沃尔沃汽车近日宣布,将利用甲骨文提供的区块链平台追踪钴材料的来源。钴是目前电动汽车电池的主要材料之一。自推出首款纯电动车型XC40 Recharge之后,沃尔沃已经提出一项新的业务战略,计划到2025年每年新发布一款电动车型。
甲骨文公司区块链产品管理高级总监Mark Rakhmilevich在采访中表示,“钴虽是电动车电池的核心,但其供应量却相当有限。沃尔沃等企业一直在努力提高钴矿石产量,以支持2025年半数沃尔沃汽车转型为电动车型的计划。根据计算,每辆电动汽车大约需要10至20千克钴。”
沃尔沃希望建立起透明且可靠的数据追溯机制
目前,大部分钴矿石生产集中在刚果民主共和国,但该国因恶劣的钴矿开采条件而受到国际社会的强烈批评。
根据国际特赦组织的调查结果,刚果民主共和国甚至存在7岁儿童参与高危钴矿开采工作的情况。而由此产出的钴矿石,最终会被用于智能手机、平板电脑以及电动汽车的制造。即使条件如此恶劣,儿童与成人矿工每天往往只能拿到1美元的报酬。
沃尔沃公司将利用区块链技术实现对供应链中所有原材料的全球可追溯能力。Rakhmilevich解释称:
“沃尔沃希望通过甲骨文区块链实现原材料追踪,确保所使用的钴矿石来源明确、安全、不存在道德风险。自今年夏季以来,我们一直与沃尔沃紧密合作,共同构建这套原材料跟踪应用平台,用于捕捉制程流程中各个节点产生的相关数据。”
沃尔沃还与可追溯性即服务供应商Circulor合作,将这种新型可追溯供应链方案延伸至电池制造商处。这套端到端解决方案能够保证共享数据的透明度与可靠性,从而极大提高整体原材料供应的质量水平。
继今年夏季在甲骨文与Circulor区块链上成功完成试点之后,沃尔沃汽车现已与两家全球电池供应商(中国的CATL与韩国的LG Chem)达成协议,计划在今年年内开始推广钴可追溯性方案。
甲骨文与Circulor的区块链技术都将被引入CATL的供应链体系,而LG Chem供应链则采用全球采购专业企业RCS Global与IBM提供的解决方案。
在甲骨文区块链平台上捕捉的数据将包括钴矿石来源、重量与大小等属性信息,这套监管信息链将确保各供应链参与方提交的数据真实可信且与全球公认的规范相匹配。
Rakhmilevich指出,“我们一直与沃尔沃以及Circulor保持合作,共同在甲骨文区块链上跟踪原材料来源。具体方案涵盖与制造流程中各节点相关的数据,包括时间、位置、重量与大小等,从而确保所使用的材料安全可靠且符合道德标准。”
区块链技术已经成为供应链原材料跟踪领域的理解解决方案,其提供的交易记录具有不可变特性,同时配合一组与数据记录相关的通行规则。在此基础之上,区块链网络的各参与者都能够独立对交易内容进行验证与审计。
Rakhmilevich指出,“在确保原材料信息准确无误之后,我们会将交易中的各个数据点记录在区块链上,从而建立起一整套不可变且透明的数据网络平台。”
仍有挑战在前
根据Rakhmilevich的介绍,沃尔沃、CATL以及其他七家供应链参与企业目前每月在甲骨文区块链平台上记录约2800万条材料扫描及其他生产信息。他认为记录总量将随着时间推移而不断扩大(并最终发展到供应链中的其他层面,例如对锂与镍矿石的追踪),但如何对这些素材进行管理又构成了新的挑战。
Rakhmilevich解释道,“钴与其他材料需要经历一系列复杂的处理过程,才能确保捕捉到的数据点确实来自原始位置。接下来,必须对数据进行扫描与保护,以保证数据内容与数据位置准确契合。”
根据Benchmark Mineral Intelligence高级分析师Caspar Rawles的说法,沃尔沃利用区块链跟踪钴矿石来源无疑是件好事,但目前刚果民主共和国的大部分钴矿石仍来自小型独立矿山。在这类小规模的手工作坊式矿场中,童工现象与伤亡事故仍然时有出现。
因此,除了来源信息之外,沃尔沃还需要确保钴矿石在整个供应链中得到安全传输(从开采地一直到位于中国的加工与制造厂)。只有这样,原材料中才不致混入来源不明的其他矿石。
Rawles在采访中表示,“沃尔沃公司不仅需要从矿场开始追踪钴矿石,同时还得一路跟进钴矿石的运输环节,直到其以电池形式被安装在汽车当中。只有这样,才能确保其中不致混入不符合标准的材料。”
虽然存在种种障碍,但Rawles仍然对沃尔沃的第一步尝试表示肯定,认为此次试水证明了新兴技术确实能够保证现代产品的可持续性与道德遵循规范:
“随着各大车厂不断推出更多电动汽车,新的供应链需求与实际问题也将摆在他们面前。很高兴看到沃尔沃能够率先利用区块链技术应对由此带来的新挑战。”
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。