▲瑞士最大零售商Migros公司的徽标,拍摄于2006年9月19日位于克里西尔的一家门店。
随着IBM Food Trust在食品可追溯性方面取得的巨大成功,食品与农产品行业正迅速在供应链体系之内普及区块链技术。现在有消息称,瑞士最大的连锁超市Migros正在TE-Food的帮助下建立自己的区块链食品跟踪系统。
TE-Food公司在宣传中称,其属于一套“从农场到餐桌”的食品可追溯性区块链解决方案。他们与Migros开展合作,希望帮助各大食品生产巨头成长为供应商与各利益相关方的增值合作伙伴。
在新闻稿中,Migros方面表示,这种面向区块链技术的转变已经不再只是营销层面的噱头。相反,他们已经确定了区块链在为客户提供附加价值方面具备的巨大潜力,而且完全能够更好地与当下整个世界对于食品可持续性、道德准则以及相关知识的更高要求相匹配。
在区块链技术的应用当中,某些领域保持着显著的领先地位。其中之一正是用于跟踪以及追溯食品的供应链层面。Migros公司虽然是瑞士规模最大的连锁超市,但与其他采用区块链技术的食品生产巨头相比,其业务体量其实相当有限。
以全球零售巨头沃尔玛为例,其正是区块链食品跟踪与追溯的重要投资方之一;此外,雀巢公司也希望能够利用公链解决方案在供应链领域迈出新的一步。这些都是新时代来临的标志,通过先行者铺平的道路,其他组织也开始意识到区块链带来的助益并逐步实现这项技术的全面应用。
>>>不再是营销炒作
从Migros发布的新闻稿中可以明显看出,该公司对于区块链技术引起的炒作热度并不感兴趣。事实上,当下与炒作相关的泡沫正在快速破裂,进军这一领域的众多企业都开始对实际结果表现出更强烈的关注意愿。
企业已经确定,区块链技术完全有能够为供应链中的一系列关键元素提供支持,包括更低的产品召回难度,以及对整个供应链管理流程进行全面重塑。
区块链带来的一大供应链解决方案优化效果,在于帮助Migros更快完成食品分发并减少浪费,这同时也是欧洲食品安全局面向未来几年建立的一项重大举措中的组成部分。
>>>亟待颠覆
Migros公司在这一技术发展过程中做出的决定证明,供应链管理领域虽然在相当长的一段时间内一直不断完善,但却始终没能迎来真正颠覆性的突破。
区块链技术已经迅速融入各类颠覆性替代方案,而供应链管理目前也成为区块链技术在企业领域最具可行性的方向之一。从IBM等技术巨头的关注重点就能看出,供应链应用已经成为企业级区块链解决方案的一大重要代名词。
IBM公司最近发布了另一项基于供应链管理的计划,但侧重点放在了供应商供应链层面。IBM的Trust Your Supplier项目已经获得了Anheuser-Busch InBev、GlaxoSmithKline、联想、诺基亚、施耐德电气以及沃达丰等合作伙伴的支持,旨在简化供应商的考核流程。
不过,这一目标必须在各类基于食品供应链的项目、特别是IBM及其Food Trust方案的支持下方可实现。Food Trust同样起步于单一重要企业成员,但逐步发展壮大,并足以为Migros这类新兴客户提供领先的技术成果。
>>>杀手级应用何在?
当然,在区块链集成方面,供应链仍然拥有巨大的增长空间。即使是与Food Trust及其它平台合作,目前的大部分工作都仍然以孤立方式独自完成。公链解决方案刚刚开始自己在企业层面的探索脚步,而不同区块链间的互操作性也仍是一个复杂的挑战。
但是,区块链技术并不缺乏杀手级应用——供应链似乎天然适合发挥区块链的优势,特别是在食品跟踪与采购等方面。从农场到餐桌的透明度与不变性愿望,使得相关企业能够利用区块链技术提供附加服务,同时在区块链的帮助下显著改善供应链的执行效率。
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。