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
谷歌近期悄然调整账户存储政策:新注册用户若未绑定手机号,免费存储空间将从原来的15GB缩减至5GB。用户需验证手机号后,方可获得完整的15GB空间,用于Gmail、Drive和Photos的共享使用。谷歌表示,此举旨在确保存储空间"每人仅限一份",有效防止滥用。有分析认为,存储硬件成本上升也是推动此次政策调整的重要原因之一。
FORTIS是专门测量AI代理"越权行为"的基准测试,研究发现十款顶尖模型普遍选择远超任务需要的高权限技能,端到端成功率最高仅14.3%。
AT&T、Verizon和T-Mobile宣布计划组建合资企业,利用卫星技术消除美国境内的网络覆盖盲区,重点服务农村及网络欠发达地区。该合资企业将整合知识产权与地面频谱资源,推动下一代直连设备(D2D)通信发展。目前三方尚未签署正式协议,现有运营商与卫星服务协议不受影响。此前,T-Mobile已与SpaceX合作推出星链卫星服务,美国联邦通信委员会也刚批准了价值400亿美元的EchoStar频谱出售案。
荷兰Nebius团队提出SlimSpec,通过低秩分解压缩草稿模型LM-Head的内部表示而非裁剪词汇,在保留完整词汇表的同时将LM-Head计算时间压缩至原来的五分之一,端到端推理速度超越现有方法最高达9%。