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
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。