作者 | 高飛
編輯 | 晚晚
來源 | 奇客故事(cybergushi)
疫情期間,以往的線下活動都改在線上進行。不過在具體怎么辦線上活動的問題上,多數(shù)人的思路是這樣的:第一在場景陳設(shè)上,要盡可能像線下,從大會背板到PPT播放;其次在活動流程上,盡可能像線下,從嘉賓出場到會議日程。
不過昨天的蘋果WWDC2020這場線上活動改變了這些慣性思維認知。它把發(fā)布會搞成了一部電影,或者是一場秀。從長鏡頭的大量運用,到人物走位,和舞臺布光。蘋果明確的區(qū)分了線上和線下活動,兩者之間是有完全不同的視覺體驗。
如果我們把傳統(tǒng)線上活動是比喻成一個真實的“物”,那么傳統(tǒng)線上辦會思路,就是讓線上數(shù)字會議的“虛擬體驗”,盡可能“像線下”的“會”,也就是讓“虛”去擬真實的“物”——擬物。
蘋果的辦會思路是這樣的,既然“虛”(線上會議)怎么擬“物”(線下會議),也不可能讓“虛”變成“物”。那么不如讓“虛”自成風格,不必拘泥于“物”的約束。
為了讓大家理解蘋果拋棄真實線下會議體驗的思路,我會講一個蘋果的UI設(shè)計風格改變的小故事,因為那也是拋棄擬物的過程。
在喬布斯時代,蘋果的UI設(shè)計風格,是擬物的。比如播放器的圖標,要很像一個真實的錄音機,日歷的圖標,要真的很像一個臺歷。但是從已經(jīng)卸任的蘋果上任首席設(shè)計師喬納森·伊夫接手蘋果產(chǎn)品設(shè)計大權(quán)開始,蘋果就由擬物設(shè)計風格,改成了扁平化設(shè)計風格。大家可以看一下這兩個計算器的設(shè)計區(qū)別。
左邊就是擬物設(shè)計,右邊就是扁平化設(shè)計。擬物計算器,最典型的特征就是顯示屏部分的顏色,仿真了計算器液晶屏效果。右邊的計算器就是扁平化設(shè)計風格。擬物的好處是讓用慣了計算器的人,看到這個界面很親切。但是為了這樣的仿真,擬物化其實犧牲了用戶體驗。與扁平化設(shè)計相比,擬物的計算器,顯示空間局促不利于顯示,數(shù)字鍵盤面積小不利于觸碰。
也就是說,擬物風格,為了遷就人們對真實世界的熟悉感,犧牲了數(shù)字設(shè)計原本應該提供的便利。更何況,當越來越多的人,可能根本就不用(對于小孩子甚至是沒用過)真實計算器的時候,這種對“擬物”的熟悉感,還會有多大的價值呢?
不過這種設(shè)計風格,在當年可是被嘲笑的。下邊這條微博是七年前的,多次轉(zhuǎn)發(fā)、保存之后,已經(jīng)非常不清晰。內(nèi)容是當蘋果發(fā)布扁平化設(shè)計風格產(chǎn)品之后,現(xiàn)在大帶貨主播羅永浩就轉(zhuǎn)發(fā)了一條網(wǎng)友微博,痛斥蘋果的設(shè)計風格走的是一條邪路。
但是七年過去了,大家可以打開自己的手機看看圖標,到底什么才是正道,什么才是邪路。
我們再說回到蘋果的發(fā)布會。
疫情帶來的影響還在持續(xù),甚至持續(xù)數(shù)年。線上活動,特別是涉及全球觀眾的線上活動,將注定成為主流。我覺得蘋果WWDC 2020提供了一個范本,讓大家重新開始思考線上會議的組織方式:線下活動不應該拘泥于如何更像真實的舞臺,而是要考慮如何充分利用線上特點,讓虛擬會議體驗自成一派。
不過最后也必須要補充一點的是,讓“虛擬會議”自成一派,不比簡單的“擬物”辦會簡單,甚至花錢更多。蘋果的預算恐怕不是一般企業(yè)可以比的。但是法乎上,得其中,辦會思路的轉(zhuǎn)變恐怕是必然的,而且蘋果的辦會思路也不確定是最終的答案。我們能確定的是,疫情之下,要轉(zhuǎn)變思路的地方,又何止辦會這一件事?
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。