你是否考虑过区块链技术能够给钻石行业带来怎样的影响?恐怕没有。
但实际上,如今的区块链技术有望彻底改善我们从矿山到珠宝店头的整个钻石资产追踪方式。
首先需要强调的是,钻石行业存在问题,与任何极具人气的行业一样,钻石市场也并不总像表面上看起来那么光鲜亮丽。某些钻石产品被称为“血钻”,即经由非法交易进行流通,而产生的收益则被用于资助战争活动。由于市场对于钻石的需求一直相当强劲,因此大家往往意识不到这个问题。更具体地讲,全球约50%的钻石需求来自美国——这丝毫不奇怪,毕竟钻戒已经成为订婚与婚礼上的必备之物。此外,凭借着出色的坚固属性,钻石也在工业领域成为一类重要的原材料。
而在这一切的背后,钻石开采可能代表着一种暴力事件。莱昂纳多·迪卡普里奥(小李子)于2006年主演的热门电影《血钻》就将与非洲钻石开采相关的悲剧事件呈现在整个世界面前。
无论如何,钻石行业的利益相关方当然希望阻止“血钻”这种冲突性的钻石交易活动,而区块链技术则有望成为一种理想的解决方案。
何谓“血钻”?
很多朋友可能不清楚,血钻——又称冲突钻石或者血腥钻石,是指开采于武装冲突地区的未切割钻石原石。这批原石的交易所得将被用于资助战争,而血钻的主要来源包括非洲中部与西部等冲突地区。
根据美国有线电视新闻网(CNN)的报道,在塞拉利昂内战期间(1991年至2002年),全球约4%的钻石原石来自这一个国家!在CBS发表的一篇文章中,专家甚至认为血钻可能占全球钻石贸易总量的15%左右。
上述统计数据十分惊人,钻石行业自然希望发布相关举措以阻止此类状况的继续。其中的典型代表为金伯利进程,此项认证计划希望将地方政府与国际组织联系起来以解决问题。他们的基本思路,在于确保来自各地区的每一批钻石都拥有对应认证。
效果如何?
金伯利进程表示,其已经达成了目标,且成功率高达99.8%。
然而,由于存在众多中间商,且考虑到从采矿到钻石销售之间涉及诸多环节,欺诈活动仍然拥有巨大的生存空间。也有不少人认为,这一进程并未能达到预期的效果——其中也包括钻石业巨头戴比尔斯集团。
钻石区块链
戴比尔斯集团目前占据全球钻石市场中超过30%的份额,最近其宣布正在考虑采用区块链技术。没错,目前钻石领域的业界领袖之一希望利用区块链武器遏制冲突钻石的蔓延。
根据我们对区块链技术的了解,其应该能够发挥作用。在区块链上进行钻石注册将实现理想的透明度。只有少数相关方能够可以这一分类账,从而确保流程中的各参与方都有正确完成工作。您不再需要信任政府、矿山及货运团队——只要钻石在区块链上拥有认证,那么其合法性即有所保障。
戴比尔斯集团计划从初步开采到终端销售对钻石进行全程追踪。这样,它就可以通过数字分类账对钻石的每个传递环节进行观察与核实。
该公司的区块链合资企业Tracr建立于2018年1月。尽管由戴比尔斯创立,但这家年轻的企业强调除非数据所有者共享,否则戴比尔斯方面也无法进行数据访问。他们利用金伯利进程作为指导,面向钻石管理办公室、生产商、开采商、零售商以及其他利益相关方进行投资,从而使得项目逐步成为现实。
来自Tracr主页的截图显示,血钻贸易正是利用这些供应链环节中的脆弱性方得以实现。
不过,戴比尔斯集团并非唯一打算利用区块链技术打击血钻贸易的行业参与者。
早在2015年,Everledger项目就被用于安全追踪钻石去向。其于2017年带着新的钻石延时计划(简称DDLP)重新回归,这项新的举措旨在以实时方式追踪从采矿到认证的整个钻石供应流程。
但Everledger项目与戴比尔斯集团并非毫无关联。这项技术由Dharmanandan钻石公司打造,而Dharmanandan钻石公司同时亦是DDPL的信托方且拥有戴比尔斯集团的原始采购权持有方。换句话来说,Everledger项目的缔造者获得了戴比尔斯集团的授权,许可其采购钻石原石。
究竟血钻贸易如何防止?
IBM公司于2018年4月正式加入钻石追踪阵营,并与多家珠宝公司开展合作。与此同时,加拿大非政府组织Impact则决定脱离金伯利进程,理由是戴比尔斯集团给出的解决方案无法达到理想的效果。
如果这一切属实,那么区块链技术有望在钻石行业当中获得更大的发展空间。
把血钻贸易称为一个“难题”,无疑是太过轻描淡写了。需要强调的是,这类非法交易所产生的利润被直接用于资助暴力与恐怖活动。而区块链正在为此提供一套令人惊叹的有力解决方案。
截至目前,我们已经看到行业领导者们张开双臂接受新的技术成果; 但与此同时,技术本身仍有成长的空间,且过程本身也需要进一步发展成熟。
不过有一件事可以肯定:这些举措将帮助我们进一步思考如何防止血钻贸易,并真正为和平奠定坚实的基础。
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。