
某爱尔兰医疗援助项目支持的区块链本周迎来全球首位“区块链婴儿”。

最初,这个项目旨在资助并解决慈善部门关于捐赠款项公平分配的争议,项目由爱尔兰AID:Tech与荷兰PharmAccess共同主持。目前双方正共同庆祝该坦桑尼亚妇女援助项目的成功,同时迎来区块链上记录在案的三名新生儿。
为了追踪对弱势妇女的援助与支持,该项目创始人希望利用区块链技术推动援助款项交付与数据共享,从而尽可能提升援助工作的实际成效。
AID:Tech的成立初衷
Joseph Thompson是AID:Tech的CEO兼联合创始人,他希望通过该项目为援助工作带来更高的透明度水平。之所以决定投身于其中,是因为他本人曾经历一系列慈善欺诈与混乱的管理体验。
2009年,Joseph参与了Marathon des Sables赛事——这是全球最艰难的挑战赛之一,在撒哈拉沙漠中进行,并赢得了可观的12万2千美元奖金。
但在他的最终询问之下,慈善机构最终承认这笔钱已经被花掉了,且并没能被真正用作预期用途。
这一现状促使Joseph决定改变这一行业,拥有数字货币硕士学位且身为爱尔兰比特币基金会成员的他,选择与已经在技术及设计领域取得成功的Niall Dennehy合作,共同创立了AID:Tech。
他们的最终愿景在于为个人提供法律认可的数字身份,并允许预期受益人直接接收援助。
创新工作,首战告捷
AID:Tech于2015年12月利用区块链技术开展了全球第一次国际援助,资金以这种方式被交付至身处黎巴嫩的叙利亚难民手上。
但欺诈活动总不会消停——就在项目启动后不久,系统检测到有合法受益人试图以欺骗形式领取食品券。系统及时介入,自动注销了对方获取的相关凭证。
私人投资与补助金
提升慈善行业透明度的想法开始广泛普及,并引起了Techstars、Enterprise Ireland以及SGInnovate等私人投资方以及美国支持者Jason Calacanis的兴趣。
该项目还引起了洛克菲勒与Expo2020的关注——后者为计划于2020年10月在迪拜举办的世界博览会。双方都向AID:Tech提供了赠款。
事实上,联合国最近还将其列为2018年全球十大可持续发展目标之一。但真正使该项目获得如此重要地位的原因,实际在于其与荷兰非营利性组织PharmAccess合作建立的新生儿区块链体系。
重点关注产前护理
检测欺诈的能力对于援助提供方与捐助者都拥有着重要的价值。正因为如此,AID:Tech才与PharmAccess在坦桑尼亚开展合作,旨在确定孕妇身份并为其提供必要的护理。
该项目为每位孕妇提供一个数字身份,用于确保她们能够获得怀孕期间所必需的叶酸等补剂; 此外,相关数据会被添加至区块链当中以追踪妇女的孕期进展情况。从登记到医疗预约再到分娩,整个过程都被如实记录在区块链当中。
2018年7月13日,第一名“区块链婴儿”正式诞生,几天之后的7月19日,另外两名婴儿也呱呱坠地。
这套系统目前已经成为为妈妈们提供产后护理、药物治疗以及后续预约的重要底层技术。
改进空间
随着项目的发展,再结合其运营过程中遭遇的一系列挑战,创始人们正在寻求新的保障性技术以满足各种现实需求。
AID:Tech的区块链平台能够安全有效地保护其中记录的任何权利。
但项目仍然面临众多挑战,而欺诈活动仅仅是其中之一。为了解决这个问题,数字身份资料在区块链网络上全面公开,意味着援助方可以在实际行动之前检查身份持有者的个人信息——包括照片,从而确定自己在服务于正确的对象。
从坦桑尼亚的援助资源分配到爱尔兰的流浪者,AID:Tech的一个个成功试水项目正在快速发展。而凭借着可观的投资与强大的合作体系,AID:Tech正在坚定有力地迈出改造慈善行业的步伐。
好文章,需要你的鼓励
Adobe研究院与UCLA合作开发的Sparse-LaViDa技术通过创新的"稀疏表示"方法,成功将AI图像生成速度提升一倍。该技术巧妙地让AI只处理必要的图像区域,使用特殊"寄存器令牌"管理其余部分,在文本到图像生成、图像编辑和数学推理等任务中实现显著加速,同时完全保持了输出质量。
香港科技大学团队开发出A4-Agent智能系统,无需训练即可让AI理解物品的可操作性。该系统通过"想象-思考-定位"三步法模仿人类认知过程,在多个测试中超越了需要专门训练的传统方法。这项技术为智能机器人发展提供了新思路,使其能够像人类一样举一反三地处理未见过的新物品和任务。
韩国KAIST开发的Vector Prism系统通过多视角观察和统计推理,解决了AI无法理解SVG图形语义结构的难题。该系统能将用户的自然语言描述自动转换为精美的矢量动画,生成的动画文件比传统视频小54倍,在多项评估中超越顶级竞争对手,为数字创意产业带来重大突破。
华为诺亚方舟实验室提出VersatileFFN创新架构,通过模仿人类双重思维模式,设计了宽度和深度两条并行通道,在不增加参数的情况下显著提升大语言模型性能。该方法将单一神经网络分割为虚拟专家并支持循环计算,实现了参数重用和自适应计算分配,为解决AI模型内存成本高、部署难的问题提供了全新思路。