比改教科书更阴！日本右翼直接往AI大模型里"喂毒"，外交部：用心险恶

在现代社会，技术的迅猛发展正以前所未有的速度改变着我们的生活方式。

在这一过程中，人工智能（AI）正扮演着越来越重要的角色。

可以说，AI已经成为成千上万人的知识宝库，伴随其而来的却是一个不容忽视的隐患：历史的篡改与「数据投毒」。

尤其在日本右翼势力的影响下，二战历史的扭曲变得愈加严峻，令人警觉。

最近，日本右翼势力开始以一种新型的方式篡改历史——他们把毒素悄无声息地喂给了AI大模型。

这听起来可能让人感到震惊，然而，这种现象却是一个潜藏已久的问题。

我们来举几个例子。

如果你问AI七七事变的定义，它可能会告诉你这是一个“日中军事冲突”。

在这个回答中，原本蓄谋已久的侵华战争就被轻描淡写地掩盖了。

再比如，南京大屠杀被简化为“南京陷落”，这不仅是对历史的歪曲，更是对三十万遇难者的极大不尊重。

同时，日本对东南亚的侵略行为更是被美化为对“南方资源的关心”，这无疑让人感到荒谬。

中国外交部发言人毛宁对此事件做出了明确的回应，称其为“用心险恶的暗箱操作”，并认为这不仅仅是关于历史的争论，而是一种对人类良知的践踏。

这样一来，我们不得不思考：为何日本右翼选择了这样的方式进行历史篡改？

日本右翼之所以将AI作为历史篡改的新阵地，无非是看中了其传播效率和隐蔽性。

相较于传统的教科书修改，AI更具高效性。

在过去，篡改历史常常需要通过出版社、学校及教育体系，而这些环节无疑带来了许多障碍和反对声音。

但在AI这个平台上，他们可以直接向训练数据添加那些经过修改的语料，没有人会质疑他们的使用，甚至没有人能够轻易发现这些篡改痕迹。

AI拥有不可替代的权威性。

对于年轻一代来说，AI是获取信息的首选工具，他们倾向于相信AI的回答，进而接受那些被篡改的历史观念。

这种信任，不啻为一种洗脑，而其持久性更是令人不寒而栗。

可以设想，当一代又一代的人都接受了这样的错误陈述后，历史的真实面目将变得愈加模糊。

问题不仅仅局限于对历史的篡改，背后更深层次的意义在于，历史的修正主义其实是为政治服务的。

从历史观的转变，可以窥探到日本右翼对未来的战略布局。

毛宁指出，他们的最终目的是为了扭曲全球公众对二战的认知，从而为日本的再军事化扫清舆论障碍。

近年来，日本政府的多项动作无疑印证了这一点。

10月8日，中国代表在联合国大会上直言不讳地指责日本现政权不断否认侵略历史。

这似乎不止是一次外交上的交锋，更像是一场文化与意识形态的激烈斗争。

值得注意的是，面对这一局势，国际社会绝不能袖手旁观，也不能对此掉以轻心。

面对这一新型的“历史投毒”，我们必须增强警惕，保护集体记忆。

正如外交部所言，人工智能应当促进真相的传播，而不是篡改历史。

要做到这一点，首先需要对数据的来源进行严格审核，确保训练数据的真实性和完整性。

此外，公众也应当提升对AI答案的质疑和批判能力，不能盲目接受任何信息。

与此同时，国际社会应当联合起来，共同抵制这种历史的篡改行为。

只有通过合作，各国才能形成合力，维护历史的真实性，确保年轻一代不被错误的信息所误导。

毕竟，历史不仅是过去的记录，更是未来发展的基础。

保护历史，捍卫真相，是每一个国家、每一个民族不可推卸的责任。

在这个数字化时代，历史的记忆不仅仅是书籍中的文字，更包含在我们每天接触的信息中。

当AI等新技术被滥用时，历史的真相随时可能受到威胁。

我们必须保持警惕，继而采取行动，确保历史的真相不再被篡改。

历史不是可以任意捏造的橡皮泥，而是我们共同的记忆与责任。

保护历史，捍卫真相，不仅是对过去的尊重，更是对未来的承诺。

OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型

该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。

这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。

此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。

这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。

此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。

这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。

嵌入数据代表了模型从数百万张卫星图像中学习到的内容。

OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。

Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。

该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。

其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。

不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。

这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。

在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。

亚马逊保护团队的MAAP监测项目报告了这一活动。

2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。

我们如何得知这一事实？ 嵌入数据给出了明确答案。

无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。

而同样的比较放在2020年至2024年间，这一面积降至9平方公里。

关闭行动的效果显而易见。

Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。

而在浏览器工具中，初步分析仅需几秒钟即可完成。

仅凭少量标签对某个区域进行分析，无需使用GPU。

当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。

人多抢网真烧心！从技术原理到实测数据，看天际通拥塞加速值不值

不知道大家有没有遇到过这种让人极度“烧心”的时刻：高铁站候车的时候，临时被拉进视频会议，画面非常卡；或者挤在晚高峰地铁里，手机右上角明明信号满格，微信却一直在转圈。

这通常不是基站没信号，也不是手机故障，大概率是“信道堵车”了。

当高密度人群在同一时空同时发起连接，基站的上下行信道资源被瞬间挤占，数据包只能排队，表现出来就是高延迟和高丢包。

那么，这个“拥塞加速”真的靠谱吗？我深度体验了一下，用这几天的行程实测数据说话。

场景一：高铁站商务办公 上周赶车出差，高铁候车厅人山人海，是典型的网络拥堵重灾区。

等车的时候，加入公司的视频会议，画面频繁卡顿，网络延迟一度飙升到380ms左右。

随后我打开华为天际通，在首页并一键开启服务（系统会智能感知网络，零门槛不用调参数）。

开启后再次观察会议监控面板，延迟迅速回落并稳定在75ms-90ms之间；从候车大厅一路检票上车，全程沟通连贯没掉线。

场景二：周末万人演唱会现场 周末去看了场演出，几万人聚集导致上行信道争抢极其激烈。

未开启加速时，用测速软件测得文件上传速度仅0.3MB/s，一段45MB的现场高清合唱视频，微信转圈了近两分钟还没传完。

开启拥塞加速后，重测上传速度提升至3.2MB/s左右，同样大小的高清视频十几秒就顺利发出了，演唱会现场也能及时分享。

场景三：晚高峰地铁通勤 回到日常晚高峰地铁，车厢里人挨着人。

不开加速追1080P剧集，15分钟内出现了4次加载缓冲；打开MOBA手游，游戏延迟飘红破300ms。

而启用拥塞加速后，追剧更顺畅，一路上拖动进度条基本即点即播，视频缓冲次数降为0；游戏内的ping值则被稳稳压在48ms-65ms的绿网区间，团战响应稳了不少。

总结： 智能感知、一键开启，在基站高负载场景下，华为天际通拥塞加速降延迟和提速上行的效果很直观。

但也需要和大家分享的是：它解决的是“人多抢网”的信道拥堵，如果身处信号较差的偏远地区、地下室和地下停车场等地点，它是无法凭空变出信号的。

目前该服务仅支持 华为鸿蒙5及以上设备，且需使用 移动/电信网络。

最后聊聊怎么选。

现在大家都是讲究性价比的“纯过日子人”，大流量包买多了用不完纯属浪费，所以可以按需购买，共有三档： 1小时包（9.9元）：9.9元起，不到一杯咖啡的钱，适合快速通勤、高铁站候车及短途高铁救急； 2小时包（14.9元）：折合7.45元/小时，适合看演唱会、中长途出行； 4小时包（21.9元）：折合低至5.48元/小时，适合长途高铁或全天移动办公。

如果你近期准备出门欣赏秋日，需要出差、看演唱，或者日常挤地铁，不妨打开华为天际通备上一单，关键时刻确实能少受不少网络卡顿的窝囊气。