至顶网CIO与CTO频道 12月09日 编译:区块链技术现在已经在一些大生态系统里被用到可能的解决方案上,用于解决实时数据访问、合作伙伴隐私追踪及审核等方面的问题。供应链生态系统也属于这些大生态系统之一,供应链生态系统里典型的产品召回每年的费用达800万美元,而利用区块链改进跟踪和追踪功能则可以降低每年的费用。据Gartner资料,至2023年收入超过50亿美元的制造企业中的30%将利用区块链实施各种项目。驱动供应链区块链采用的关键在于增加成本的节约、提高可追溯性和更大的透明度。这意味着即使对于诸如沃尔玛、家乐福、雀巢和多尔等巨头来说都是十分可观的,这些公司都参与了IBM食物信任出处项目。
现有的伙伴关系和网络越来越大,业务的两个方面都有大动作,随着系统和整合进入生产线,技术方面而也是如此。
其中最显着的发展来自IBM和其IBM 区块链平台上食物信任项目,IBM 区块链平台采用了Hyperledger Fabric(超分类账构件)。IBM 区块链平台自2017年8月成立以来其专用网络已扩大到80多个成员,迄今为止已追踪了超过1300产品。一些大的合作伙伴正在增加他们的食品安全和减少粮食浪费,包括Driscoll、McLane、Kroger和Tyson。
IBM食物信任区块链
另一个供应链项目也来自IBM,名为TradeLens。TradeLens最初是与Maersk合作的一个项目,后来MSC、Hapag-Lloyd、ONE和位于加拿大的全球集装箱码头(GCT)也加盟进来。TradeLens的重点是供应链流程的数字化以及减少诸如像开户、海运货物保险发行及运费说明等过程的文本型交易。TradeLens网络在2019里增长到150个成员,跨越80终端和端口以及17个海关。我们也应关注业界其他几个供应链联盟,如全球航运商务网(GSBN)、开放贸易及区块链 Wave;二者均将在2020年全面推出。
技术方面,我们看到主流平台在提升挑战并为企业网络运营提供必要的支持。除了IBM 区块链,其他供应链空间的主要平台当属R3的Corda和基于Quorum的Ethereum和Hyperledger Besu。此外,R3的Corda协议被最大的供应链金融和商业金融网络马可波罗采用。前一阵纽约梅隆的全球最大托管和资产服务商银行也加入了马可波罗网络,成为第28位成员。
马可波罗
显然,技术正朝着更好的自动化以及与当前ERP和库存管理系统的更好整合的方向向前发展。基于德国的Unibright和数字资产智能合同语言DAML之间的合作是一个有意思的方法。 Unibright的区块链整合框架提供了快速推向市场的方法,利用的是低码拖放的办法以及快速区块链开发的广泛建模。再加上DAML是一种智能合同语言,可提供分类账、合同隐私和增强加密的整合等重要功能。这就使得该方法与现有ERP系统(如SAP)系统的整合更方便及可缩短生产时间,以利企业可以聚焦更快地从区块链解决方案获取投资回报率(ROI)。
基于以上各项,2020年里供应链空间的前景可以说是令人兴奋及颇为正面。而以下几条则非常令人期待:
1、我们将看到更多的网络走出概念验证进入试点和生产阶段。
2、我们将看到一些有建树的网络会扩充自己的成员以及扩大产品和服务的数量。
3、我们将看到区块链协议之间互操作性的改进。这些协议最终将彼此“交谈”及共享数据和流程。
区块链技术并非是先有答案再找问题,供应链空间就是个典型的例子。目前供应链面临的诸如低追踪性、复杂的合规性需求、低灵活性而且持份者管理困难都可以通过区块链协议和智能合同安全及有效地得到解决,区块链协议和智能合同可以提供更大的审计能力、原生不变性和脱离对中间调停的依靠性(Disintermediation)。
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。