6月7日消息， 特斯拉 董事会主席罗宾·丹霍尔姆（Robyn Denholm）呼吁公司股东批准埃隆· 马斯克 （Elon Musk）高达560亿美元的薪酬方案，否则可能面临失去这位亿万富翁首席执行官的风险。
6月13日，特斯拉股东将决定马斯克薪酬方案的命运。这一方案的价值估计高达560亿美元，这将是股东第二次对马斯克的薪酬进行投票。今年早些时候，由于审批程序“存在严重缺陷”，特拉华州一名法官宣布第一次投票结果无效。目前，特斯拉正全力以赴说服股东第二次批准这一方案。
“马斯克不是一位典型的高管，特斯拉也不是一家典型的公司，”丹霍尔姆在提交给美国证券交易委员会（SEC）的致股东信中写道。“因此，普通公司向关键高管提供的薪酬方式并不适用于马斯克，激励他需要不同的方式。”
随后，丹霍尔姆暗示，若缺乏适当激励，马斯克可能会转向“其他地方”。她说：“我们在2018年就认识到这一点，今天仍然坚持这种看法，那就是马斯克绝对没有无限的时间。他不缺乏创意，也不缺少其他可以发挥巨大影响的领域。我们希望他的创意、精力和时间都留在特斯拉，造福于我们这些股东，这需要双方的相互尊重。”
丹霍尔姆强调，这次投票批准560亿美元的薪酬方案，并不是因为钱的多少。“我们都知道马斯克已经是这个星球上最富有的人之一，即便特斯拉放弃我们在2018年做出的承诺，他依然富有。”
尽管有几家代理咨询公司建议反对马斯克的薪酬方案，但提前投票结果显示，马斯克可能最终将如愿以偿。据交易平台eToro上个月的报告，大约25%的特斯拉股份已经投票，其中超过80%支持马斯克的薪酬方案。
马斯克仍在寻求获得对特斯拉更多的控制权，以25%的股份为目标，以实现他在人工智能和自动驾驶汽车领域的发展目标。据报道，在出售了数十亿美元的股份收购Twitter后，马斯克目前持有大约13%的特斯拉股份。他在X上威胁说，如果他的要求得不到满足，就会将特斯拉的人工智能业务分拆为一家独立公司。
股东们现在正被警告，如果不批准马斯克的薪酬方案，他可能就会离开特斯拉。
“我们都已向马斯克做出了承诺，”丹霍尔姆写道。“马斯克履行了他的承诺，为我们的股东创造了巨大的价值。履行我们对马斯克的承诺，就是表明我们支持他对特斯拉的愿景并认可他的非凡成就，这将激励他继续为股东创造价值。”（辰辰）
000625股票停牌是好事还是坏事的
很多股民听到股票停牌，都一头雾水，好还是不好的现象也不知道了。 其实，遇到两种停牌情况不用过度担心，当碰到第三种情况的时候，你一定要留意！在大家听停牌内容的讲解之前，今日牛股名单新鲜出炉，分享给大家，那我们要赶在还没有被删除之前，快来领取：【绝密】今日3只牛股名单泄露，速领！！！一、股票停牌是什么意思？一般会停多久？股票停牌通俗的解释就是“某一股票临时停止交易”。 至于停牌需要持续多长时间，有的股票停牌最多一个小时就恢复如初了，而有的股票都有可能会停牌1000多天，这些都是有可能的，没人决定的了这个时间，恢复时间的长短，还是要看下面停牌的原因。 二、什么情况下会停牌？股票停牌是好是坏？股票停牌，基本上就是以下三种情况引起的：（1）发布重大事项公司的（业绩）信息披露、重大影响问题澄清、股东大会、股改、资产重组、收购兼并等情况。 由大事件引发停牌，时间不是完全相同的，最晚不会晚于20个交易日。 假如需要解决一个重大问题，或许就会花1个小时间，股东大会其实是一个交易的时候，资产重组与收购兼并等这些相对于比较复杂的情况，这个停牌需要好几年呢。 （2）股价波动异常当股价的趋势不停的出现了不常见的波动，比如出现了这样的状况深交所有条规定：“连续三个交易日内日收盘价涨跌幅偏离值累计达到±20%”，停牌1小时，大约在十点半就复牌。 （3）公司自身原因停牌时间与公司涉嫌违规交易事件息息相关。 以上停牌的三种情况，（1）（2）两种停牌都是好事，而如果遇到（3）则比较麻烦。 前面两种情况来讲，股票复牌意思就是利好，这种利好信号提醒我们，可以提早知道就可以优先规划好方案。 这个股票神器于你有益，提醒你哪些股票会停牌、复牌，还有分红等重要信息，每个股民都必备：专属沪深两市的投资日历，轻松把握一手信息就算知道停牌和复牌的日子也不行，明白这个股票好不好，布局是什么，才是最主要的？三、停牌的股票要怎么操作？部分股票在复牌后或许会大涨也或许会大跌，重点的地方是要分析手中股票是否具有成长性，得出的结果是需要花费大量的人力物力去分析与整理的。 因此沉得住气不能自乱阵脚，这是大家所必须具备的能力，要先对手中的股票进行深度的分析。 从一个才踏入此领域的新人来说，筛选出一支好的股票是非常困难的事情，所以学姐特地给大家准备了诊股方法，对于才接触投资领域的人来说，此时判断一只股票的好坏是一件容易的事情：【免费】测一测你的股票好不好?应答时间：2021-09-08，最新业务变化以文中链接内展示的数据为准，请点击查看
为什么说辛苦钱挣多了，人就会废？
心理学角度上：局部最优的核心价值局部最优，就是指一个问题的解在一定范围或区域内是最优的；或者说，解决问题或达成目标的手段，在一定范围或限制内是最优的。 按照这个理论，人们日常工作和行为中的应对方式，虽然眼前看来是最好的解决方式，但从长远看，却不是好办法，甚至会出现相反的情况：此刻的结果和办法越好，对未来的伤害和打击就越大。 最近有人提出一个观点，就建立在以上逻辑基础上。 这个观点是：辛苦钱挣多了，人就废了。 细看十分有道理。 所谓辛苦钱，往往意味着需要时时刻刻都投入到其中，毫无休息与思考余地。 久而久之，人就变成了工作和挣钱机器，思维固化，行为僵化，进而失去获得进一步发展的可能。 也就是说，人废了。 之所以叫人废了，不是废手废脚了，而是说人的精神意识变得不灵光，某种程度上变呆滞了。 这种呆滞，是精神意识停止进化，并在原地踏步。 比如有些人为了多挣钱，不论白天黑夜地奔忙，不让自己有休息的时候。 结果上来看，的确是钱挣得多了些，但他似乎也失去了自我平衡，成为了“活着——挣钱”两点一线上的单一存在体。 换句话说，就叫精神状态不自在了。 有人说，这种状态不好吗？能挣到钱多好呀，管它辛苦不辛苦呢！每个人都是这么活的呀，有啥问题？问题倒真是没有，因为毕竟钱到手了。 但是，可能需要想一想，非常辛苦的情况下，挣到多少钱才不算辛苦钱？才算对得起自己的单一生存状态？这应该才是我们需要讨论的重点。 更清醒地想一下就是：人废没废弃，跟钱挣了多少，其实是直线挂钩的。 一小时挣，每天这样忙三个小时，结果划算不划算，我们自己琢磨琢磨就会知道。 而在这个收入基础上，如果人还没觉得精疲力竭，那恭喜你，不仅没废，而且完全是赚到了。 反之，如果三个小时这三万块，过程劳累如狗，让你感到生不如死，痛不欲生，却每天忍不住诱惑地去这么做的话，那就得祝福你：欲练神功，必然自宫。 老话说，忍得了别人忍不了的苦，你就能享受他人得不到的幸福。 这世间就是这么残酷而公平，哪有平白无故的好？实际上，世事从来都不曾简单过、容易过。 如果只有你觉得容易、轻快，那么你要么运气十分好，不用事稼穑；要么，就一定没有站在真相那个位置上，跟周围人看到的风景，是迥然不同的。 因为，哪怕是亿万富豪如马斯克，天才聪慧如特斯拉，勤奋聪明如雷军者，都无时无刻不感受到理想尚未实现，而自己已经精疲力竭的痛苦。 更何况连辛苦钱可能都没有机会挣到的寻常人等？在这个机会越来越集中于平台和少数人的世界，普通人的视角只能看到局部，所以一定会在局部求最优解，一如《稀缺》一书中提到的印度穷人一样：为了能吃口饭，每天固定做那几件固定的事情，却也因此陷入了注意力稀缺中，永远不知道为自己规划和考虑其他生存机会和可能性。 看似解决了温饱，得到了每天的最优解，实际上却异常长远地困在了永久性贫困之中。 辛苦钱挣多了，人就废了。 这个观点提得挺好，因为它提醒人们：别只顾眼前那点目标，而要把眼光放长远。 否则，每天只是为了活着，就能把你累死，根本没工夫想别的。 在这种日复一日的重复劳累中，人会陷入恶性循环，真正沦为命运的垫脚石。 从某种层面来说，很多人对待自己的工作其实都没有陷入到最佳状态，更不用遑论挣工作之外的辛苦钱了。 世间蝇营狗苟的人与事太多了，真相是什么，我们应该坚守什么道德，是否应该为理想坚守什么，通通不在世人的考虑范围内（普通人非富人），而是一窝蜂地去挣钱。 你会说，为了挣钱殚精竭虑还有错？自然是没错的，但回过头想想，多数人正如前文所说，一直陷在“局部最优解”中，一直在自己的铁笼子里打转，而看不到笼子之外的可能性。 这是很多人的宿命，也可能是很多人安然老去的最佳途径。
什么是人机共驾？
人机共驾（Shared Autonomy）MIT 认为自动驾驶应该分为两个等级：一、人机共驾（Shared Autonomy）；二、全自动驾驶（Full Autonomy）。 这样的分类方式不仅能够提供有建设性的指导方针，添加必要的限制条件同时还可以对要实现的目标进行量化设定。 甚至，对每个类别下要实现的功能、对应的技术需求以及可能遇到的问题都可以划分出来。 这个原则的核心在于对「人类驾驶员在环」的讨论。 为了实现对车辆的有效控制，人和机器组成的团队必须共同保持对外部环境有充分的感知。 目标是促使整个行业对「人机共驾」和「全自动驾驶」进行清晰地划分。 需要指出的是，表 I 中的术语「Good」和「Exceptional」用来表示解决 1% 极端案例的优先级顺序。 远程操控、V2X 和 V2I 等并非必须的技术，如果要使用的话需要达到特殊的能力要求。 在实现高等级自动驾驶的方法上，传统思路全程都跳过了对「人」这个因素的考虑，精力主要集中在对地图、感知、规划以及表 I 中「全自动驾驶」一栏标注为「exceptional」的技术上。 实际来看，考虑到目前的硬件和算法能力，这种解决方案对高精度地图、传感器套件的鲁棒性要求很高，提供的是较为保守的驾驶策略。 而正如表 I 所述，「以人为中心」的自动驾驶汽车着眼点主要在司机身上。 负责控制车辆的依然是人，但前提是要对人的状态、驾驶方式及之前的人机合作经验做充分的考量，同时把车辆的转向、加减速等交由人工智能系统负责。 以特斯拉的 Autopilot 为例，之前 MIT 的研究显示，测试中有超过 30% 的行程都是由这套 L2 级驾驶辅助系统控制完成的。 而如果人机共驾应用成功的话，应该能实现超过 50% 的机器控制率。 在这次实验中，MIT 表示无人车系统在接管过程中呈现出了不同程度的能力，而人类驾驶员始终在密切关注着机器的动态，根据感知系统获得的信息及时预测可能发生的危险。 二、从数据中学习（Learn from Data）从表 I 不难发现，这其中涉及的任何一项车辆技术都是数据驱动的，需要搜集大量的边缘案例数据，利用这些数据持续不断地优化算法。 这个学习过程的目的应该是，通过大量数据实现从传统的模块化监督学习向端到端半监督式和无监督学习过渡。 要实现车辆的自动驾驶，传统的方法，不管是哪个级别，几乎都不会大量的应用机器学习技术。 除了在一些特殊的线下场景，比如 Mobileye 的视觉感知系统要进行车道线识别，或者是通用 Super Cruise 搭载的红外摄像头要对驾驶员头部动作进行预测等。 特斯拉的 Autopilot 可能要比其他方案更进一步，在开发针对第二代硬件平台 HW 2.0 的软件算法时，在视觉感知上应用了越来越多监督机器学习的原理。 但即便如此，对车辆的绝大部分控制以及对驾驶员状态监测的实现中，并没有利用大数据驱动的方式，也几乎不涉及线上学习的过程。 而在目前业界进行的一些全自动驾驶技术的路测中，机器学习主要应用于环境感知这一环节。 更甚的是，这些车辆采集到的数据，无论是从量还是多样性来看，和具备 L2 级自动驾驶能力的车型相比，逊色不少。 特斯拉 Autopilot 对目标物、车道线的检测主要依赖机器学习算法进行 | ElectrekMIT 认为，「L2 级自动驾驶系统中机器学习框架使用的数据，从规模和丰富性的角度来看都具有足够的扩展能力，可以覆盖多变的、具有代表性、挑战性的边缘案例。 」人机共驾（Shared Autonomy）要求同时搜集人和车辆的感知数据，挖掘分析后用于监督学习的标注。 在 MIT 的实验过程中，驾驶场景感知、路径规划、驾驶员监控、语音识别以及语音聚合都应用了深度神经网络模型，可以通过搜集到的大量驾驶体验数据进行持续性的调校和优化。 在进行数据采集时，MIT 表示并不会只局限于单一的传感器来源，而是对整个驾驶体验通盘考虑，并将所有的传感器数据流通过实时时钟（real-time clock）汇总、聚合，用于多个神经网络模型的标注。 这种方式能够让驾驶场景与驾驶员状态能够很好地匹配起来，而在聚合的传感器数据流进行标注工作，使模块化的监督学习可以在数据规模允许时轻松地向端到端学习过渡。 三、监督人类（Human Sensing）这个其实就是我们俗称的「驾驶员监控」。 它指的是对驾驶员的整体心理以及功能特征，包括分心、疲惫、注意力分配和容量、认知负荷、情绪状态等的不同程度进行多维度的衡量和评估。 目前除了通用 Super Cruise 在方向盘上装有一枚红外摄像头外，不管是搭载了 ADAS 驾驶辅助系统的量产车型，还是在路测的全自动驾驶汽车，绝大部分都没有提供任何有关驾驶员监控的软件和硬件。 特斯拉 Model 3 其实也装了一枚车内摄像头，但目前尚未启用，具体功用官方表示要等软件更新后才知道。 而基于视觉的解决方案以外，市面上还包括一些准确率不高的方式。 比如特斯拉在方向盘上安装了扭矩传感器，也有的公司利用监测方向盘是否发生倒转的方式推断驾驶员是否出现疲劳情况。 全新一代凯迪拉克 CT6 搭载的驾驶员监控系统由 Seeing Machines 提供 | 官方供图MIT 认为「对驾驶员状态的感知和监控是实现高效人机共驾的的第一步，同时也是最关键的一步。 」在过去的二十多年里，来自机器视觉、信号处理、机器人等领域的专家都进行过相关课题的研究，目的都是在探讨如何尽可能保证驾乘人员的安全。 此外，对驾驶员状态的监测对如何改善和提升人机交互界面、高级驾驶辅助系统 ADAS 的设计都有很大帮助。 随着汽车智能程度的不断提高，如何准确、实时地探测到驾驶员的各种行为对打造安全的个性化出行体验尤为重要。 比较有意思的一点是，从完全的手动驾驶到全自动驾驶，这其中涉及到不同模式切换的问题。 一般来说双手脱离方向盘（handoff）就是一种信号，可能表示系统要做好接管的准备了，但还有什么其他更准确的信息可以用来判断，可能这也是「驾驶员监控」的研究人员需要持续思考的地方。 四、共享的感知控制（Shared Preception-Control）通俗点来说，这相当于为整个自动驾驶系统增加了「一双眼睛和手」。 目的是建立额外的感知、控制和路线规划机制。 即便在高度自动驾驶系统运行状态下，也要及时地为驾驶员推送信息，将其纳入到整个驾驶过程中。 研究全自动驾驶的目的就是为了完美地解决「感知-控制」的问题，考虑到人类的不靠谱和行为的不可测性。 所以传统观点认为最简单的办法就是把人从开车这件事上排除掉，像十几年前在 DARPA 挑战赛中获胜的队伍一样。 但和传统解决思路相反的是，MIT 提出的「以人为中心」的理论将人置于感知和决策规划闭环中的关键位置。 因此，整车感知系统就变成了支持性的角色，为人类驾驶员提供外部环境信息，这其实也是为了解决机器视觉本身存在的局限性而考虑的。 表 II MIT「以人为中心」自动驾驶系统执行的感知任务，包括对驾驶员面部表情、动作以及可驾驶区域、车道线以及场景内物体的检测 | MIT在 MIT 的研究中，工作人员围绕这个原则设计了几条关键的算法。 表 II 是其中几个典型的案例。 首先，从视觉上可以看到神经网络做出的判断、道路分割的区域以及对驾驶场景状态的预估的可信程度；其次，将所有的感知数据整合并输出融合式的决策建议，这样在表 IV 的场景下就能够对整体风险进行预估；再次，MIT 一直使用的是模仿学习：将人类驾驶员操控车辆时方向盘的动作作为训练数据，进一步优化端到端的深度神经网络；最后，MIT 使用的端到端的神经网络属于一个叫做「arguing machines（争论机器）」框架的一部分，它为主要的感知-控制系统（表 III）提供了来自人类的监督。 这里的「争论机器框架」是 MIT 2018年提出的一个概念，它将主要 AI 系统与经过独立训练以执行相同任务的次要 AI 系统配对。 该框架表明，在没有任何基础系统设计或操作知识的情况下，两个系统之间的分歧足以在人工监督分歧的情况下提高整体决策管道的准确性。 表 III 对「争论机器」框架在「Black Betty」自动驾驶测试车上的应用和评估 | MIT表 IV 通过结合车内外感知系统数据得出的融合型决策能够充分预估可能发生的风险 | MIT五、深度定制化（Deep Personalization）这里涉及到一个「将人类融入到机器中」的概念。 通过调整 AI 系统的参数，使其能够更适合人类操作并呈现出一定程度的定制化。 最终的系统应该带有该驾驶员的行为特征，而不是像刚出厂时的普通配置一样。 六、不回避设计缺陷（Imperfect by Design）对整个汽车工业而言，处于很多原因的考虑，进行工程设计时通常考虑最多的是「安全」，所以要尽可能地讲系统错误出现的频率和程度降至最低。 换句话说，对自动驾驶而言，完美是目标，这也导致了在进行某些功能设计时，可能会因其「不完美」和「不确定」的性质而放弃这些可能是「必要」的设计。 但是在 MIT 的研究看来，丰富、高效的沟通机制在设计用于实现「人机共驾」的人工智能系统时，是非常必要的因素。 就「沟通」而言，系统存在的不完美对人和机器而言，在进行感知模型的交换和融合过程中，能够提供密集、多样的信息内容。 如果将 AI 系统的不确定性、局限性和错误都隐藏起来，这也就错失了与人建立信任、深度理解关系的机会。 MIT 认为，此前业界在设计半自动驾驶系统时所采取的「完美」思路，可能是迄今为止所犯的严重错误之一。 而在开发「Black Betty」这辆无人车时，MIT 把人工智能系统的局限性通过文字和视觉的形式与人类进行充分沟通。 例如将人类和机器对外部世界的感知视觉化，让驾驶员知晓 AI 系统的局限所在。 研究人员表示这种方式相比只是提供「报警」或者「模糊的信号」，是最简洁有效的人机沟通方式。 尽管这种沟通机制要实现还面临一些技术上的难题，比如视觉化的过程通常对芯片的算力和实时调用的能力要求很高。 但值得机器人、自动化以及人机交互等领域共同关注并思考解决的办法。 七、系统级的驾驶体验（System-Level Experience）目前，汽车工业的工程设计过程中，一个最主要的目标就是「安全」。 另一个则是「降低成本」。 第二个目标导向的是模块化、基于零部件的设计思考。 但同样的模式在面向机器人、计算机视觉、机器学习等领域的人工智能系统设计中却有着迥异的理由。 譬如在设计中重视单一功能（目标物检测等）的实现，能够有效测试该算法的合理性并逐步使之得到改善和优化。 但是这个过程也难免会把注意力过渡集中在单一功能而忽略了系统的整体体验。 在过去的几十年里，「系统工程」、「系统思考」这样的原则一直在指导着汽车工业产品的输出。 然后，类似的思考却几乎没有应用在自动驾驶汽车的设计、测试和评估过程中。 正如 MIT 上面提到的这六大原则，人和机器都不可避免会有缺陷，只有当「人机共驾」这个框架在系统层面上得到考虑时，这些缺陷才可能有机会成为优势。 对「人机共驾」的永恒讨论不管短期还是长期来看，其实很难预测自动驾驶的哪条实现路径最终会成功，而且退一万步说，你甚至都不知道什么样的结果算得上是「成功」。 在谈到研究目的时，MIT 希望一套自动驾驶系统能够同时满足「安全」、「愉悦的驾驶体验」和「提升的出行体验」这三个要求，而不是彼此妥善折中。 而尽管「人机共驾」这个话题在过去的十年里，是包括汽车工业、机器人在内很多领域研究的焦点，但它仍值得更深入的探讨。 在今年四月份的上海国际车展上，coPILOT 智能高级驾驶辅助系统，这是一套定位「L2+级」 的自动驾驶辅助系统，目的是提高乘用车的安全性和驾驶舒适性。 从产品名称不难看出，这套系统同样强调了「人机共驾」的概念。 它配备了相应的传感器和功能，能够监控驾驶员并在发生潜在危险情况时触发警告。 例如，当发生驾驶员注意力不集中、几乎完全未将注意力放在路面交通上或显示出瞌睡迹象等。 所以人工智能扮演了「私人驾驶助手」的角色，这个产品理念与 MIT 的研究不谋而合。 到底完美解决驾驶任务比完美管理人类的信任和注意力哪个更难？这是值得深思熟虑的问题。 MIT 认为关于这个问题的讨论仍不会停止，不管是这篇论文还是「Black Betty」这台无人测试车，都是基于「人机共驾」研究的成果，MIT 认为它是开发「以人为中心」自动驾驶系统的必由之路。
