
全球最大的食品生产商——雀巢(Nestlé)宣布将扩展区块链技术的应用,利用IBM Food Trust区块链项目覆盖该公司的高端咖啡品牌Zoégas。
雀巢在瑞典推出了精选版本的Zoégas全豆以及烘焙和研磨咖啡,“2020之夏”100%使用了雨林联盟(Rainforest Alliance)认证的阿拉比卡咖啡豆混合而成,这些咖啡豆来自三个产区——巴西、卢旺达和哥伦比亚。通过区块链记录的数据,购买者们现在将能够追溯其买到的咖啡的来源。
在这段追求责任制、可追溯性和透明度的旅程之中,同雨林联盟的合作非常重要,因为该联盟独立提供了雀巢通常不会披露的可靠数据。
雨林联盟提供自己的认证信息,以保证咖啡的可追溯性。每个人都可以使用IBM Food Trust区块链平台直接访问这些信息。
只要扫描包装袋上的二维码,消费者就可以看到咖啡从种植地到赫尔辛堡Zoégas工厂的旅程,在Zoégas工厂里,这些咖啡豆被烘焙、研磨并包装。他们能够看到的数据包括农民、收货时间、特定货物的交易证书以及烘焙时间等。
我和雀巢区块链负责人和数字化转型经理Benjamin Dubois进行了交谈,他向我解释了这一新的区块链里程碑对雀巢的意义,以及为消费者提供透明度的意义。
“对我们来说,Zoégas和雨林联盟的合作是一个重要的里程碑。实际上,无论对于这个类别还是对于雀巢来说,这都是第一次得到独立的、高度可靠的组织——雨林联盟(Rainforest Alliance)将自己的信息上传给雀巢,并且通过雀巢的产品提供给消费者,这一切都是通过IBM Food Trust区块链平台完成的。”
“这是我们努力通过技术为消费者提供信任和透明度旅程的第一步,我们不仅仅在尝试通过IBM Food Trust这样做,我们还有其他一些技术和平台(例如OpenSC),这些强大的技术产品组合覆盖了我们在这个领域内的绝大部分用例。”
“为了追求透明度,我们当然希望能够在未来几个月内将IBM Food Trust的使用扩展到更多的产品上——而不仅仅是咖啡。”
雀巢正在进行的区块链工作
作为IBM Food Trust的创始成员之一,雀巢一直在推动区块链技术在食品供应链管理中的应用。实际上,该公司的工作已经超出了对IBM私有区块链的使用,他们在2019年宣布同OpenSC建立合作伙伴关系,尝试对一些基本商品使用公共区块链。
Dubois解释说,在公共区块链方面的工作主要围绕着针对关键商品和可持续性问题应用公共区块链技术。
“这是一些长期的项目,因为我们有时候必须从一开始就采用正确的技术,在复杂的供应链中构建可追溯性和透明度,还需要构建一种数据驱动的、连续的方式来监控和报告我们对消费者和相关方的影响。”
他对我表示:“同OpenSC的合作正在进行,包括乳制品(从新西兰开始)和棕榈油(从墨西哥开始)。最近有很多激动人心的工作、技术测试和实施,我希望你能够在2020年看到它们的早期形态。”
同时使用OpenSC、IBM的Foodtrust以及IFT Consortium的好处在于这种做法让雀巢能够广泛地处理食品供应链管理部门的可用数据。
Dubois表示:“对于雀巢来说,IFT是一个现成的解决方案,非常适合传递和整合现有的数据源,提高我们产品的可追溯性,让我们为消费者提供比以往任何时候都高的透明度。”
“此外,该解决方案的成熟度以及我们在这方面的经验意味着我们可以快速部署到新的产品,并且帮助我们的合作伙伴理解如何提供数据。在2019年,我们在法国为消费者提供了两种产品的数据,在北欧提供了一种产品的数据。这些都是里程碑,既是对消费者的首次测试,也是出于实现角度的考虑。
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。