至顶网CIO与应用频道 07月30日 编译:总部位于伦敦的捷克设计师Martina Spetlova成为第一个将Provenance区块链技术平台全面整合到自己服装品牌的人。Spetlova坚持认为“更多的是事关故事本身”,要简化技术术语,专注于为消费者带来利益。
2013年,技术设计师兼工程师Jessi Baker建了Provenance,目的是提供一个可信赖的系统,使供应链更加透明。迄今为止,Provenance已经帮助成千上万的食品品牌获得了消费者的信任,消费者可以看到所购买的物品来自何处。Provenance后来又进行了针织品品牌Martine Jarlgaard的试点案例研究,现在他们开始将旗下的技术用到时尚品牌上了。
Spetlova对于时尚供应链的复杂性有如下的解释,“对于小型品牌和刚开始的人来说会容易一些。一个设计师有这么多的供应商,除非他们做出一些重大改变,否则大企业很难应的上这种技术。”
Spetlova在过去几年中逐渐在她的品牌中做出了这些改变,以便可以更具可持续性及在自己的产品里添加更多引人入胜的元素。她使用的是无铬皮革,无铬皮革是一种毒性较小的鞣制工艺,有助于保护工人和水源。她用的无铬皮革是由土耳其的一群难民手工艺人与NGO Small Project Instanbul合作编织的。另外她还用了由再生塑料瓶制成的织物,将其整合到自己的作品里,她还希望将来能用上和平丝绸。她提高了选择性要求后,将供应商和制造商的数量缩小到仅仅五个。
而大品牌要这样做是无法想象的。Spetlova制造的品牌有自己独特的方式,她的品牌放在Selfridges和奇特的精品店出售,包括伦敦的Machine-A和纽约的Odd92,和竞争对手的做法不尽相同。Provenance帮助她将信息工整地包装在防水芯片里,芯片则存储在衣服内部并可以用手机摄像头扫描,获得衣服所经路线的网页链接,链接网页里有详细的描述。链接也可以在线共享,以简练的方式为消费者提供所需的信息。Spetlova表示, “一般消费者并不需要知道这个拉链是当天从YKK送到Martina工作室的,但链接可以提供社区信息,消费者可以了解品牌来自何处,可以读读背后的故事,看看图片,是一种对品牌的情感依恋。“
Spetlova第一个完全整合了Provenance的时装系列要在10月份之后才能上架,但她表示到目前为止各方的反应都是关注或好奇。她表示, “即使通常不会购买Martina Spetlova品牌的买家对这项技术也颇感兴趣。”她提到会将即将上架的品牌系列送到展销会展出。对于买家来说,在商店里无需销售助理帮助就可以容易获得如此多的品牌信息,这一点肯定特别吸引人。
Spetlova按月支付使用Provenance平台的费用,她的供应商也必须创建自己的帐户和个人资料,但说服供应商并不难。他表示,“小型工作室和公司更喜欢一些,因为平台也是一个很好的营销工具。“由于多个商家可以提供信息,非常重要的一点是不能编辑和更改已输入的信息,因此这东西远比那种“某地制造”的标签更先进、更详细和值得信赖。购买服装的人也可以直接与设计师联系进行维修,而且他们也可以将自己添加到链里,展示服装生命的下一个阶段。如果穿服装的人不止一位,这一部分就变得更加有趣了,因为该技术令认证复古时尚未来的可能更加容易了。
时尚界围绕区块链的热门话题多是如何解决某个问题。验证设计师商品和认证可持续供应链的可能性对行业很有吸引力,但Spetlova成为最先采用区块链技术的原因似乎就简单得多。 她兴致勃勃地表示,“时下是时尚可持续发展激动人心的时刻,有很多创新的东西。我一直在做可持续发展方面的工作,科技的到来更加令人兴奋,因为一个人可以成为可持续品牌,同时又是个创新品牌。“她表示, “我相信下一季会有更多的设计师使用这种技术。”
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。