區(qū)塊鏈創(chuàng)造了數(shù)字世界的一種新型信任機(jī)制。在區(qū)塊鏈的世界里,信任的機(jī)制從信任機(jī)構(gòu)改成了信任機(jī)器。在區(qū)塊鏈的邏輯中,認(rèn)為不可信的根源是人,要去除的也是人的因素,所以,區(qū)塊鏈的可信機(jī)制來源于“機(jī)構(gòu)-人≈機(jī)器”。
那么,區(qū)塊鏈?zhǔn)欠窬褪强尚诺牧四兀繀^(qū)塊鏈自身是否是清白的?區(qū)塊鏈應(yīng)用的環(huán)境,諸如數(shù)據(jù)和鏡像關(guān)系等等,是否真實呢?
在公有鏈、聯(lián)盟鏈和私有鏈中,必須要信任所選用的加密技術(shù)、信任所運(yùn)行的軟件、相信節(jié)點的中立性、相信用戶之間不會共謀。
然而,在這其中,加密算法可能會有缺陷,智能合約可能會有漏洞;運(yùn)行的軟件有BUG也是在所難免的;節(jié)點能否公平的接受和處理交易,也有待考證;而當(dāng)PoW算力集中超過51%、或是PoS投票權(quán)集中度高于51%的時候,區(qū)塊鏈防篡改就根本不可能成立。
具體到區(qū)塊鏈的應(yīng)用環(huán)境,更是因為生態(tài)的復(fù)雜,無法完全值得信任。
區(qū)塊鏈具有防篡改能力,但是這只局限于數(shù)據(jù)在鏈上的時候,數(shù)據(jù)寫入鏈之前,以及數(shù)據(jù)離開區(qū)塊鏈之后,都有可能被篡改,這是區(qū)塊鏈本身無法避免的。
特別是在一些具體的應(yīng)用場景中,數(shù)據(jù)的真實性值得商榷。比如豬肉的“溯源”,豬肉包裝上寫的豬肉生產(chǎn)日期是7月19日,而豬肉實際的生產(chǎn)日期,真的是7月19日嗎?這中間是否有偷換包裝的可能?都是區(qū)塊鏈本身無法解決的問題。因此,鏈上的數(shù)據(jù)與對應(yīng)的物品必須是“不可更改”的鏡像關(guān)系,才可能保證應(yīng)用真正可信。
說了這么多,相信大家已經(jīng)明白,區(qū)塊鏈需要營造一個可信的產(chǎn)業(yè)氛圍,才能促進(jìn)區(qū)塊鏈行業(yè)良性健康發(fā)展,加快可信區(qū)塊鏈標(biāo)準(zhǔn)的更新迭代,所以,中國信息通信研究院牽頭200余家企業(yè),推行“可信區(qū)塊鏈推進(jìn)計劃”,加速區(qū)塊鏈技術(shù)與實體經(jīng)濟(jì)深度融合。目前,騰訊、上海保交所、華為、中興、螞蟻金服、百度、思愛普、聯(lián)通集團(tuán)、微軟、中國移動研究院、京東金融、聯(lián)動優(yōu)勢、趣鏈等企業(yè)均已加入“可信區(qū)塊鏈推進(jìn)計劃”。
-關(guān)注科技行者微信公號,獲取《區(qū)塊鏈雜談》電子雜志-
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實驗發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強(qiáng)于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。