我们的世界正在缓慢但却坚定地向着环保方向前进,如今各类对气候变化拥有重大影响的人类活动也得到社会的普遍关注。近期,联合国气候变化大会详细探讨了相关主题,特别是如何改变政治、经济与人类活动以限制我们对环境的破坏。
尽管石油与时尚行业的碳足迹几乎没有多少改善空间,但其他行业(特别是科技行业)绝不应停止突破局限、寻找解决方案的脚步。对于各个行业而言,如果继续重复以往那种漠视可持续性与公平发展机会的错误,那么整个人类社会都将走上一条终将毁灭的不归路。而在这方面,新兴技术有望彻底改变固有的游戏规则。
技术有望解决诸多困扰人类的问题,包括气候变化与环境衰退。但随着技术的不断发展,人类天然的短期逐利性往往忽视了可持续性在发展中的重要意义。如果想要实现我们梦寐以求的可持续未来,这样的情况必须及时得到扭转。
与大多数技术一样,在可持续发展方面,区块链目前的迭代机制存在着诸多缺陷。这一点已经成为加密货币采矿中的头号挑战,而比特币采矿也确实已经耗费掉我们的大量能源。
研究表明,在整体比特币网络当中,每年的采矿耗电高达52.9到73.12太瓦时,与奥地利全国的年用电量相当。这一切,当然也对气候变化产生了重大影响。有些朋友可能对此表示质疑,那我们不妨将这些电能全部归于水电或者核能等低排放/零排放来源;但是,即使如此,巨大的能源消耗仍然会带来其他一系列无法忽视的系统性难题。
一方面,这构成了巨大的进入壁垒。散户矿工往往无法负担高耗电量带来的可观成本,更不用说高端比特币采矿设备那令人咋舌的恐怖售价。这意味着他们根本没有从比特币采矿当中获利的可能性。与此相对,以规模经济效应为诉求的大型矿池应运而生,而这波集中化浪潮显然与中本聪当初设想的去中心化区块链基础背道而驰。
技术,特别是区块链之类的新兴技术,有望迎来更科学合理的替代性发展方案。昔日的创造者不可能考虑到其发明带来的一切潜在影响,但如今我们能够纵观古今,并以此为基础预见一切可能出现的问题。我们意识到陈旧的技术基础设施会带来高昂的升级成本(包括资本成本与生产力损失等等)。虽然未来一定会出现我们当下无法想象的进步,但如果能够从起步阶段就将可持续思路贯彻进来,那么付出的代价同样会小得多。
在探讨技术背景下的能源问题时,大家首先想到的当然就是以电力为首的直接能源利用范畴。但是,其中还包含其他较为模糊的方向,特别是“电力”在英文中与“权力”对等,而区块链则希望在这个方面还权力于人民。不过,只有参与的群体足够广泛,这种权力去中心化才能真正实现。
考虑到这一点,正在着手开发新型区块链项目的人们需要深入研究,并从起步之初就明确自己到底想要建立怎样的项目。如果以去中心化为核心目标,且希望具有不同经济背景的人都能齐聚于此,就必须选择真正能够实现这一目标的共识机制与平台架构。相比之下,比特币网络所使用的工作证明机制就属于纯粹的能源密集型运营,从现实来看这是一种促进集权化的解决思路。
作为工作证明的主要替代方案,权益证明机制虽然解决了能源问题,但同时也给项目参与与集中化来源创造了新的障碍。为了参与其中,人们必须进行认购,而投入得越多、回报也就越丰厚。在这种情况下,虽然二者驱动集权化与参与门槛的具体方式有所区别,但得到的结果恐怕并没有多大差异。
正因为如此,时空证明(一种利用普通台式PC上闲置磁盘空间运行区块链网络的协议)更具发展前景。其与工作证明一样无需许可协议,但所消耗的能源远低于工作证明。时空证明让网络参与者们提交自己的一部分磁盘空间来创建区块网格,这就打破了以往区块链构成形式的固有樊篱。
最终,通过可持续性与更加公平的技术开发方式,行业推动者们有望建立起一个相互尊重的社会形态,突破固有局限实现更新技术与更佳模型。通过多种不同的区块链技术塑造方式,我们不仅能够消耗由此给整个社会带来的沉重能源负担,同时也将让每个人都参与其中并影响未来发展,从而真正让区块链项目回归去中心化这一本源。
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。