Meta裁员引「AI歧视」诉讼:休假员工被裁,公司称指控无事实依据?

【管理科学】第六十三篇 企业管理者招聘与人才博弈战略02 编号类型领域问题问题的数学分析(含逐步推理与数值范围)方法/手段/步骤/流程/话术/策略/行为/时序的所有内容和步骤(含数学表达式与数值分析)时序数学表达式及周期行动的数学表达式(含数值范围)关联知识和法律法规651组织博弈成本控制如何在保证质量的前提下有效控制成本?逐步推理: 1. 成本控制模型:成本每降低10%,利润可提升15%~25%。但过度降本可能影响质量和员工士气。 2. 控制效果:有效的成本控制可使利润率提升5%~10%。 3. 法律风险:需遵守劳动法和产品质量法。步骤与数学表 阅读详情

Meta裁员引“AI歧视”诉讼:休假员工被裁,公司回应缺乏事实依据?

人在Meta,休个病假/产假,工作竟没了,裁掉员工的不是直属上司,而是AI。这可能是美国第一起「AI裁员歧视」案,26名员工正在集体起诉Meta。

当地时间5月20日凌晨4点,一位正在休产前假的Meta科学家收到邮件:「你的岗位已被取消」。第二天羊水破了,第三天她生下孩子,这是71页联邦诉状里的真实经历。

7月13日,26名Meta现任和前任员工在加州北区联邦法院提起诉讼,指控Meta用AI系统筛选裁员名单,该系统对休法律保护假期的员工有系统性歧视。这26人横跨工程师、科学家等多个岗位,分布在6个州和华盛顿特区,共同点是过去24个月内休过或申请过产假、育儿假等。

今年4月,为进军AI,Meta宣布裁员约8000人,占全球员工总数10%。同一时间,Meta报出史上最高营收,还承诺2026年在AI上砸1250亿至1450亿美元,超2025年支出两倍。

5月20日,裁员通知从新加坡凌晨4点开始,按时区依次发到英国、美国,多名原告凌晨4点左右收到邮件。之后争议出现,部分被裁员工对比发现,休产假、病假、刚申请残疾合理便利的人被裁比例不正常。而且,好几位员工的直属经理对他们被裁感到意外,有人裁员前一天还不知谁会受影响,这意味着选人可能不是经理决定的。

根据诉状,是Meta内部一整套AI系统做的决定。原告称其为一个「星座」,包括Metamate(Meta内部大语言模型助手)、Second Brain(员工需训练的个人Agent)、员工活动监控系统、AI token使用量仪表盘、算法绩效校准工具。该系统输入指标有滚动12个月绩效评级等。而正在休产假或医疗假的员工无法积累这些指标,且Meta未剔除受保护假期时间窗口,未排除休假者,也未暂停系统做个案审查,导致「休假」被记为「低产出」,休假员工被大量选入裁员名单。

诉讼中提到多位员工遭遇。如产前假被裁的科学家Doe 17,所在组织3人被裁,2人休与怀孕生育相关假;设计师Doe 8产假获批到9月,5月20日在家收到裁员通知,她是团队唯一休产假的人;经理Doe 19 2024年医疗假归来第5天被降职,2026年第二次医疗假16天被裁。工程师Doe 15确诊严重健康问题获批12至16周医疗假,经理威胁他休假就会被裁,还提出放弃休假就写正面绩效信,但不留下书面痕迹。Doe 15害怕未申请假期、停止治疗,最终还是被裁,经理称公司动作比录入成绩快。当Doe 15提醒经理华盛顿州法律保护休假员工时,经理称「这是Meta,公司想怎样就能怎样」。

目前26位原告请求法院发初步禁令,冻结7月22日裁员生效,恢复5月20日前雇佣状态,还要求独立审计师审查算法筛选流程。Meta回应称指控缺乏事实依据,人力管理和组织决策由人而非AI做出。此回应引发网友不满,认为关键是员工不应因正常休假被裁。

此外,Meta今年年初部署员工监控系统MCI,采集员工多种数据,引发超1600名员工请愿,CTO也承认员工焦虑,后因内部安全事故该系统停用。还有「Checkpoint」AI绩效评估项目,Meta宣布员工AI采用率成核心考核指标,但细节在5月20日裁员后公布。一位总监级原告透露,Meta财务预测纳入因裁员节省约100亿美元计划。

颇具讽刺意味的是,Meta称裁员为打造「AI - first」公司,留下拥抱AI的人,但AI工具使用量排名前2%的Doe 14因休育儿假被裁。这就是天下打工人正在或将要面对的情况。

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

相关推荐

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

Meta员工休假后被AI裁员,26人起诉:休假成“低产出”?

但一个正在休产假或医疗假的员工无法积累这些指标,而Meta既没剔除受保护假期时间窗口,也没排除休假者,更没暂停系统做个案审查,导致「休假」被记为「低产出」,休假员工被大量选入裁员名单。今年年初,Meta部署员工监控系统「Model Capability Initiative」(MCI),采集员工多种数据,引发超1600名员工请愿,CTO也承认员工焦虑,后因内部安全事故系统停转。颇具讽刺意味的是,Meta称裁员是为留拥抱AI的人,但原告Doe 14是全公司AI工具使用量排名前2%的员工,因休育儿假照样被裁。

IT界那些事儿 19

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

Meta为转型“以AI为先”裁员,26名前员工起诉:AI非法解雇他们!

指控称,Meta使用算法和AI工具监控员工特定的“生产力指标”,表现不佳的员工会被标记为可能的裁员对象。这些工具包括内部AI助手“Metamate”、利用员工数字通信构建的员工训练代理,以及考虑员工按键记录、浏览器历史和屏幕内容的算法生产力得分。”诉讼还称,结果是“休过受保护假期的员工被不成比例地选中裁员”。这些前员工称,由于他们没有为Meta的内部监控系统生成足够的数据,他们的得分受到了影响。Meta的一位发言人告诉CNET,这些指控“没有事实依据”,并且“决定员工和组织架构的是人,而非AI”。

IT界那些事儿 21

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

26名前Meta员工起诉:AI工具让休假员工成裁员“重灾区”?

据路透社报道,26名前Meta员工组成的团体起诉该公司,称Meta利用AI工具,不公平地将休假员工列为裁员对象。在诉讼中,员工们指出Meta依据内部AI工具“组合”收集的绩效数据决定解雇人员,且排名系统未排除休育儿假或病假的员工。过去和现在,员工管理和组织决策都是由人做出的,而非AI”。这导致休法定假期的员工被不成比例地选中裁员,该评分未考虑法定假期,反而因员工行使休假权利对他们进行了“惩罚”。此次诉讼凸显AI在企业人事决策中的争议,若属实将引发对AI应用伦理的审视,也提醒企业平衡技术与员工权益。

IT界那些事儿 14

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

Meta 被 26 名员工集体起诉:AI 裁员算法或“误伤”休假员工,涉嫌多项法律违规

这些员工认为,AI 算法采用的很多指标,休假员工根本达不到,且 Meta 在计算评分时未对休假员工特殊处理,将依法休假等同于绩效下降,导致他们被算法判定为“表现较差”。Meta 在制定裁员名单时借助了一套由多个内部 AI 系统组成的评估体系,综合分析员工的工作生产力、工作产出、AI Native 评分等大量工作数据,还使用数字化监测工具收集员工多方面信息形成生产力指标。本周,26 名 Meta 员工向美国加州联邦法院提起集体诉讼,指控公司在今年大规模裁员中大量依赖 AI 系统生成裁员名单。

IT界那些事儿 20

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

26 名被裁员工起诉 Meta:AI 裁员 8000 人,目标指向残疾及休假员工

诉状中详细指出,Meta 使用的内部 AI 工具包括内部称为‘Metamate’的系统、员工训练的‘第二大脑’代理、按键和活动监控数据、AI 令牌使用仪表盘,以及算法辅助的绩效排名和校准等。这些工具对员工进行评分、排名,并挑选进入裁员名单的员工。Meta 的内部仪表盘根据员工对其人工智能工具的采用阶段对他们进行分类,使用了诸如‘原生 AI 使用者’‘优先 AI 使用者’和‘可使用 AI 者’等类别。此次诉讼的另一个焦点是,Meta 的 AI 裁员目标指向了残疾员工以及那些享受受保护医疗或探亲假的员工。

IT界那些事儿 23

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

Meta 结束“刷代币”激励计划,新绩效评估不再紧盯 AI 使用情况

一些 Meta 员工表示,几个月来,他们的同事为了最大化内部使用量指标(如消耗的代币或 AI 单位数量),会反复使用 AI 工具,甚至在他们看来是无意义地使用。几个月后,Meta 开始限制员工的 AI 使用量。本周公布的新绩效评估指南,不再提及根据“AI 使用情况”和“AI 原生”等标准来评估员工,而是采用了更宽泛的表述,指出“这些成果可以借助 AI 或其他方式实现”。据三位收到消息的员工向《连线》杂志透露,这家社交媒体巨头在本周的内部公告中告知员工,他们的绩效评估将不再取决于使用 AI 工具的程度。

IT界那些事儿 9

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

2026年第29周(7.13-7.19)AI全复盘:技术突破、行业趣闻翻车、算力服务器商业动态

本周AI行业呈现「国内硬件落地爆发、海外舆论翻车频发、算力商业量价齐涨」的鲜明格局。WAIC 2026集中释放国产算力十万卡集群、顶级开源大模型、超节点硬件三大里程碑成果;海外接连爆出隐私泄露、版权翻车、算法歧视争议;AI服务器集采、长单租赁、液冷算力商业化迎来密集落地,产业从「模型参数内卷」正式转向「算力基建+场景落地」双主线。

艾醒的博客 756

【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)

内容概要:本文提出了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)的复合预测模型,旨在提升对复杂非平稳时间序列的预测精度。首先利用CEEMDAN对原始信号进行自适应分解,有效缓解模态混叠问题,获得一组本征模态函数(IMFs);随后引入VMD对关键模态分量作进一步优化分解,增强特征分离能力,降低噪声干扰;最后将处理后的平滑分量分别输入GRU神经网络进行独立训练与预测,并通过加权集成策略融合各分量输出,得到最终高精度预测结果。该方法结合了多尺度信号分解与深度学习的优势,显著提升了模型在处理强噪声、非线性、非平稳序列(如电力负荷、风速、光伏发电功率等)时的泛化能力和预测稳定性,文中提供了完整的Python代码实现,便于复现与应用。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事科研或工程应用的硕士、博士研究生及科研人员,尤其适用于能源系统预测、智能电网调度、可再生能源管理、信号处理与时间序列分析等相关领域的研究人员和技术开发者。; 使用场景及目标:①解决传统单一预测模型在面对复杂非平稳时间序列时存在的过拟合、收敛慢、精度低等问题;②通过多阶段信号分解降低原始序列的复杂度与不确定性,提升GRU模型的训练效率与预测鲁棒性;③为电力系统负荷预测、新能源出力预报、设备运行状态预警及市场交易策略制定等关键任务提供高精度数据支撑。; 阅读建议:建议读者结合提供的Python代码逐模块理解算法实现流程,重点关注CEEMDAN与VMD的参数配置对信号分解效果的影响,尝试在不同数据集上进行实验对比,并通过可视化手段分析各模态分量的物理意义,进一步掌握模型调优与性能评估的方法。

上一篇: 7 款手机端侧 AI 集体过审,苹果迟到两年,国行 iPhone 用户体验升级还需多久?
下一篇: 7月15日起大模型拟人智能体将下架,情感陪伴刚需何去何从?
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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