嗑药,你不应该把这件事向任何人提起,同样,性方面的事情也是一样。


但实际上,我们都是这样的。如果你值得信任,或者你按规矩行事,这样你才会受到邀请。


「你可以选择不和某个特定的人上床,但是你不能勾搭每个人,这是窥淫癖的行径。所以你不参加,就不要进来。」一个经常参与这类派对的人说,我称他为 X 创始人,一个雄心勃勃,喜欢世界旅行的企业家。


他们不认为自己属于掠夺性的人物。当他们看向镜子,他们看到的是一个个体,一个通过推动社会习俗和价值的边界来重新设定新的行为规范的个体。


「同样的先进性和开放性使得这件事情成为了可能,它允许我们具有创新性、颠覆性的想法,」X 创始人告诉我。


当我问她关于 Jane Doe 的经历时,他说:


「这是一个私人聚会,有权有势的人聚在了一起。有很多女性,也有很多被搞的很糟糕的人。在任何一个派对上,都会有人越线。


有些人被搞的很混乱,有些人越过了底线。但是这并不是对『拥抱池』的控诉,这只是对越界的控诉,难道不是到处都在发生?」


然而,值得问的是,如果这些性冒险者真的这么开明,这么具有进步思想,为什么这些派对会如此依赖于男性异性恋的幻想呢?


在派对上,女性们通常都被期望进行「包含另一女性的三人性活动」;而男性同性恋与双性恋很明显从这些聚会上消失了。

「很奇怪,真的难以想象一个男人会成为双性恋或是有其他什么奇怪的性取向。」一个参与派对并且已经结婚的风险投资人说道(我称他为已婚投资者)。


「这绝对是个双标。」换句话说,在这些派对中,男人不会和另一个男人相处。而且,除了新型毒品之外,这些故事也许会出自 1972 年左右时的花花公子的大厦中。


我与 Twitter 的联合创始人 Evan Williams 进行了内容广泛的交谈,讨论了在硅谷中,这些大胆、古怪以及与财富彼此交缠的特殊现状。


Williams,已经结婚并且有了两个孩子,由于他的第一家公司 Blogger 成为了互联网的名人。他指出,他从来不会在同一时间收获单身、名声以及财富,并且他也从不会参与这些派对。


但是,他承认他的同龄人有这样的动机。


「这是一个非常奇怪的地方,创造了世界上那些难以置信的东西,并且因此吸引和容纳了各式各样的人。它怎么可能不会是这样一个奇怪又充满戏剧性的地方呢?这些处于边缘的人正在测试着一切。」


另一方面,他认为,「如果你像其他人一样思考,你就无法创造未来,」但他也警告说,有时候,这也是「灾难的导火索。」


有钱的男人期待与女性进行偶然的性行为绝不是一种新的规范。但是许多硅谷的一线名人则有一些特殊的共同点:孤独的青春期,缺乏与异性的接触。


一位已婚风投人表示他的青春时期是在玩计算机游戏中度过,直到 20 岁之前都没有和女性约会过。


现在,令他惊奇的是,他发现自己处于一个充满了可以信任,具有冒险精神的科技朋友的圈子里,这些人有财力、有资源去探索他们的每一个愿望。


经过多年的限制和渴望,他现在正生活在他的理想乡之中,而且他的妻子就在这陪着他。


这位已婚风投人的故事…他目前对女性的贪婪可以被他青少年时期缺乏接触异性的经历所解释,但我在硅谷听到了很多类似的故事。


他们终于得到了自己想要的。


创始人猎手


有一个话题时常被人谈起,硅谷到处都是企图傍上科技大亨的女人。这类女人是不是很多,值得讨论。不过,有关她们的风流韵事很生动,至少广泛流传在那些担心自己败在石榴裙下的有钱男人中。事实上,这些男人们甚至给那些女人起了一个名字:创始人猎手(founder hounders)。


我问创始人 X,这些有钱人是否会在性派对上给这些女人服用抑制剂熔解药物(inhibition-melting drugs)来利用她们,他回答说,恰恰相反,这些女人会采取这种手段,利用他们赚钱。


 一些年轻的创始人称,这些百万金主正在受到越来越多女性的吸引,不管他们的举止如何拙劣、外表多么不堪。


然而,硅谷的创始人们确实相信,这里有很多女猎手,他们经常彼此分享自己的风流韵事。正如创始人 X 所说,「我们会讨论某个女孩是否是拜金主义逼,从而知道避免哪些人。」


我把这些告诉了一个年轻的女企业家 Ava,她翻了一个白眼。


Ava 曾与几个创始人约过会,并要求我隐瞒她的真实身份。她说,那些沉迷于炫耀财富和特权的人,是男人而非女人。她讲了几个有钱人追求她的手段,比如飞往异国,住豪华酒店等。


约会 App 上的男士资料似乎印证了 Ava 的观点,他们经常吹嘘自己在科技行业的职位或自己的初创公司。在他们的社交媒体简介中,男士们就像是在说,「你好,想来我家的阁楼上聊股票吗?」


然而,根据 Ava 的经验,这些男人钓上某个女人后,很快就会把她甩掉。经历过几次奢侈的约会后,Ava 说,她主动聊到约会之后再怎么发展关系。接着,男人们会很快结束这段关系,一些人用的套路甚至都是一样的。


「他们会说,『我还在补课,我 25 岁时才失贞』」Ava 告诉我,「我会说,『好吧,你现在 33 岁了,功课还没补完吗?』


在其他情况下,[这些光鲜的约会] 都是浪漫的,但在这种情况下,气氛就有些紧张了,因为高中时没有人会搭理他们... 我真的以为他们想要重来一次,因为之前没有女人想和他们发生关系。


一些科技明星常常宣称自己正被某个女人盯上,以此为自己的掠色行为作辩护。如果他们不再试图掩饰,Ava 的犀利见解就会显得很有趣。


猎艳到一定程度,会产生巨大的自我价值感。「这很棒,」创始人 X 说。


在工作中,「你年薪百万,相对比较有吸引力。」工作之外,「为什么我非得妥协?为什么要结婚?为什么只能和一个人在一起?如果你同时受到若干女孩的喜欢,你可以设定条件并说『这就是我想要的』,你可以说,『很高兴和你约会,但我也会约其他人。』那些在高中把不到妹的男性正把这些作为筹码。」


此外,这些精英创始人、CEO 和 VC 们都自视甚高,认为自己的影响力是那些最知名的银行家、演员和运动员望尘莫及的。


「与那些成功带有随机性的有钱人不同,我们享有更高的社会声望,因为我们做的产品触及到了很多人,」创始人 X 说,「你拍一部电影,人们只看一个礼拜。但是,如果你制造一种产品,会影响人们很多年。」


至少在财务层面,创始人 X 说到了点子上。


与硅谷精英的收入相比,一流演员和华尔街之狼们的表现就较为逊色。顶级投银的董事总经理们可能年薪百万,并在其漫长的职业生涯中过千万身价。


Uber、Airbnb 和 Snapchat 等高科技公司的早期雇员在几年内赚的钱可以是前者的数倍。


像杰瑞德·莱托、阿什顿·库彻和莱昂纳多·迪卡普里奥这样的名人已经登上了这趟列车,他们现在正在投资科技公司。


篮球巨星科比·布莱恩特创办了自己的风险投资公司。勒布朗·詹姆斯也已经转型成为一名投资人和企业家而不只是一个运动员。


连著名演员和运动员都想进入科技领域,硅谷巨子们的自视甚高也就不足为奇了。


他们认为自己有权期待并足以匹配这种性生活。在硅谷,这种期望往往被谎称为是进步的,是人类行为的进化使然。


然而,在许多女性看来,隐藏在夸夸其谈背后的是一种新的、不成熟的性别歧视行为。


这些行为强化了传统的权力结构;贬低女性,助长一些史上最为恶劣的男权意识,不过是另一种 Brotopia(男性兄弟团体,没有女人的乌托邦。译注)。


然而许多女性将它描述为一个新型的、不成熟的性别歧视行为,穿着很多夸夸其谈的外衣,强化了传统的权力结构;贬低女性,助长了一些史上最为恶劣的男权意识,是另一种 Brotopia(男性兄弟团体,没有女人的乌托邦。译注)。


我与 Elisabeth Sheff 谈到了硅谷的性派对,特别是那些女性远多于男性的派对。Elisabeth 是一个来自查塔努加(美国田纳西州东南部城市)的作家和教授,曾花 20 年的时间研究开放关系。


她的反应是:「就是利用,老一套了。男性傲慢和变相卖淫,」她说,


「男人不必卖身,因为他们有钱......『我应该能和一个女人做爱,因为我是个有钱人。』这里面甚至没有一点进步的成分,还是那些狗屁。这种做法试图新瓶装旧酒,而那些旧的思想则是基于父权制,他们以牺牲妇女为代价。」


Jennifer Russell 负责运营 Burning Man(一个反传统狂欢节,为期八天,于 1986 年开始。译注)上的 Camp Mystic(专为女孩设立的私人基督教夏令营,1926 年创立),她更为赞同这种做法。


「男人和女人天生都会被这样一个允许充分表达性需求的环境所吸引,这类活动是一个安全的涉猎平台,」她说,「这比俱乐部好得多,因为是在家中举行,周围都是你所熟悉的人。」


然而,一个已婚 VC 承认,对于许多男性来说,参加这种排队不是为了表达自我,而是仅仅为了夸耀战绩。


「一些家伙会拿出他们的手机,展示他们的勾搭史,」他说,「也许这种行为多见诸于华尔街,但在某种程度上是被承认的。」而这些创始人却尽量不承认这一点。


他们一边谈论自己的风流韵事,另一边又说所有这些都是狗屎。


这种新模式让女性变得更糟


对于硅谷的成功女性来说,毒品和性派对是一个雷区。


 这并不是说在性问题上,湾区的科技女性比大多数人更加伪善;我认为近期历史上,在探索性边界方面,很少有女性更具冒险性,女性受到的约束也更多一些。


 问题是,当前渗入硅谷的性冒险主义文化,对女性的影响开始逐渐大于对男性的影响,特别是涉及到女性在科技行业的职业生涯时。


以连续创业者 Esther Crawford 为例,她很熟悉性派对(特别是那些男女比例平等,且对与会嘉宾有严格要求的派对),会公开谈论她的性实验和开放关系。


四年来,她一直与 Chris Messina 保持着非一夫一妻制(他们称之为「monogamish」)的关系,后者是一名前谷歌和 Uber 的员工,「#」就是他的发明。


最近,Crawford 与 Messina 共同创办了一家公司叫 Molly(亦代表俗称「迷魂药」的一种兴奋剂亚甲二氧甲基苯丙胺 MDMA),正在开发一个「不按个人道德进行判断的(人工智能)朋友,可以帮助你自我觉察。」


他们也曾选择过一段时间的一夫一妻制;觉得其他人太过复杂。「关系的未来不仅指人类之间的关系,还涉及与人工智能角色的关系,」Crawford 告诉我。


 截止 2017 年 12 月,他们已经为其新公司筹集了 150 万美元。与此同时,Crawford 敏锐地意识到了一个残酷的现实:

作为一个女性企业家,她面临着许多男性不会遇到的挑战。她发现,对于一个女性来说,个人性边界的探索是有代价的。

当 Crawford 正在为她的第二家公司——一个叫 Glmps 的社交媒体 app——筹集资金时,她去了位于三藩市 Valencia 街的一家时髦餐馆与一位天使投资人吃晚餐。


在晚饭的最后,他递给她一张 2 万美元的支票,然后便试着去吻她。「我当然不喜欢他,」她断言,「我便向后靠去,他给我订了一辆 Uber,然后我想的是,『我得回家了。』」


Crawford 认为,很可能是这名投资人知道她对于性很开放,很难仅仅把她看作一个企业家而不是一个潜在的上床对象。如果女企业家选择宣誓「我们对性爱无所畏忌」,那么这次邂逅就是她们会面临的一个特殊惩罚案例。


Ava 曾在三藩市的一个 SM 俱乐部撞见了她的已婚老板,那时她是谷歌的行政助理。


Ava 和她的工程师老板都对彼此视而不见,但一句话也没交流过,从此再没有谈起过这件事。


然而几个月后,在谷歌的一次会后活动中,另一个已婚男同事走近了她。「他打了我一下,我在想,你在干什么?别碰我。你又是谁?而他就像是在说,我知道你是什么样的人。其他人说你喜欢这些东西。」有人揭露了 Ava。


此后不久,她辞掉了谷歌的工作。「信任只能是单向的,」Ava 说,「这件事对一个女人来说更加耻辱。在这个行业中,每个人都应该是开放而包容的,但作为一个女人,惩罚太不确定了。」


Crawford 甚至记不清有多少男人曾告诉她,能够在男性主导的科技领域与这么多称心如意者约会,是多么幸运的事情。


「在世界上所有特权中,这不是我想要那个的,」她很激动,「我会选择同工同酬。我会选择其他方式获取资本和权力。我会选择不被提升。


我会选择不必担心不成为那 23.1% 受到性侵犯的大学女生。如果我选择探索我的性取向,我会选择不把自己看做荡妇而感到羞耻。」


已婚 VC 承认,他可能会拒绝雇佣或资助一个在性爱派对部落中遇到过的女性。


他说:「如果她是朋友的朋友,或者你看到了她们曾在 Burning Man 上半裸着身体,所有这些都会有影响。」他说道,

「这些事情确实正在发生。这让三藩市变得非常小,因为每个人都和其他人约过会。」


男人实际上会在性派对和脱衣舞夜总会里谈生意。但当女人把自己置于这种情况时,她们就有失去信誉和尊重的危险。


女性企业家们称,现在派对什么的非常普遍,如果她们拒绝邀请,就会被归类为一点也不酷的孩子他妈。


「很难与一位男性投资者建立个人关系,如果你成功了,他们会被吸引来到你身边。」一位女企业家告诉我,

「他们认为你是他们的圈子的一部分,而在三藩市,这意味着你会被邀请参加一些狂欢派对。在这里我是逃不掉的。不去就会产生问题。」


 这位企业家说,人们不会对她参加性派对而感到奇怪,却会对她不参加而感到困惑。


「你不去的话会很奇怪,」该名企业家说,而这意味着你会被排除在重要谈话之外。「他们在这些派对上谈生意。他们是在做生意,」她说,「他们在那里做决策。」


最终,这名女企业家受够了,她把自己和她的初创企业搬到了纽约,永远离开了硅谷。


对这些派对说「yes」的女企业家却很少可以获得大的生意回报。


「有一种想被包括在内、被邀请去做这些事情的欲望,有时候觉得这样做很有成效,通过这种方式培养关系,你可以更快地前进。」一位女工程师告诉我。


「随着时间的推移,我意识到这是虚假宣传,而这不是女人应该考虑的前进方式。这是非常冒险的做法:一旦你进入那个圈子,一旦你决定玩这个游戏,你就不能退出了。如果你真的相信这会帮你在事业上有所成就,那就是错觉。」


另一位女企业家描述了这种不公平的权力格局。


「你会暗暗感觉自己出卖了灵魂只为获得成功,因为,说得现实一点就是,与强者约会可以为你打开大门。而这就是那些盘算游戏规则的女人所想要得到的,但是,她们不了解所有的相关风险,」她说。


「如果你参加了这些性派对,千万别想着开公司或是有人会投资你。那些门关上了。但如果你不参加,你就会被拒之门外。你做了该死,不做也该死。」


这让人回想起那些上世纪 80 年代流行的青少年电影,讲述四眼书呆子们如何变身酷炫万人迷的「感人」故事。


但是,我们不是活在青少年的梦里。


伟大的公司之所以会出现,是因为有一个团队在办公室里倾注了心血,而不是在床上。



]]> 原文: http://ift.tt/2DYj0Yb
RSS Feed

机器知心

IFTTT

无人驾驶出租车实行免费制是天上掉馅饼?No, 天下一定没有免费的午餐

撰文 | 高静宜

编辑 | 宇多田

参考 | 大西洋月刊、Jalopnik


自动驾驶到底有多热?

 

元旦回家跨年的笔者感受深刻。

 

自动驾驶的概念不再是业内的技术研发人员或是前沿科技领域的媒体人口中的专有名词,就连隔壁王大爷也会展望一下无人车的未来前景,然后和众亲戚品头论足一番。

 

然而,与那些长期浸淫于自动驾驶领域的业内人士的关注点不同,无人车的传感器系统究竟用了几个摄像头或是识别物体所使用的神经网络到底有多少层……

这些话题压根儿就不在平民百姓的脑回路里。

相比之下,他们更在乎与自身利益切实相关的话题:

当自动驾驶时代来临,我要为享用这项技术支付多少钱?

 

事实上,这也是自动驾驶领域的创业公司以及巨头都绕不开的一大难题——为自动驾驶技术开辟出一个合理的商业模式。

此外,在这条探索之路上,科技企业基于自身基因,其与汽车企业及出行企业进行产业融合的方式也不尽相同。


例如,Uber、Waymo 等公司就选择把自动驾驶技术与共享汽车进行整合,尝试开拓无人驾驶出租车市场;


而通用、福特等传统车厂虽然也在「两手抓」,但他们更侧重于在「努力把车卖出去」的前提下对车身进行逐步改造。

 

那么,对于吃瓜群众来说,什么样的自动驾驶汽车及相关服务才是触手可及的呢?

 

「那自然是在有安全保障的前提下,性价比高的。同样是坐出租车,要是无人的要是比有人的还贵,那我肯定不坐啊。」在我们采访了若干个「基层群众」后,他们普遍认为:


「比人开的出租车便宜,我们愿意试一下。」

 

然而,大众热衷的「免费」对无人驾驶汽车公司却不一定是个好消息,一直在寻找可行商业模式的厂商们真的愿意为用户提供长期免费的乘车体验吗?

 

天上掉馅饼?免费的无人驾驶出租车或成现实

 

近日,《大西洋月刊》描述了一个非常大胆的新思路:未来,人们也许可以免费乘坐无人驾驶出租车。

 

虽然听起来有点「天上掉馅饼」的意思,但这并非不可实现。当然,免费乘车的代价是,必须将车停在沿路中「由赞助商指定的站点」旁边。

 

在免费无人驾驶出租车的未来蓝图中,任何人都可以享用一趟「城中旅行」,只要乘客愿意在沿路的麦当劳里呆上 15 分钟。

如果乘客不是快餐迷,那么可以去星巴克、书店或游戏厅。带儿童的家长可以停在迪士尼专卖店,而女孩子们则可以呆在 Zara 和 H&M 这种地方。

 

与 UberPool 的迂回路线和拼车服务不同,「UberFree」主要提供量身定制的路线,并会经深思熟虑后有针对性地设置停靠站点。而营销人员则可以趁此机会,把广告堂而皇之地摆在乘客面前。

 

虽然这多多少少听起来有点像一些强制带游客去购物点消费的旅游团,导游和旅行社的收益主要来源于购物点的提成,但在出租车圈其实早有这样的传统。

 

2010 年的时候,拉斯维加斯的脱衣舞俱乐部会给出租车司机付钱让他们把乘客带到自己这里来,这种行为是合法的且需要纳税。

而在国内,有时候出租车也会与一些宾馆等住宿场所达成交易——给下火车的乘客们推荐他们的宾馆,或者直接把你拉到某个宾馆门口。

 

值得注意的是,国外甚至还出现一个应用程序——Kickback,它可以根据类别,如夜总会、脱衣舞俱乐部、射击场、婚礼教堂等,快速帮助司机找到付钱让他们拉客的公司。


司机每拉一个乘客到大麻商店就会获得 10 美元的报酬;在拉斯维加斯的婚礼卖店,只要顾客购买了 199 美元的套餐,司机就可以拿到 50 美元的提成。


而脱衣舞俱乐部则将价格分级,给带来男性顾客的出租车司机的报酬最高可达 100 美元,而带来女性的司机则仅有 10 美元。

 

尽管像 Yelp 这类应用程序的出现使一些本地出租车司机不再是外地人不可或缺的向导,但许多人仍然会征求当地司机的意见,这可以让乘客感觉自己获得了当地的一手内幕。

 

天下绝对没有免费的午餐:也许会被操纵算法的企业掌控而走向极端

 

然而,不可否认的是,这样的运作系统会损害乘客的利益而使司机获益。司机的动机是把乘客带到能够获得最大回扣的地方,但是这些地方往往都不是理想的去处。

 

可以发现,俱乐部在 Kickback 上支付的金额似乎与其在 Yelp 上的评级呈反比:


Sapphire Gentleman 俱乐部给的回扣最多(带来一个男性顾客,司机获得 80 美元),但是它有很多一星的评价,投诉涉及饮料兑水、掺药甚至抢劫事件。

最重要的是,一些俱乐部会收取顾客更高的费用来弥补支付给司机的回扣。

 

那么,这样的情况是否会迁移到无人驾驶车出租车服务上呢?

 

试想一下,当出租车司机被自动驾驶车辆所替代,且这些汽车由一个庞大的路径算法所掌控,那么倘若掌控该算法的公司想要从中牟利、或是与其它相关企业合作,他们就可以对人们的衣食住行施加更大的影响。

 

例如,拉斯维加斯出租车司机吃回扣拉客的这种情况,乘客仍然拥有追索权。


因为人类司机即便独立运作,乘客仍然能够指挥司机到达自己的首选位置。


但是,一旦人类司机被自动驾驶车辆取代,在一体式的路径算法的控制下,如果控制算法的公司与企业之间存在特殊关系,那么它可以很大程度上影响乘客的下车、就餐的地点以及乘客看到的事物和乘客不去的那些地方。


如果没有法律来保护乘客,那么这些获得赞助的车辆就会滑向另一个极端:乘客需要支付额外的费用才能停靠在某些站点,这些站点可能是被算法视为其赞助商的竞争对手。

 

因此,当自主控制权被剥夺,还淹没在广袤的广告海洋之中无法自拔,免费的无人驾驶出租车体验还是否值得?

 

各花入各眼,想必不仅是「隔壁王大爷」,对自动驾驶技术抱有期待的人们心里都有自己的答案。


]]> 原文: http://ift.tt/2lPwJsI
RSS Feed

机器知心

IFTTT

这十大挑战,摆在DL面前:马库斯长文质疑深度学习

夏乙 若朴 安妮 编译整理量子位 出品 | 公众号 QbitAI

多年坚持为深度学习泼冷水的纽约大学心理学教授马库斯老师(Gary Marcus),今天终于写了一篇长长的文章,将自己的对深度学习的看法全面、系统地阐述了一遍。

在他长达27页(含参考文献)的文章"深度学习的批判性评价"中,马库斯回顾了深度学习这5年来的复兴历程,更重要的是,指出了深度学习目前面临的十大挑战。

这篇论文Deep Learning: A Critical Appraisal发布在arXiv上地址:http://ift.tt/2EF9hHe

Gary Marcus

马库斯身兼畅销书作家、人工智能领域创业者、纽约大学心理学和神经科学教授等多重身份,还在他的公司Geometric Intelligence被Uber收购后,在Uber担任过AI实验室的负责人。

他关于深度学习局限性的论述,可以追溯到2012年这波浪潮刚刚回归的时候。最近,他依然活跃,和LeCun辩论在哈萨比斯讲AlphaZero时提出质疑,观点都很犀利。

量子位将马库斯最新论文中的要点梳理、介绍如下(跳过了深度学习科普部分):

深度学习的局限始于我们生活中的一个反差:我们所生活的世界,数据从来都不是无限的。而依赖于深度学习的系统,通常必须泛化到它们见过的特定数据范围之外,可能是词的新发音、陌生的图像,在这些地方,数据远称不上"无限",形式证明保障高质量的能力更是局限。

我们可以认为泛化有两类,一类是已知样例之间的插值,另一类是越过训练样例边界的外推。

要让神经网络很好地泛化,通常必须有大量的数据,而且测试数据必须和训练数据相似,这样才能在旧答案之间插入新答案。在2012年Hinton带领学生们夺取ImageNet冠军的论文(Krizhevsky, Sutskever, & Hinton, 2012)中,训练一个6亿参数、65万节点的9层卷积神经网络,用了来自1000个不同类别的,大约100万个不同样例。

这样的蛮力在ImageNet那样的有限世界中很管用,所有刺激物都能被分到一个类别中。在语音识别那种稳定的世界中也不错,样例都能以一致的方式被映射到有限的语音类别上。但是,深度学习还是无法被视为人工智能的通用解决方案,这有很多原因。

现在的深度学习系统,面临着这10大挑战

1. 截至目前,深度学习依然对数据很饥渴

那些抽象的关系,人类依靠明确的定义,很容易就能学会。但深度学习不具备这种通过语言描述的清晰定义来学习抽象概念的能力,在有成千上万、上百万甚至几十亿训练样例的时候,才最好用。

在学习复杂规则这件事上,人类比深度学习系统高效得多。

Geoff Hinton也在最近的Capsule Networks论文中,表达了对深度学习系统依赖于大量标注数据这个问题的担忧。

2. 截至目前,深度学习还很肤浅,迁移能力有限

要知道,"深度学习"中的"深",指的是技术上、架构上的性质,也就是堆叠了很多隐藏层。这种"深",并不是说它对抽象的概念有深刻的理解。

比如说DeepMind在用深度强化学习玩雅达利"打砖块"游戏的那项研究说,"在240分钟的训练后,(系统)发现在墙上打一条隧道是获取胜利的最有效方法。"但实际上,系统并不知道什么是隧道、什么是墙,它所学会的,只是特定场景下的一个特例。

这可以通过迁移测试来检验,也就是给深度强化学习系统提供一些和训练环境有细微差别的场景,看它们表现如何。对场景稍加改动,比如说调整球拍的高度、在屏幕中间加一道墙,DeepMind用来打雅达利游戏的升级版算法A3C就无法应对。

系统没有学到"墙"的概念,它只是在一小类充分训练的场景中,逼近了"打破墙"这个行为。深度学习算法抽象出的模式,也通常比它们看起来更加肤浅。

3. 截至目前,深度学习还不能自然处理层级结构

乔姆斯基不断地强调,语言有着层级结构,大的结构部件是由小部件递归构成的。但是,当前大多数基于深度学习的语言模型都将句子视为词的序列。在遇到陌生的句子结构时,循环神经网络(RNN)无法系统地展示、扩展句子的递归结构。

这种情况在其他需要复杂层级结构的领域也是一样,比如规划和电机控制。

而深度学习学到的各组特征之间的关联是平面的,没有层级关系,是一个核心问题。

4. 要用深度学习搞定开放式推理,仍需努力

当系统无法呈现"John promised Mary to leave"和"John promised to leave Mary"之间的细微差别,也就无法推断出谁要离开谁,或者接下来会发生什么。

在斯坦福问答数据集SQuAD上,如果问题的答案包含在题面文本里,现在的机器阅读阅读理解系统能够很好地回答出来,但如果文本中没有,系统表现就会差很多。也就是说,现在的系统还没有像人类那样的推理能力。

虽然这方面也有一些研究,但目前还没有深度学习系统能基于现实知识来像人类那样准确地进行推理。

5. 截至目前,深度学习还不够透明

过去几年来,神经网络的"黑箱"性质一直很受关注。但是这个透明性的问题,至今没有解决,如果要把深度学习用在金融交易、医学诊断等领域,这是一个潜在的不利因素。

6. 深度学习还未与先验知识结合

很大程度上正是因为这种不同命,先验知识很难整合到深度学习系统中。

机器学习领域中有不少像Kaggle上那样的竞赛,这些竞赛通常要求参赛者在给定的数据集中取得最佳结果,问题需要的所有相关输入和输出文件都被整齐地打包好了。问题是,生活不是一场Kaggle竞赛,孩子们无法在一个字典中得到打包好的所有需要的数据,只能通过现实世界中零星的数据持续学习。

因为缺少先验知识,深度学习很难解决那些开放性问题,比如怎样修理一辆绳子缠住辐条的自行车?我应该主修数学还是神经科学?这些看似简单的问题,涉及到现实世界中大量风格迥异的知识,没有哪个数据集适用于它们。

这也说明,如果我们想让AI的认知灵活性达到人类水平,需要不同于深度学习的工具。

7、截至目前,深度学习还不能区分因果和相关关系

粗略的说,深度学习系统,学习的是输入和输出之间复杂的相关性,但是学习不到其间的因果关系。

一个深度学习系统可以很容易的学到:小孩的身高和词汇量是相互关联的。但并不掌握身高和词汇量之间的因果关系,其实我们很容易知道,长高并不见得增加词汇量,增加词汇量也不会让你长高。

因果关系在另外的AI方法中是核心因素,但深度学习这个方向上,很少有研究试图解决这个问题。

8、深度学习假定世界大体稳定,但实际上并不是这样

深度学习的这套逻辑,在高度稳定的环境下表现最佳,例如下棋这种博弈,其中的规则不会改变,但在政治和经济生活中,不变的只有改变。

如果你用深度学习去预测股价,很有可能重蹈Google用深度学习预测流感的覆辙。期初Google干得很好,但是完全没有预测到后来的流感高发季到来。

9、截至目前,深度学习只是一种近似,不能完全相信其答案

深度学习在一些特定领域表现出色,但也很容易被愚弄。

已经有很多这方面的研究了,只需要做一些简单的手脚,就能让同一副图片彻底搞蒙深度学习系统。有时候甚至不用动手脚,它们自己就能认错。

比如认错停车标志、乌龟变枪、沙丘变裸体等,你们可能都见过了。

10、截至目前,深度学习难以工程化

最后一个问题,深度学习很难稳健的实现工程化。

很难保证机器学习系统在一个新的环境下有效工作。此前Leon Bottou还把机器学习与飞机建造进行过比较,他指出虽然飞机结构复杂,但可以通过简单的系统入手逐步构建出复杂系统。机器学习系统就无法做到这一步。

而Peter Norvig也曾表示,机器学习与经典的编程相比,仍然缺乏渐进性、透明性和可调式性,这让它在实现稳健性方面面临挑战。

http://ift.tt/2CymIL4

在文章的最后,马库斯老师又提到了他2012年在《纽约客》写下的那篇略带悲壮的专栏文章《"深度学习"是人工智能领域的一次革命吗?》,欢迎回顾~

http://ift.tt/2CfKc4j

这篇文章中提到,很可能"深度学习仅仅是构建更大智能机器的一部分",尽管深度学习在语音识别、机器翻译、棋类游戏等特定领域已经出现大的进展,尽管基础设施、数据和可用算力数量的增长也让人印象深刻,但许多五年前提出的忧虑现在依然存在。

他还提到了越来越多的学者带着不同的视角面对这些问题,并开始强调类似的限制。以及早先就开始关注这些问题前辈们,比如Brenden Lake、Marco Baroni、Francois Chollet、Robin Jia、Percy Liang、Dileep George和Pieter Abbeel等人。

这些前辈中,最受关注的当属Geoff Hinton,他已经足够勇敢重新考虑自己的信仰。去年8月,Hinton在美国媒体Axios的采访中表示"深深怀疑"反向传播,并开始担心这种方法过于依赖标记数据集。同时,Hinton建议"可能必须创造全新的方法了"。

他说:"我期待这让Hinton兴奋的领域接下来会发生什么。"

他的置顶Twitter,也是对Hinton的赞同。

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复"招聘"两个字。

欢迎大家关注我们的专栏:量子位 - 知乎专栏

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复"招聘"两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态



via 量子位 - 知乎专栏 http://ift.tt/2CJztjp
RSS Feed

RSS5

IFTTT

这十大挑战,摆在DL面前:马库斯长文质疑深度学习

夏乙 若朴 安妮 编译整理量子位 出品 | 公众号 QbitAI

多年坚持为深度学习泼冷水的纽约大学心理学教授马库斯老师(Gary Marcus),今天终于写了一篇长长的文章,将自己的对深度学习的看法全面、系统地阐述了一遍。

在他长达27页(含参考文献)的文章"深度学习的批判性评价"中,马库斯回顾了深度学习这5年来的复兴历程,更重要的是,指出了深度学习目前面临的十大挑战。

这篇论文Deep Learning: A Critical Appraisal发布在arXiv上地址:http://ift.tt/2EF9hHe

Gary Marcus

马库斯身兼畅销书作家、人工智能领域创业者、纽约大学心理学和神经科学教授等多重身份,还在他的公司Geometric Intelligence被Uber收购后,在Uber担任过AI实验室的负责人。

他关于深度学习局限性的论述,可以追溯到2012年这波浪潮刚刚回归的时候。最近,他依然活跃,和LeCun辩论在哈萨比斯讲AlphaZero时提出质疑,观点都很犀利。

量子位将马库斯最新论文中的要点梳理、介绍如下(跳过了深度学习科普部分):

深度学习的局限始于我们生活中的一个反差:我们所生活的世界,数据从来都不是无限的。而依赖于深度学习的系统,通常必须泛化到它们见过的特定数据范围之外,可能是词的新发音、陌生的图像,在这些地方,数据远称不上"无限",形式证明保障高质量的能力更是局限。

我们可以认为泛化有两类,一类是已知样例之间的插值,另一类是越过训练样例边界的外推。

要让神经网络很好地泛化,通常必须有大量的数据,而且测试数据必须和训练数据相似,这样才能在旧答案之间插入新答案。在2012年Hinton带领学生们夺取ImageNet冠军的论文(Krizhevsky, Sutskever, & Hinton, 2012)中,训练一个6亿参数、65万节点的9层卷积神经网络,用了来自1000个不同类别的,大约100万个不同样例。

这样的蛮力在ImageNet那样的有限世界中很管用,所有刺激物都能被分到一个类别中。在语音识别那种稳定的世界中也不错,样例都能以一致的方式被映射到有限的语音类别上。但是,深度学习还是无法被视为人工智能的通用解决方案,这有很多原因。

现在的深度学习系统,面临着这10大挑战

1. 截至目前,深度学习依然对数据很饥渴

那些抽象的关系,人类依靠明确的定义,很容易就能学会。但深度学习不具备这种通过语言描述的清晰定义来学习抽象概念的能力,在有成千上万、上百万甚至几十亿训练样例的时候,才最好用。

在学习复杂规则这件事上,人类比深度学习系统高效得多。

Geoff Hinton也在最近的Capsule Networks论文中,表达了对深度学习系统依赖于大量标注数据这个问题的担忧。

2. 截至目前,深度学习还很肤浅,迁移能力有限

要知道,"深度学习"中的"深",指的是技术上、架构上的性质,也就是堆叠了很多隐藏层。这种"深",并不是说它对抽象的概念有深刻的理解。

比如说DeepMind在用深度强化学习玩雅达利"打砖块"游戏的那项研究说,"在240分钟的训练后,(系统)发现在墙上打一条隧道是获取胜利的最有效方法。"但实际上,系统并不知道什么是隧道、什么是墙,它所学会的,只是特定场景下的一个特例。

这可以通过迁移测试来检验,也就是给深度强化学习系统提供一些和训练环境有细微差别的场景,看它们表现如何。对场景稍加改动,比如说调整球拍的高度、在屏幕中间加一道墙,DeepMind用来打雅达利游戏的升级版算法A3C就无法应对。

系统没有学到"墙"的概念,它只是在一小类充分训练的场景中,逼近了"打破墙"这个行为。深度学习算法抽象出的模式,也通常比它们看起来更加肤浅。

3. 截至目前,深度学习还不能自然处理层级结构

乔姆斯基不断地强调,语言有着层级结构,大的结构部件是由小部件递归构成的。但是,当前大多数基于深度学习的语言模型都将句子视为词的序列。在遇到陌生的句子结构时,循环神经网络(RNN)无法系统地展示、扩展句子的递归结构。

这种情况在其他需要复杂层级结构的领域也是一样,比如规划和电机控制。

而深度学习学到的各组特征之间的关联是平面的,没有层级关系,是一个核心问题。

4. 要用深度学习搞定开放式推理,仍需努力

当系统无法呈现"John promised Mary to leave"和"John promised to leave Mary"之间的细微差别,也就无法推断出谁要离开谁,或者接下来会发生什么。

在斯坦福问答数据集SQuAD上,如果问题的答案包含在题面文本里,现在的机器阅读阅读理解系统能够很好地回答出来,但如果文本中没有,系统表现就会差很多。也就是说,现在的系统还没有像人类那样的推理能力。

虽然这方面也有一些研究,但目前还没有深度学习系统能基于现实知识来像人类那样准确地进行推理。

5. 截至目前,深度学习还不够透明

过去几年来,神经网络的"黑箱"性质一直很受关注。但是这个透明性的问题,至今没有解决,如果要把深度学习用在金融交易、医学诊断等领域,这是一个潜在的不利因素。

6. 深度学习还未与先验知识结合

很大程度上正是因为这种不同命,先验知识很难整合到深度学习系统中。

机器学习领域中有不少像Kaggle上那样的竞赛,这些竞赛通常要求参赛者在给定的数据集中取得最佳结果,问题需要的所有相关输入和输出文件都被整齐地打包好了。问题是,生活不是一场Kaggle竞赛,孩子们无法在一个字典中得到打包好的所有需要的数据,只能通过现实世界中零星的数据持续学习。

因为缺少先验知识,深度学习很难解决那些开放性问题,比如怎样修理一辆绳子缠住辐条的自行车?我应该主修数学还是神经科学?这些看似简单的问题,涉及到现实世界中大量风格迥异的知识,没有哪个数据集适用于它们。

这也说明,如果我们想让AI的认知灵活性达到人类水平,需要不同于深度学习的工具。

7、截至目前,深度学习还不能区分因果和相关关系

粗略的说,深度学习系统,学习的是输入和输出之间复杂的相关性,但是学习不到其间的因果关系。

一个深度学习系统可以很容易的学到:小孩的身高和词汇量是相互关联的。但并不掌握身高和词汇量之间的因果关系,其实我们很容易知道,长高并不见得增加词汇量,增加词汇量也不会让你长高。

因果关系在另外的AI方法中是核心因素,但深度学习这个方向上,很少有研究试图解决这个问题。

8、深度学习假定世界大体稳定,但实际上并不是这样

深度学习的这套逻辑,在高度稳定的环境下表现最佳,例如下棋这种博弈,其中的规则不会改变,但在政治和经济生活中,不变的只有改变。

如果你用深度学习去预测股价,很有可能重蹈Google用深度学习预测流感的覆辙。期初Google干得很好,但是完全没有预测到后来的流感高发季到来。

9、截至目前,深度学习只是一种近似,不能完全相信其答案

深度学习在一些特定领域表现出色,但也很容易被愚弄。

已经有很多这方面的研究了,只需要做一些简单的手脚,就能让同一副图片彻底搞蒙深度学习系统。有时候甚至不用动手脚,它们自己就能认错。

比如认错停车标志、乌龟变枪、沙丘变裸体等,你们可能都见过了。

10、截至目前,深度学习难以工程化

最后一个问题,深度学习很难稳健的实现工程化。

很难保证机器学习系统在一个新的环境下有效工作。此前Leon Bottou还把机器学习与飞机建造进行过比较,他指出虽然飞机结构复杂,但可以通过简单的系统入手逐步构建出复杂系统。机器学习系统就无法做到这一步。

而Peter Norvig也曾表示,机器学习与经典的编程相比,仍然缺乏渐进性、透明性和可调式性,这让它在实现稳健性方面面临挑战。

http://ift.tt/2CymIL4

在文章的最后,马库斯老师又提到了他2012年在《纽约客》写下的那篇略带悲壮的专栏文章《"深度学习"是人工智能领域的一次革命吗?》,欢迎回顾~

http://ift.tt/2CfKc4j

这篇文章中提到,很可能"深度学习仅仅是构建更大智能机器的一部分",尽管深度学习在语音识别、机器翻译、棋类游戏等特定领域已经出现大的进展,尽管基础设施、数据和可用算力数量的增长也让人印象深刻,但许多五年前提出的忧虑现在依然存在。

他还提到了越来越多的学者带着不同的视角面对这些问题,并开始强调类似的限制。以及早先就开始关注这些问题前辈们,比如Brenden Lake、Marco Baroni、Francois Chollet、Robin Jia、Percy Liang、Dileep George和Pieter Abbeel等人。

这些前辈中,最受关注的当属Geoff Hinton,他已经足够勇敢重新考虑自己的信仰。去年8月,Hinton在美国媒体Axios的采访中表示"深深怀疑"反向传播,并开始担心这种方法过于依赖标记数据集。同时,Hinton建议"可能必须创造全新的方法了"。

他说:"我期待这让Hinton兴奋的领域接下来会发生什么。"

他的置顶Twitter,也是对Hinton的赞同。

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复"招聘"两个字。

欢迎大家关注我们的专栏:量子位 - 知乎专栏

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复"招聘"两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态



via 量子位 - 知乎专栏 http://ift.tt/2CJztjp
RSS Feed

RSS5

IFTTT

LangChain 彻底重写:从开源副业到独角兽,一次“核心迁移”干到 12.5 亿估值 -InfoQ 每周精要No.899期

「每周精要」 NO. 899 2025/10/25 头条 HEADLINE LangChain 彻底重写:从开源副业到独角兽,一次"核心迁移"干到 12.5 亿估值 精选 SELECTED 1000 行代码手搓 OpenAI gpt-oss 推理引...