比特幣本質(zhì)上是由分布式網(wǎng)絡(luò)系統(tǒng)生成的數(shù)字貨幣,其發(fā)行過(guò)程不依賴(lài)特定的中心化機(jī)構(gòu),而是依賴(lài)于分布式網(wǎng)絡(luò)節(jié)點(diǎn)共同參與一種稱(chēng)為工作量證明(Proof of work, PoW)的共識(shí)過(guò)程以完成比特幣交易的驗(yàn)證與記錄。
PoW 共識(shí)過(guò)程(俗稱(chēng)挖礦,每個(gè)節(jié)點(diǎn)稱(chēng)為礦工)通常是各節(jié)點(diǎn)貢獻(xiàn)自己的計(jì)算資源來(lái)競(jìng)爭(zhēng)解決一個(gè)難度可動(dòng)態(tài)調(diào)整的數(shù)學(xué)問(wèn)題,成功解決該數(shù)學(xué)問(wèn)題的礦工將獲得區(qū)塊的記賬權(quán),并將當(dāng)前時(shí)間段的所有比特幣交易打包記入一個(gè)新的區(qū)塊、按照時(shí)間順序鏈接到比特幣主鏈上。不過(guò),該如何確定什么樣的區(qū)塊鏈?zhǔn)怯行У模?
中本聰在論文《比特幣:一種點(diǎn)對(duì)點(diǎn)網(wǎng)絡(luò)中的電子現(xiàn)金》中曾介紹,比特幣工作量證明機(jī)制的本質(zhì)是一CPU一票,而最長(zhǎng)鏈包含了最大的工作量,所以“大多數(shù)人”的決定就可以表達(dá)為最長(zhǎng)鏈。通俗來(lái)講就是,比特幣區(qū)塊是依靠礦工們不斷進(jìn)行數(shù)學(xué)運(yùn)算而產(chǎn)生的,每一個(gè)區(qū)塊都必須引用其上一個(gè)區(qū)塊,因此最長(zhǎng)的鏈也是最難以推翻和篡改的,所以節(jié)點(diǎn)永遠(yuǎn)認(rèn)為最長(zhǎng)鏈才是有效的區(qū)塊鏈,只有在最長(zhǎng)鏈上挖礦的礦工才能夠獲得獎(jiǎng)勵(lì),這就是我們常說(shuō)的比特幣最長(zhǎng)鏈原則。
礦工在挖礦時(shí),由于哈希值的產(chǎn)生是隨機(jī)的,再加上網(wǎng)絡(luò)的延遲,就存在兩個(gè)礦工同時(shí)挖出區(qū)塊的可能,當(dāng)發(fā)生這種情況時(shí),如果他們一起記賬就會(huì)造成區(qū)塊鏈的分叉。此時(shí),系統(tǒng)就會(huì)根據(jù)最長(zhǎng)鏈原則進(jìn)行取舍,即哪個(gè)新產(chǎn)生的區(qū)塊能使其所在的區(qū)塊鏈變得更長(zhǎng),則哪個(gè)區(qū)塊得以被記錄。所有礦工在最長(zhǎng)鏈上挖礦有利于維護(hù)區(qū)塊鏈賬本的唯一性。
這條最長(zhǎng)的區(qū)塊鏈通常被稱(chēng)為“主鏈”。在比特幣主鏈上其實(shí)也存在著分支,這些分支被當(dāng)做備用鏈,如果新添加的區(qū)塊使備用鏈累積了更多的工作量,那么這條備用鏈將被作為新的主鏈。
來(lái)源:《區(qū)塊鏈雜談》第六期
編輯:陶婧婕
-關(guān)注科技行者微信公號(hào)(itechwalker),獲取《區(qū)塊鏈雜談》電子雜志-
好文章,需要你的鼓勵(lì)
新加坡國(guó)立大學(xué)研究團(tuán)隊(duì)開(kāi)發(fā)了SPIRAL框架,通過(guò)讓AI與自己對(duì)弈零和游戲來(lái)提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡(jiǎn)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(wú)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(duì)開(kāi)發(fā)的GIGA-ToF技術(shù)通過(guò)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(wèn)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(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺(jué)解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過(guò)對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺(jué)語(yǔ)言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)無(wú)法有效利用視覺(jué)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(guò)動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語(yǔ)言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。