13年前,發(fā)明了葛優(yōu)躺的葛大爺為中國移動的神州行品牌,拍了一只當時很出名的廣告。
廣告的其中一段詞是這樣說的:
“就說這手機卡,有一說一啊,我不挑號,號好不好是虛的,我挑卡!神州行,是吧,用的人多!這就跟進飯館兒一樣,一條街上,哪家人多我進哪家!神州行,聽說將近兩億人用,我……相信群眾!神州行,我看行!”
群眾聽了葛優(yōu)的話說,在廣告里回應:對,信葛優(yōu),不信忽悠。
十幾年后,葛優(yōu)的預言成真了,群眾的意見,真的成了影響一個飯館生意好壞的決定因素。
但我們不用去街邊看群眾意見了,拿出手機就可以。
時代在變化,相比葛大爺還在拍電視劇的當年,當產(chǎn)品、服務供給已經(jīng)過剩,線下看顧客流量的時間成本實在太高,我們不用去街邊看哪家店人群眾更喜歡,在網(wǎng)上就可以輕松看出哪家店的群眾留言更多,好評更多,這些店就是“群眾的選擇”。
無論是出差還是旅行,甚至在屋里點一份外賣,這些留言、評論組成的星級,果然成了我們選擇飯館的標準,葛大爺說對了。
我們的行為當然是非常合理的,我們總不能選擇口碑差的飯館吧。
但是,我們的行為無形中賦予了一種人極大的權力,他們就是——話嘮。
說「話嘮」之前,我們先講與話嘮對應的另外一部分人群,他們則是——「沉默的大多數(shù)」。
沉默的大多數(shù),代表多數(shù)的你我,大家可以看自己周圍的例子,有多少人愿意在社交平臺上,去寫一大段評論,點擊評級,去評價一個飯館,其實很少。
我們就是這些沉默的絕大多數(shù),在數(shù)字世界,我們只是“網(wǎng)絡評價”的閱讀者,而不是評價者。
而話嘮,就是不沉默的少數(shù)人,他們和我們不同,他們愿意當評價者。
這些少數(shù)人,決定了一個個飯館的口碑高低。
而話嘮決定的不止是飯館的評價,某種程度,他們還在統(tǒng)治世界。
沉默的大多數(shù)沉默的原因有很多,一種情況是懶于參與公眾意見,另外一種則是因為他們小心謹慎。
謹慎的原因也有很多,他們覺得自己可能會犯錯,只能代表個人看法,或者擔心引來專業(yè)人士的嘲笑。
而話嘮不是這樣的,話嘮對于網(wǎng)絡發(fā)聲很勤勞,他們相信自己的正確性,如果話嘮覺得別人和自己說的不一樣,原因通常只有一個,那就是對方太蠢。
沉默的人保持沉默,話嘮持續(xù)發(fā)聲。
久而久之,在網(wǎng)絡世界中,看似能代表所有人的評價體系,并非所有人,他們只是話嘮。
話嘮的聲音,即使是錯誤的,也會蓋過正確的,因為即使是正確的聲音,如果沉默不語,還有什么用呢?
在這個世界,講錯不怕,但怕不講。
美譽度不重要,聲量度才重要。
因為聲量大,長期看,相信的人總會越來越多。
所以,電梯里的分鐘廣告越來越喜歡重復的念商標,它們也是話嘮。
于是,話嘮的權力越來越大,沉默者的權力越來越小。
在大洋彼岸就有好例子:
當總統(tǒng),或者想當總統(tǒng),發(fā)推文最重要;沉默的族群,從來都被所忽視,因為反正他們“只愛看公號不愛去投票”。
廣告里,葛優(yōu)說,相信群眾。群眾說,信葛優(yōu),不信忽悠。
群眾可能錯了,因為在這個時代,信群眾,就是信話嘮,就可能是在信忽悠。
一千個人眼里,有一千個哈姆雷特?
不不不,只要有一千個人都說哈士奇是哈姆雷特,那哈士奇就是哈姆雷特。
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。該技術利用圖像間的不變幾何關系,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,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的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,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。