万物皆可元宇宙?警惕资本炒作,识破韭菜骗局

 

要说近两年来最热门的科技话题,其中必然有“元宇宙”一词,从国外的微软打造企业元宇宙、脸书改名为Meta,到国内腾讯、字节、百度、阿里等多家头部企业争先涌入, 2021年被业内戏称为“元宇宙元年”。

尽管“元宇宙”一词炒得火热,但业界至今都没有对该词的统一定义。“元宇宙(Metaverse)”一词最早来源于Neal Stephenson在1992年出版的小说《雪崩》,维基百科对其的定义为:通过虚拟增强的物理现实和物理上持久的虚拟空间的融合而创建的集体虚拟共享空间。

那么一个早在1992年就提出了的概念,为什么又在近两年突然火了?元宇宙的突然爆火其实背后原因复杂,一部分原因是由于科学技术的发展拓展了人们的想象空间,以及近两年新冠肺炎疫情在全球范围的影响加长了人们生活中使用互联网时间,但更主要的原因是来自资本的炒作。2021年资本市场对其表现得异常火热,多家头部企业的涌入让元宇宙相关概念股热度持续升温,最终将“元宇宙”这一原本边缘的词汇炒作成火爆投资界、科技界的新概念。

热归热,但其实“元宇宙”本身仅仅只是一个概念并无技术可言,目前元宇宙的实现基础是将其余相关的最新技术整合起来,而且其中涉及到的技术种类众多,这些技术中的任何一项没有达到元宇宙所需的标准,都会制约整体的应用水平,甚至整个产业的发展。

首先,元宇宙的概念核心在于无处不在的交互,有交互就会产生海量的实时数据,5G通讯虽然在技术上已经较为成熟,但距离普及应用还有待更大范围推广,能否满足如此高带宽、高并发的时事通讯也难以保障。其次,元宇宙运算的方式非常依赖于云计算,这类算法算力要求巨大且要求超低功耗,目前主流的短测计算芯片和现实设备中的芯片均无法满足如此严苛的技术指标。另外,在满足用户沉浸式体验的现实技术层面,目前的VR、AR、MR设备的视场角、分辨率、刷新率、控制方式、输入输出方式等距离元宇宙要达到的“完全沉浸感”还相差甚远。综上来看,元宇宙现阶段只能停留在人们的想象中,要真的实现可谓是遥遥无期。

虽然难以实现,但是阻止不了资本的涌入,2021年“元宇宙+”突然开始席卷各行各业,就连美妆等一众和科技毫不相干的企业也闻味赶来,据悉已有超过400家企业抢注元宇宙相关商标。如今的元宇宙早已不是最初的概念这么简单,更多的已经成为了一种资本用于捆绑营销的噱头,人人都想从里头分一杯羹。正是由于这些多方资本的涌入,让其变得愈发鱼龙混杂,资本割韭菜、信息窃取、版权纠葛……元宇宙还没实现,关于元宇宙的诸多乱象就已经争先出现。

资本为了割韭菜,现实炒房还不够,借机把手伸向了元宇宙的世界炒房。据悉2021年下半年,在元宇宙热度最火的时候,国外的一片元宇宙虚拟地块的价格甚至已经超过了北京的一套别墅,连歌手林俊杰也加入了元宇宙炒房行列,以约50万元人民币的价格购买了三块虚拟地皮。然而短短半年时间,元宇宙平台的虚拟土地价格平均下跌了85%,林俊杰购买的地皮也从50万元人民币的估值一路跌破了9.75万元。随着全球加密资产的暴跌,元宇宙虚拟房产最后也成了击鼓传花的游戏,加之国内政策的严格监管和市场对虚拟房地产的不认可,让其很快被市场抛弃。

在技术安全层面,元宇宙现阶段存在很大的用户信息安全风险。由于元宇宙极大程度的依赖于对用户或周围环境的数据捕获和处理,人们每日产生的所有相关数据都会通过元宇宙平台,每一次娱乐消费、对话内容会组成一个庞大的数据体系,这些数据全都掌握在资本方手里,因此个人信息被数据化后也更容易复制、窃取、操控。在今年2月,Meta就因涉嫌非法采集面部信息被起诉,其中指出Meta的社交平台在未经过用户同意的情况下,从平台上的照片及视频中采集了大量用户面部扫描数据,最终Meta以支付6.5亿美金的赔偿来为其非法窃取用户信息的行为买单。

除此之外,数字藏品作为元宇宙的一个重要分支,在知识产权的问题上也频繁地出现争议。在今年的4月20日,杭州互联网法院对原告奇策公司与被告某科技公司侵害作品信息网络传播纠纷一案做开庭审判,这也是“元宇宙侵权第一案”。当然,实际的元宇宙侵权行为远不止这一例,部分NFT交易平台拍卖的数字产品并未获得相应资质,涉嫌引诱用户投机炒作,扰乱正常交易秩序。

目前元宇宙产业还只在发展初期,就已然出现了各类营销骗局,诸多打着元宇宙头号的灰色产业盛行,未来随着元宇宙的发展,又是否会有更多的骗局拿元宇宙做挡箭牌?目前有关元宇宙的投资规模巨大,多方公司涌入,利益关系复杂,已经处在高风险、低收益的状态,如果相关投资被非理性利用,我们需要警惕投机“泡沫”。

总的来说,关于元宇宙的讨论仍在持续,无论是看好元宇宙未来发展前景,还是对元宇宙的实现充满质疑,元宇宙目前都还离我们十分遥远,与其蹭热度、搞噱头,不如脚踏实地的发展科技技术。最后借用人民日报中的一句评论“正如不论虚拟现实、增强现实还是混合现实,中心词都是现实,这也预示着离开了现实的支撑,终归是海市蜃楼无本之木。”

本文转载于公共号:BFT机器人  更多机器人信息请关注~
原创文章已获得转载许可

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值