
科技行者 5月8日 北京消息 区块链是一套以几乎无法伪造或篡改的方式构建而成的数据存储数学架构,可用于存储各类有价值数据。
比特币的神秘缔造者中本聪曾表示,“我一直在研究一种完全对等的新型电子现金系统,其中不存在第三方信托机构。”在2008年10月的一封群发邮件中,他做出了这样的解释。邮件中还包含一份9页的白皮书,其中描述了一些可能会对现有金融技术体系带来颠覆的内容。
中本聪于2009年1月发布了第一批比特币,随之而来就是加密货币时代的来临。尽管其起源非常模糊,却证明了现在所谓的区块链技术确实拥有实际执行能力。中本聪将现有的密码学工具与数十年内计算机科学研究当中得出的方法加以结合,使得公共网络中的参与者不必依赖于信托机构,而是能够通过反复共识共享的账目中反映的真相。如此一来,人们几乎不可能重复花费同一枚比特币,这就解决了以往阻碍数字现金真正普及的根本问题。更重要的是,区块链的出现还消除了以中央组织作为电子货币交易调解方的需求。
Gawker曾发布一篇文章曝光“丝绸之路”地下市场利用比特币进行毒品交易,而这一消息于2011年使得比特币的受欢迎程度开始迅速增长。此时,“altcoins”模拟器亦开始出现,其通常直接使用比特币的源代码。在两年之内,流通中比特币的总价值已经超过10亿美元。
此后,技术专家们意识到区块链也可用于追踪资金之外的其它事物。2013年,19岁的Vitalik Buterin提出了以太坊(ETH)——其不仅能够记录货币交易,同时亦可记录被称为智能合约的计算机程序状态。以太坊于2015年正式上线,现已拥有众多竞争对手与模仿者。其有望在下一代应用程序当中提供与现有应用类似的使用体验,但却通过去中心化加密货币网络——而非中央服务器——作为资源支持。
1. 交易的诞生
在比特币中,交易的本质在于将加密货币由一个人(Alice)转移至另一个人(Bob)处。在以太坊中,其提供多种可用于实现自动交易的内置编程语言。Alice可以向Bob发送加密货币; 其他人也可以在区块链上部署一行代码,这就是智能合约。在此之后,Alice与Bob可以将资金汇给该程序控制的账户,以便在满足合约中的某些条件时触发运行,即实际完成资金转移。此外,智能合约还可以将交易发送至其所嵌入的区块链内。
2. 将交易广播至对等网络
还是老例子,Alice打算给Bob点钱。为此,Alice在自己的计算机上创建了一项交易,该交易必须参考过去在交易中获取的资金以执行下一步操作,同时亦要求具有Alice的私钥以及Bob的账户地址。在此之后,该交易将被发送至网络中的其它计算机或“节点”。只要此项交易遵循适当的规则,各节点就会对该交易进行验证。此后,采矿节点(第3步中将详细介绍)将接受新交易,并将其作为新区块中的一部分。
3. 创建新区块的竞赛
被称为矿工的各节点子集将有效交易组成被称为区块的列表。当前区块当中包含最近的有效交易列表以及对前一个区块的加密引用。在比特币以及以太坊这样的区块链系统当中,矿工们竞相创建新的区块——这项工作是一个解决劳动密集型数学难题的过程,且每个新区块都是独一无二的。解决这一难题的首位矿工能够获得一些加密货币作为奖励。该数据难题的本质在于随机猜测一个叫做“随机数”的数字。随机数与区块中的其它数据相结合以创建出经过加密的数字指纹,也就是哈希值。
4. 完成一个新区块
哈希值必须满足一定的条件; 如果不满足,那么矿工会尝试另一个随机数,而后再次计算哈希值。一般来讲,矿工需要进行大量尝试才能找到有效的哈希结果。这一过程的存在使得分类账极难修改,意味着黑客基本无法对区块进行篡改。虽然一部分区块链实体也在利用其它系统保护其链体,但上述被称为“工作证明”的方法才是最根本的安全实现方案。
5. 向区块链中添加新区块
这是实现分类账的最后一步。当某采矿节点成为第一个解决新区块加密问题的计算方时,其会将该区块发送至网络的其余部分接受审查,进而获得奖励数字代币。采矿难度以硬编码形式存在于区块链协议当中; 比特币与以太坊在设计上,强调随着时间的推移解决问题的难度也将逐步增加。由于每个区块亦包含对前一区块的引用,因此这些区块在数学层面被链接在一起。若要对较早的区块进行修改,则需要重复区块链内所有后续区块的工作证明过程。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。