閉上眼睛,想象一下城市中的典型街道環(huán)境——您的腦海中浮現(xiàn)出了怎樣的場景?
對大多數(shù)人來說,出現(xiàn)的應(yīng)該都是無緣熟悉的場景:幾條車道,兩側(cè)是成排密集停放的汽車。狹窄的人行道被隔離在外,把行人、慢跑者、游客、通勤者、家長、寵物主、市政工人以及攤販等大多數(shù)人類活動擠壓在非常有限的空間之內(nèi)。
過去一百年中,隨著尾氣、內(nèi)燃機與數(shù)千萬平方米停車場的發(fā)展變化,城市的面貌也由此塑造而來,并在世界范圍內(nèi)成為統(tǒng)一甚至不容置疑的標準思路。
然而,在新世紀與疫情的雙重沖擊之下,第三條道的時代已經(jīng)逐漸來臨。這是一種前所未有的公共空間創(chuàng)新使用方式,為我們熟悉的人車二分之外開辟出新的規(guī)范。
當然,從表面上看,其中的思路似乎非常簡單。只要消除停車場并縮窄車道,我們就能留出必要的空間以容納輕型、人類尺寸的小型機動車輛,例如電動踏板車。
但事情絕不這么簡單,只有深入理解了其中的含義,我們才能真正理解第三條道的重要性,特別是其如何重新定義我們對于城市以及市政公共空間的理解。
第三條道與新的機動通路
首先,第三條道代表著身體活動的自由。世界各地市政部門早已意識到自行車與踏板車(形體與人類相當?shù)妮d具)在城市中的行駛速度高于汽車及摩托車。它們更輕便、更靈巧、更精簡,能夠大大緩解城市街道上的普遍交通擁堵。另外,它們也更容易停放,而將體形龐大的笨重車輛與小巧敏捷的車輛明確區(qū)分開來,能夠顯著強化這種優(yōu)勢。在城市考慮建造第三條道時,也相當于將投資用于在城市環(huán)境中規(guī)模更加緊湊的速度及運行規(guī)模,最終有助于提升市民的行動自由能力。
第三條道與經(jīng)濟機遇
第三條道帶來的不僅是機動性的提升,同時也能夠以多種方式帶動當?shù)亟?jīng)濟以及小型企業(yè)。
微型載具能夠便捷地把民眾送往當?shù)馗魃痰昙安蛷d。在最近一次調(diào)查中,受訪騎手中約有50%表示最近一次騎行找目的地是餐廳或購物中心。此外,有70%的騎手表示他們正是因為有了這種便捷的出行方式才愿意前往商業(yè)場所。
與微出行相結(jié)合,第三條道還將騎手與就業(yè)機會聯(lián)系起來。微型載具不僅增加了公共交通站點的可及性,同時也在傳統(tǒng)上未得到公共交通覆蓋的區(qū)域提供新的出行選擇,以及安全、便捷的出行路線。例如,芝加哥當?shù)氐难芯咳藛T發(fā)現(xiàn),與純粹的步行或駕駛相比,電動踏板車能夠在30分鐘內(nèi)實現(xiàn)16%的工作場所往來效率提升。在邁阿密,一項類似的研究也發(fā)現(xiàn),微型載具能夠在不延長當前通勤時間的前提下,將人們適合選擇的工作崗位增加40%。
當然,第三條道對于當?shù)亟?jīng)濟最大的影響,其實與道路本身并無關(guān)系。相反,其核心意義在于影響市政對于公共空間利用以及公共空間回收的具體思路。從舊金山到馬賽,全球無數(shù)城市的決策者正在針對COVID-19疫情影響調(diào)整街道與人行道的實際用途,以便為餐廳顧客提供充足的用餐空間,同時始終保持適當?shù)纳缃痪嚯x。如今,很多毫無樂趣可言的停車位已經(jīng)被改造成熱門的商業(yè)及娛樂中心,市民們也意識到這確實能夠給自己帶來巨大的感受提升。
第三條道為城市的發(fā)展指明了新的方向——換言之,當沒有了汽車,城市可能反而會重新煥發(fā)出以人和企業(yè)為主體的生命力。
第三條道與社會公平
除了效率性與經(jīng)濟性之外,第三條道的最大優(yōu)勢還在于其擁有促進社會公平的內(nèi)在潛力。
在全世界,特別是在美國,家庭汽車保有量仍然與收入水平緊密相關(guān)。一般來說,家庭收入越多,家中擁有一輛或者多輛汽車的可能性就越大。因此,住宅周邊就需要更多機動車道與停車場,這會進一步將低收入社群及缺少市政服務(wù)的人群排擠出去。
最近在《Transportation Research: Part A》中發(fā)表的一項研究發(fā)現(xiàn),電動踏板車不僅擁有更強的交通工具屬性,同時也在更廣泛的群體中擁有吸引力及可行性。這是個令人振奮的開始,突顯出電動踏板車的發(fā)展?jié)摿?,包括幫助更多人在城市?nèi)獲得公平的交通資源。而目前缺少的最大前提,就是受到妥善保護且路況良好的第三條道。
因此,以當前的疫情為契機,重新考量傳統(tǒng)交通規(guī)范并回收寶貴的城市街道空間十分必要。隨著汽車主導(dǎo)型城市在可持續(xù)性層面的逐漸崩潰,更加公平高效的城市交通必將占領(lǐng)新的高地,而其中的先鋒正是這“第三條道”。
好文章,需要你的鼓勵
新加坡國立大學(xué)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(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)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(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)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(xué)習(xí)和數(shù)學(xué)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(xué)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)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(xùn)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(xùn)練效率,已在多個任務(wù)上驗證有效性。