本周的讨论涵盖了机器人技术、航空业和计算复杂性。一个核心问题是机器人训练中物理“运动”数据的匮乏，这与可用于语言模型的海量互联网数据形成鲜明对比。在航空领域，文章对比了美国和加拿大的空中交通管制系统，指出美国政府运营的系统因政治因素和现代化迟缓而陷入困境，而加拿大私有化的非营利模式则在效率和技术上表现更佳。此外，空客的成功被归因于其以客户为中心、规避政治干预的务实策略。最后，文章揭示了航空预订系统背后惊人的计算复杂性，即使是两个城市间的简单行程，其潜在的航班组合数量也可能达到数十亿，使得全面评估所有选项成为不可能。
机器人训练的数据瓶颈
提升机器人能力的一个主要障碍是缺乏训练数据。与大型语言模型可以利用整个互联网的海量文本数据不同，目前并不存在一个现成的、大规模的“运动”数据集来训练机器人的人工智能模型。因此，创建和收集这类数据已成为机器人技术发展的关键。
为了解决这个问题，一些公司正在专门收集用于训练机器人的物理数据。例如，有公司雇佣员工执行重复性任务，并用摄像头记录下来：
在印度南部的一个工业小镇，28岁的纳文·库马尔（Naveen Kumar）站在办公桌前，开始了他一天的工作：尽可能精确地折叠数百次毛巾。……他将一台GoPro相机戴在额头上，遵循一套严格的手部动作指令，以捕捉人类折叠毛巾的精确第一视角镜头。
这些记录下来的动作，如拿起毛巾、抖直、折叠，为训练机器人模仿人类行为提供了宝贵的数据。
空中交通管制的私有化模式
由于政府停摆，美国的空中交通管制系统正面临严重问题，包括管制员短缺和无薪工作，导致大量航班被迫取消。这引发了关于空中交通管制是否应由政府运营的讨论。
相比之下，加拿大的经验提供了一个不同的视角。
加拿大模式 (NAV CANADA):
- 1996年，加拿大将其空中导航服务分拆给一个私有的、非营利性的机构 NAV CANADA。
- 该机构的资金来源于用户费用，而非政府税收或受政治影响的年度拨款。
- 这种模式使其能够进行长期规划和投资，在采用更安全、更精确的星基导航技术 (ADS-B) 方面处于世界领先地位。
美国模式 (FAA):
- 其现代化计划 "NextGen" 进展缓慢，交付的效益远低于预期，且严重超出预算和时间表。
- 根据监察长办公室的报告，截至2024年12月，FAA仅实现了NextGen预期总效益的约 16%。
- 系统仍然严重依赖过时的地面雷达技术。
荒谬的是，一项关键任务服务竟然由受制于政治失灵的年度拨款来资助。我们需要消除政治因素。
尽管加拿大模式备受赞誉，但也有观点认为，没有确凿证据表明任何一种模式（政府运营或私有化）在生产力、成本效益或安全性方面绝对优于其他模式。
空客的成功之道
在成本高昂、风险巨大的商用飞机制造业中，许多公司都以失败告终。然而，由欧洲多国联合组建的空客公司却取得了巨大成功。它的成功并非偶然，而是源于一套独特的策略，使其在众多失败的欧洲工业项目中脱颖而出。
空客之所以能胜出，是因为它是有史以来最不像欧洲工业战略项目的欧洲项目。它将客户放在首位，对被视为“欧洲的”不感兴趣，其领导层愿意为追求好产品而承担政治风险。
空客成功的关键在于其务实的商业决策，而非政治考量：
- 以客户为中心: 项目负责人罗杰·贝泰耶（Roger Béteille）深入了解航空公司的需求，根据客户反馈将最初的A300飞机设计从300座改为更小的225-250座。
- 规避政治干预: 为了降低成本和提升性能，空客选择了更便宜的美国发动机，而非昂贵的英国劳斯莱斯发动机。这一决定导致英国短暂退出该项目，但确保了产品的竞争力。
- 打破常规: 贝泰耶将英语定为项目官方语言，并禁止使用公制单位，以便更容易地将飞机销售到关键的美国市场。
这些决策表明，空客的成功建立在商业逻辑之上，而非狭隘的民族主义或政治妥协。
航空旅行的计算复杂性
看似简单的航班预订背后，隐藏着巨大的计算挑战。航空预订系统是早期最复杂的软件之一，其复杂性源于路径组合的指数级增长。
麻省理工学院关于人工智能的课程资料揭示了这一问题的规模：
- 仅仅是从旧金山到波士顿的当天抵达航班，就有近 30,000种 不同的飞行组合。
- 如果旅客愿意第二天到达，这个数字会平方增长，达到超过 10亿种 单程路径。
- 对于需要多次转机的国际航线，可能的选择数量可能超过 10的15次方。
这些数字的一个重要后果是，对于许多查询，我们根本无法列举出所有合理的单程航班组合。而往返航班组合的数量（大约是单程的平方）使得我们几乎不可能为任何查询明确考虑或呈现旅客可能感兴趣的所有选项。