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
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。