至顶网CIO与应用频道 03月20日 北京消息:人们很容易被区块链的美好前景和大肆宣传所误导,但现实是许多打着“区块链”旗号的解决方案往往缺失了区块链的重要组成部分——尤其是通证化和去中心化。首席信息官和商业领导们在分析评估区块链的成本效益时,这种“关于区块链的文过饰非”令他们产生极大的困惑。此外,这种认知不仅不全面,也未能如实反映区块链技术正不断演化的本质。
在三至五年内,目前区块链的许多核心技术问题都将会有解决方案。
在考虑部署区块链时,首席信息官急需一种模型,以帮助他们轻松并精确地将企业需求与合适的区块链解决方案或替代技术相匹配。
Gartner创建的区块链频谱(Blockchain Spectrum)可以审视区块链解决方案的阶段式演变,以及这一演变过程将如何与企业可实现的预期价值保持一致。
区块链频谱由四个基于产品及相关特征细分的原型构成,其中一些原型在未来若干年内都无法充分发展。每个阶段都存在机遇和风险,但首席信息官应开始对各个阶段进行一定程度的尝试。
区块链储备阶段(Blockchain-enabling)
相关技术为创建未来的区块链解决方案奠定了基础。这些组件也可用于非区块链解决方案的一部分,例如提升分布式数据管理系统的运行效率。构件包括加密(cryptography)、分布式计算(distributed computing)、对等网络(peer-to-peer networking)和消息传递(messaging)。
区块链创新阶段(Blockchain-inspired)
目前,大多数企业级区块链解决方案均属这一范畴,他们使用区块链使能阶段的组件来创建限定范围内的项目。他们用来对区块链计算体系原型的尝试——如:集中式公证(centralized notary)、分布式或复制数据存储(distributed or replicated data stores)、散列/签名(hashing/signing)和消息传递层(a messaging layer)。但至关重要的是,他们无法对多种数字和非数字资产进行通证标签,此外,他们在设计之初也并没有考虑去中心化运营的基础。
区块链创新的解决方案有望解决诸如欺诈和调解等挑战。
这些创新类项目采用传统结构进行数据管理、用户参与和网络控制。他们通常复制现有的集中式企业交易和信息系统。尽管这能让各企业尝试使用区块链并可能通过建立联盟链的方式开展协作,但他们并不算是真正的颠覆性革新方案。首席信息官将无法通过这些解决方案来满足企业首席执行官的关键性需求,即构建全新的商业模式。
虽然区块链启发的解决方案可以实现诸如减少欺诈和调解等挑战,但首席信息官必须评估为此付出额外的投资是否值得,因为其并不能提供比传统方式更好的解决方案。
区块链完善阶段(Blockchain-complete)
区块链完善解决方案为使用智能合约(smart contracts)、通证化(tokenization)和去中心化运作架构(decentralized operational structures)的全新商业模型提供了新途径。这些解决方案将具备区块链的所有关键能力并有望提供完整的价值主张。
完善的区块链解决方案将通过智能合约和去中心化实现通证的流转,这是区块链创新解决方案通常缺乏的两个部分。这些能力是催生新商业模式的基石。引入和使用加密货币令牌和其他形式等的通证类资产将造就不可限量的虚拟货币系统。
要将这些解决方案与区块链创新类解决方案区分开,可以从以下几个问题入手:该方案如何实施、解决方案如何处理数据、数据用何种方式保存、通证化是否停留在设计层面、交易治理是如何启用以及链内/链外如何实现数据同步。
区块链增强阶段(Blockchain-enhanced)
区块链的去中心化经济实力和微交易搭配人工智能(AI)的智能决策能力以及物联网的感官能力,三者将为商业和社会创造前所未有的颠覆性技术架构。
首席信息官和企业领导者决不能低估区块链完善和区块链增强解决方案的彻底颠覆性本质。
最后,区块链将通过生物黑客(biohacking)“本我互联网”的方式在物联网(the development of the Internet of Me)等外部科技与未来人类之间提供更加无缝的连接。
首席信息官和企业领导者决不能低估区块链完善和区块链增强解决方案的彻底颠覆性本质。在三到五年内,许多区块链的核心技术问题将有望得到解决。
建议企业领导者进行足够的情景规划和技术试验或跟进考虑去中心化和通证化未来技术颠覆的可能,以免减弱长期的竞争能力。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。