IBM公司今天宣布推出IBM Blockchain Founder Accelerator计划,让被选择的企业开发人员能够利用这项服务更快地将区块链网络用于产品。
该推动计划是IBM提供的第一个此类计划,它让开发人员可以获得分布式分类账技术以及IBM自己的区块链生态系统的相应支持、法律和业务知识。
为了让新企业更好地尝试区块链技术,Founder Accelerator计划提供了由商业案例开发、网络会员奖励、技术开发治理和法律问题方面的网络创始人和技术专家的,一对一的指导和支持。
区块链——受信任及加密保护的分布式分类账,已经在包括银行金融服务、医疗保健和民政等众多行业中得到应用。每个应用程序和行业都为开发团队带来了不同的挑战,包括要决定保护的资产、如何保护自己以及经常需要考虑解决哪些法律和监管方面的问题。
IBM区块链技术总经理Marie Wieck表示:“区块链是一项团队工作。” Marie Wieck表示,“有了恰当的参与者在区块链上的合作,效益的增长可能会是指数级的。”
Wieck补充表示为协助计划成员,IBM正积极构建针对各个行业的解决方案和整个区块链生态系统。 她表示,“我们正在分享我们的专业知识和资源,以帮助更多的组织快速地建立其他们的网络。”
敏感数据保护解决方案开发商Schedule1公司的首席执行官Kevin Ellison表示,IBM的协助证明,“推动我们基于区块链服务的开发和交付是无价的。”
Ellison解释说,Schedule1作为安全和隐私解决方案的提供者,不得不考虑到符合欧盟新颁布的General Data Protection Regulation(一般数据保护条例)等法规要求。IBM将在这个推进计划中带来一些专业知识,IBM曾用这些专业知识帮助Schedule1进行新的区块链尝试。
计划参与者将获得敏捷设计的“bootcamps”,以帮助开发人员在Design Thinking Workshops中快速构建,迭代和启动块链网络。来自IBM Research团队的、擅长创建区块链解决方案的技术和商业导师们还将帮助参与者了解和使用IBM Hyperledger Fabric,这是IBM的区块链解决方案(包括由Linux Foundation承办的项目),以获得区块链系统的知识。
IBM打算通过IBM的云平台Bluemix和Hyperledger,为参与者提供自己的技术——包括IBM Blockchain解决方案。为了实现这一点,所有计划成员将获得价值高达12万美元的IBM Cloud信用额,以使其能充分利用IBM的产品生态系统。
计划成员可以使用的IBM Cloud功能包括Document Store(文档存储)——富安全性的文档存储环境;Provenance Engine(产权引擎)——行业资产和交易的综合历史,具有跟踪资产所有者、位置和状态的能力;Process Engine(流程引擎)——在区块链网络之上的工作流编排系统,用于文档防篡改的维护和授权;还有Member Management and Onboarding(会员管理和入职)——区块链网络中的成员身份管理,包括会员组织和个人用户的注册和安全角色。
为了让IBM Blockchain Founder Accelerator计划顺利启动运行,IBM将在6月2日之前在银行、物流、制造和零售等行业中选取八个新的区块链网络创始人。
该计划采用的是先到先得的模式,对于参与者来说有两层费用。在第一层,投资成本为10万美元,包括上述所有机会。第二层投资成本为25万美元,其中还包括与IBM的Bluemix Garage(创业企业开发者加速器)为期六周业务网络构建。
IBM Blockchain Founder Accelerator计划的申请现已开始,并将于6月2日结束。
好文章,需要你的鼓励
是德科技高级副总裁兼通信解决方案事业部总裁Kailash Narayanan现场指出,算力固然重要,但如果能耗过高,技术的实用性将大打折扣,因此,所有的高速、高性能计算,都必须在极低的功耗下实现,这是AI等技术能否大规模落地的核心前提。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
来自上海交通大学和浙江大学等机构的研究团队开发出首个AI"记忆操作系统"MemOS,解决了AI系统无法实现人类般持久记忆和学习的根本限制。该系统将记忆视为核心计算资源进行调度、共享和演化,在时间推理任务中相比OpenAI记忆系统性能提升159%。MemOS采用三层架构设计,通过标准化记忆单元实现跨平台记忆迁移,有望改变企业AI部署模式。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。