2020年伊始,注定会在史册中记下浓墨重彩的一笔,新型冠状病毒肆虐,打乱了我们的工作和生活,带来新的挑战,然而,机遇总是与挑战并存,在变化中萌发新的生机。
去年起,区块链技术的集成应用被视为技术革新和产业变革中的重要一环,科技行者特推出《区块链启示录》栏目,遍访区块链从业者,希望从他们的观察中发现新机遇,为区块链行业带来启示。
《区块链启示录》本期,科技行者对话腾讯区块链产品负责人卢洋,以下是这次访谈的对话实录。
▲ 图:腾讯区块链产品负责人 卢洋
科技行者:目前腾讯是如何办公的?疫情对既定的工作进度有哪些影响?
卢洋:腾讯是家互联网公司,日常使用线上办公软件就比较普遍,现在各类办公软件比较丰富,功能也强大,大部分工作能正常推进,比如大家通过腾讯会议就可以方便的进行多方线上沟通协作。
当然,一些线下客户拜访就不得不推迟或者取消,因为沟通受限,有些决策速度会受到一些影响。此外因为疫情,有些合作伙伴的工作重心有了较大调整,也会影响到我们之前的工作计划。
科技行者:疫情作为突发事件,在对抗疫情的过程中,也出现了诸多社会问题,您觉得,有哪些区块链技术可以帮助解决问题的地方?
卢洋:由于突发的疫情,口罩变成了最紧缺的防疫物资,市面上开始出现一些来路不明的假冒劣质口罩,以次充好,威胁到医务人员和人民群众的安全,而区块链在溯源方面可以发挥很大的作用。
另外,在口罩、防护服等医疗物资的分配、调度上,区块链技术也有用武之地。疫情来临,如何有效地把医疗物资做到合理管控,区分哪些核心医院、哪些科室最需要医疗物资,分配了多少物资储备,物资的分配过程是不是有效、及时,区块链可以解决效率、协同问题,保证医疗物资信息传输的透明高效。
区块链可以在协调生产资料方面提高效率,调动各方的参与度,同时还能够更好的保护数据隐私,这是传统的中央数据库所无法比拟的。
这次疫情中,社会各界高度关注疫区,为疫区提供大量物资和资金,但捐赠物资和资金的分配效率也在社会上引起了广泛讨论。
公益其实也可以用到区块链技术,捐赠者通过公益平台捐赠给需求者,区块链可以跟踪反馈捐赠路径,捐赠者爱心传递的每一步都可以在链上追溯,从捐赠方到受益者实现全链条透明化,捐赠者可以更放心地实施善举。
科技行者:这次疫情之后,您预测,区块链会有哪些应用场景可能加速落地?
卢洋:疫情突然让人与人之间有了“距离”,怎样避免接触或少接触来阻断交叉传染,是这一个月来人们脑子里最紧绷的那根弦。取快递、买菜、坐车……各种场景,大家都在想方设法实现“非接触”。
不仅生活如此,许多对公场景也在力求无接触,特别是诸如办税、纳税等涉税工作,不能耽搁,况且又是窗口服务,非接触式服务就有了诸多新尝试。
传统纸质发票需要去办税大厅申请并领取,提高了传染风险。为了减少接触,各地税务机关创新性地推出了线上申领发票、快递送票等方式来减少接触。
如果使用区块链电子发票,发票申领、快递送票都可以省去,可实现真正的非接触。
企业在线注册开通区块链电子发票,既不用购买专用纳税设备,也不需要去领取发票,更没有发票额度的限制,实现了更纯粹的无纸化流程,是真正的非接触。
从2018年8月,全国首张区块链电子发票在深圳国贸餐厅开出,一年多时间里,由腾讯区块链提供底层技术支持的区块链电子发票,开票数量已经突破1600万张。
今后,区块链电子发票可能会被更多的人接受,因为体会到非接触、无限量领取发票的便利,不论是企业、个人,还是税务部门,对这种省时省力的涉税体验会更欢迎。
科技行者:前两年,大家都在关注区块链如何赋能实体经济,您觉得,接下来,区块链产业的发展重点是什么方向?
卢洋:如何赋能实体经济,还会是区块链技术接下来持续面临的课题,区块链产业仍处于相对早期阶段,大规模的社会化应用还没有到来,需要区块链从业者的共同努力,做好基础设施建设,未来区块链必将承担更大的社会责任,发挥其应有的社会价值。
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。