日前,IBM提交了一项新专利申请,目的是在用户通过AR访问真实世界的位置时,增强该位置的可信任度。
美国专利商标局(USPTO)上周公布了该专利的申请号——20180311572。
IBM的专利申请文档在描述解决方案时表示,该解决方案能够“阻止AR游戏玩家闯入不受欢迎的位置”,例如私有财产、文化敏感地点或一些高风险地区,包括那些可能犯罪相对集中的地区。
AR应用程序在我们的环境中用了额外一个层次的虚拟“现实”。2016年,首款AR游戏“精灵宝可梦(Pokemon Go)”上架后给游戏玩家们带来了惊喜的体验,引发了一波AR游戏的新潮流,但同时也暴露了一些不足。
Pokemon Go游戏是一款对现实世界中出现的“神奇宝贝”进行探索捕捉、战斗以及交换的游戏 。玩家可以通过智能手机在现实世界里发现精灵,进行抓捕和战斗。玩家作为精灵训练师抓到的精灵越多会变得越强大,从而有机会抓到更强大更稀有的精灵。
然而,这种基于地标位置的游戏也对居民造成了一定对滋扰,比如噪音、交通堵塞、人流等等;有时还会将玩家带到不适当的地方,例如戒毒诊所、纪念馆和私人住宅。
也就是说,这类游戏将物理敏感位置连接到虚拟现实里是时有发生的,尤其是那些在全球范围内开发的游戏。
区块链技术正在解决这一问题。当用户接近敏感区域时,就可以发出警告。
IBM的专利文档表示,“该方法的实现所基于的是海量位置数据库,其中包括移动设备等第一传感器所获取的数据,以及针对移动设备的位置所访问另一个首要位置等等。该方法还包括:从首要位置数据库里检索增强现实对象;在移动设备处于敏感位置时进行标注;修改增强现实对象令移动设备位置根据对应的标示做出响应。”
基于区块链的数据库将提供需要避免的位置记录,数据库包含的记录存储在多个系统上,因而使得伪造记录和时间戳变得非常困难。
当然,这些数据库的记录不仅可以用于为AR游戏提供拒绝访问的区域信息,而且还可以增加对安全区域的可信任度。
专利文档还提到,“参与者或用户可能会由于不同目的恶意描述某个位置”,例如出于攻击或破坏目的,因此,能够获得更“可信赖”的来源。这有利于保护所有年龄段游戏玩家的利益。
除此之外,专利文档进一步描述了如何用同样的区块链技术为玩家、监管机构和企业提供唯一加密ID。该唯一ID可以保留游戏历史的所有权,包括访问过的位置及时间。
对此,IBM的基本思路是利用区块链保护和隔离一些在AR体验期间可能引起客户兴趣的物理位置,以吸引未来客户进一步探索。一方面,推动AR游戏的发展,另一方面也避免之前Pokemon Go所面临的问题。
如今,IBM已经不是唯一一家将块链技术用于银行、保险和加密货币以外区域的技术巨头。
比如,索尼上个月也宣布开发了数字版权管理(DRM)平台,旨在保护基于区块链技术内容创建者的知识产权。
该系统建立在索尼现有的DRM工具基础之上,这些工具可以跟踪受版权保护的数字内容,而区块链固有的安全性也赋予这个系统独特的优势,具备处理与访问权限有关信息的功能。
区块链的工作方式意味着索尼能跟踪数字内容从创建到共享的全过程,也就是说,区块链DRM工具的用户将能够知道并验证电子数据是由谁在何时创建的。
现阶段该系统主要应用在索尼全球教育,但该系统也适用于各种类型数字内容的权限管理,支持音乐、电影、虚拟现实内容等娱乐媒体。当然,除此之外,索尼也正在考虑该技术在其他领域中的可能用途。
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。