除了口罩成為生活必需品,進(jìn)出一些場所必須掃健康碼,在中國,我們其實(shí)已經(jīng)不太容易感受到新冠疫情的存在了。
但是,張文宏醫(yī)生最近談疫情的頻率卻變高了。只不過,他現(xiàn)在談的不是疾病,而是疫苗。我們能夠明顯感覺到,張文宏醫(yī)生對于目前中國疫苗的普及速度非常擔(dān)憂。
他的擔(dān)憂的來自這樣一個判斷:
一種全球性流行病的終結(jié),疫苗是最靠譜的手段。
對于新冠疫情而言,至少要達(dá)到70%的疫苗防護(hù)率,才足以構(gòu)成有效免疫屏障。考慮到疫苗的防護(hù)率不是100%,如果按照90%計算,或許只有理想的接種率達(dá)到80%以上,才能真正實(shí)現(xiàn)群體免疫。
與之相比,目前中國的實(shí)際情況是,疫苗普及率還不到10%。
因此接下來可能會出現(xiàn)這樣一種情況:當(dāng)經(jīng)濟(jì)發(fā)達(dá)國家在今年底,通過疫苗完成免疫屏障,從而開放國門時,我們可能因?yàn)槎鄶?shù)人還沒有免疫能力,只能繼續(xù)封鎖邊境。
疫苗的倒掛,就會變成疫情的倒掛。我們前期疫情防控做的好,階段性自由;后期別人疫苗普及率更高,長期自由。
這種擔(dān)憂其實(shí)正在成為現(xiàn)實(shí),拿全球疫苗普及率最高的以色列來說,聽說已經(jīng)打算開放郵輪旅游了。
張醫(yī)生已經(jīng)把道理說的很清楚了。所以我在這里不打算強(qiáng)調(diào)疫苗的重要性。
而普遍大眾對疫苗的擔(dān)心,其實(shí)是一種普遍現(xiàn)象——說到底,我們對不同事物的潛在傷害,有不同的評估權(quán)重。
就拿開車來說,根據(jù)世衛(wèi)組織在2018年12月發(fā)布的《道路交通傷害》報告,全球每年有135萬人死于道路交通事故。
具體到國家,中國是每年6萬人,美國是每年4萬人。
而新冠疫情出現(xiàn)以來,全球造成的死亡人數(shù)是6萬人,是一個國家的交通事故死亡人數(shù)水平,是全球數(shù)字的5%。
但新冠疫情對我們心靈所造成的恐慌,和對實(shí)際經(jīng)濟(jì)情況所造成的損失,要遠(yuǎn)遠(yuǎn)大于交通事故。
新冠疫苗在全球注射以來,確實(shí)人群會有一些不良反應(yīng)。在有些國家,甚至有注射后死亡的案例(不過,無法確定是疫苗造成的問題,還是人本身就有疾病在身)。
總體而言,這個數(shù)字比例是很低的。然而,似乎人們對疫苗安全性產(chǎn)生的擔(dān)心,甚至超過了對新冠疾病的擔(dān)心,這一點(diǎn)從國內(nèi)5%的普及率就看得出來了。
究其原因,其實(shí)是「不可控」三個字。
我們對于可控的事情,即使其危險,也會比較淡定。但對于不可控的事情,即使其不危險,也會產(chǎn)生焦慮。
我們還是舉交通的例子,全球百萬人死亡的交通事故,是人類司機(jī)造成的,可我們對此熟視無睹。然而只要有一起AI自動駕駛汽車造成人類死亡,我們就會陷入嚴(yán)重恐慌。
因?yàn)槲覀儗θ耸鞘煜さ?,對于機(jī)器是陌生的。
同樣,我們對于新冠疫情是熟悉的,但對于新冠疫苗是陌生。
我猜,張文宏醫(yī)生的憂慮還會持續(xù)下去。而解決問題的辦法,似乎也只有一個,要在全社會建立大家對疫苗的熟悉感。
不僅是疫苗有效率的熟悉感,也包括不良反應(yīng)的熟悉感。
如果有一天,大家不需要通過向周圍人打聽,才知道打了疫苗會有啥不正常的時候,大家也就可以安心的打疫苗了。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊(duì)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(shí)驗(yàn)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(jì)大學(xué)團(tuán)隊(duì)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(jī)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(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)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(tuán)隊(duì)通過對比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過強(qiáng)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(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)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(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實(shí)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(yàn)證有效性。