
现如今,大多数人在购买新产品或尝试新服务时,都习惯在网上先查看其他人的评论。不单单是在中国,据统计,在美国,超过80%的成年人在第一次购买物品之前也会阅读网友评论。然而,根据Pew研究中心的资料显示,阅读评论的人中也只有一半的人认为评论准确地描述了产品。
无疑,这是因为在线评论和评价可以由人为操纵。
设想一个场景,当你身处英国伯明翰,利用Yelp找到了一家不错的阿根廷风格餐厅,甚至还看了一遍评论,发现一位名为Ivan Stravensky的网友的撰文推荐,最终为此所动决定去这个餐厅用餐。
但问题是,不仅仅这样的评论可以人为操作,甚至连这位网友的身份也可能是虚拟的。
凭空创建一个虚假用户并不难,需要的只是一个有效的账户名称、一些社交媒体账号和内容,而这些都可以通过重复创建几个空壳账号的方法来完成。然后,任何人都可以借助新的线上身份轻松评论Glassdoor的CEO、亚马逊上的产品、TripAdvisor上的酒店以及Yelp上的狗狗美容服务。
然而,区块链的出现将很快改变这一局面,它将为我们创建一个更值得信赖、更可靠和更透明的网络环境。
在线评论将变得极端透明
在互联网的“林子”中,什么“鸟”都有。去年,一家美国汽车经销商被发现自导自演了虚假评论后被迫支付360万美元的罚款。此外,还有一个网友设法操纵了TripAdvisor评级系统,将自家后院的棚子变成了全伦敦排名第一的餐厅。
但如今,利用区块链就有办法跟踪那些留下评论的人,可以确定他们是否真在评论过的餐厅进过晚餐,或是真的在他们给过评级的狗狗美容店给狗狗做过美容,或是真的购买过给了五颗星评价的产品。
区块链系统可用于创建一个人的数字地图,基本上就是个在线ID,包括出生记录、家庭住址和大学毕业证书等等信息都可以放在区块链上。
区块链还可以跟踪我们的日常活动。通过与由物联网生成的数据关联在一起时,可以根据位置数据用来记录和验证员工是否在工作日出现在特定的办公地点,或是通过客户的支付数据用于跟踪客户的购物习惯。
简而言之,区块链使得我们能够跟踪和验证在发表产品和服务评论时的第一手资料。
区块链的透明性正在改变各行各业
因此,区块链将是创建类似Yelp、Glassdoor和TripAdvisor等新型透明评论网站的基石。
除此之外,区块链系统的极度透明性也已经在改变其他行业。譬如,All Public A就正在利用区块链验证艺术作品的出处。区块链的核心原则是可以鉴定和验证交易,这些功能可以轻松快速地保证过去交易的有效性,从而确认艺术品的所有权。
再譬如一些使用区块链验证在线产品评论的初创公司(如Zapit和Revain),目前它们正在用加密货币付费给那些发布真实和准确评论的用户。但区块链能做的远远不仅仅只是用来提供“诚实奖励”,还可以通过在分布式数据库上检查用户的身份、交易信息以及历史位置信息等,从而用于评论的即时验证。
匿名的带来的影响
其实,用户匿名是Reddit等网站或Amino应用一类的小众网络的核心精神和个性。用户名可以接地气或具有创造性,因此无需与用户的现实世界身份接轨,这有助于培养在社区自由表达意见的群体。而同时,匿名则会令有些人释放本性,表达仇恨观点及发表威胁性言论。比如在做购买决定时,匿名的评论对其他潜在客户的帮助就非常有限,因为匿名可以让他们对自己的言论“不负责任”。
对应地,配有验证系统的网站也就更加可信。比如 Uber、Turo和Airbnb等应用程序与Facebook账户和信用卡绑定在一起,通过面部识别、指纹和其他验证方法也会令用户更信得过评论。虽然在这些平台上也可以用空壳账户进行注册,但文档、用户数据、面部识别这些方法则会在很大程度上解决验证的问题。
可以预见的是,这一话题会变得越来越重要,特别是现在的人工智能机器人都能够撰写令人信服的评论的情况下,区块链也将能帮助识别和区分机器人写的评论和真人写的评论。
因此,区块链对极度透明性的贡献及对网络可信度的提高是一个正面的发展方向,它可能最终将我们从虚假新闻和虚假评论里解放出来。
前面的路还很长
不过,验证和分布式并不一定要齐头并进。
想象一下,沃尔玛(Walmart)用区块链技术跟踪从农场到商店到桌上的苹果。如果沃尔玛拥有链条上的每个节点,你怎么知道买的苹果实际上是有机苹果或是来自某个特定的农场?因为你相信区块链头部的那个农户,也相信沃尔玛整个区块链的其余部分,这跟没有区块链时你选择相信沃尔玛是一样的。
所以,验证协议需要与大量可用数据和一定程度的分布式相结合才有意义。区块链在创建一个更值得信赖的世界拥有无限的前景,但前面的路还很长。
好文章,需要你的鼓励
谷歌DeepMind等顶级机构联合研究揭示,当前12种主流AI安全防护系统在面对专业自适应攻击时几乎全部失效,成功率超过90%。研究团队通过强化学习、搜索算法和人类红队攻击等多种方法,系统性地突破了包括提示工程、对抗训练、输入过滤和秘密检测在内的各类防护技术,暴露了AI安全评估的根本缺陷。
西蒙弗雷泽大学和Adobe研究院联合开发的MultiCOIN技术,能够将两张静态图片转换为高质量的过渡视频。该技术支持轨迹、深度、文本和区域四种控制方式,可单独或组合使用。采用双分支架构和分阶段训练策略,在运动控制精度上比现有技术提升53%以上,为视频制作提供了前所未有的灵活性和精确度。
英国国王学院研究团队开发了潜在精炼解码(LRD)技术,解决了AI文本生成中的速度与准确性平衡难题。该方法通过两阶段设计模仿人类思考过程:先让AI在连续空间中"深思熟虑",保持多种可能性的混合状态,然后"果断行动",逐步确定答案。实验显示,LRD在编程和数学推理任务中准确性提升最高6.3个百分点,生成速度提升最高10.6倍,为AI并行文本生成开辟了新路径。
清华大学团队开发的ViSurf是一种创新的大型视觉语言模型训练方法,巧妙融合了督导式学习和强化学习的优势。该方法通过将标准答案整合到强化学习过程中,让AI既能从正确答案中学习又能保持自主推理能力。实验显示ViSurf在多个视觉任务上显著超越传统方法,特别是在处理模型知识盲区时表现突出,同时有效避免了灾难性遗忘问题,为AI训练提供了更高效稳定的新范式。