用于检查西红柿的苹果iPhone版应用程序,其中显示当前产品来自美国马萨诸塞州沙龙的Wards Berry农场
一部分支持者认为,区块链技术有望给整个食品行业带来颠覆,包括提高食品业务体系的效率、透明度与协作水平。
消费者能够借此在数秒钟之内追踪所购买生菜的来源,托运人能够在安排交货之前查看卡车是否装满。杂货店可以验证鸡蛋的来源鸡只是否为圈养。随着区块链技术越来越多地与食品系统中的市场卖点相结合,如今最重要的就是认真思考技术要如何在实际场景中发挥作用。
区块链技术最初是作为加密货币比特币中的组成部分开发而成,但加密货币环境中的底层技术在表现形式上与加密货币/比特币完全不同。比特币所采用的区块链属于一套不可变的数字分类账,通过计算机系统的共识实现运作。
比特币区块链上的计算机实际上会以彼此竞争的方式正确解决计算任务,当其中之一在比赛中“胜出”时,其即会刻一单位的加密货币——代表着某一数据块被添加至链中。比特币区块链上的大量计算机系统会消耗巨大的能源成本,这意味着适用于比特币的设计思路在农业领域将造成致命的影响。很明显,农民所需要的区块链必须具备更强大的扩展性以及更低的使用强度。
在过去一周中沃尔玛-IBM共同发布的区块链之内,该系统的规模受到更为严格的限制。其仅适用于沃尔玛公司的绿色蔬菜食品供应链,且仅面向数百名参与用户——而非加密货币那样成千上万用户。在这一场景下,数据链的数字增加速度更慢,因此验证节点数量更低; 更重要的是,其整体能源消耗量也更少。另外,IBM系统同样拥有强大的信任体系,因为其中的成员来得同一供应链且彼此了解。
一名工人在美国佛罗里达州New Limeco有限公司的包装厂中通过一台计算机对牛油果进行分类
区块链技术属于一套数字分类账,各网络成员可向其中添加关于任意数据的数字化记录,且无法自行验证底层数据本身的准确性。由于实际上其并没有评估所输入数据的真实性,因此区块链技术并不能确保散养鸡蛋真的来自散养鸡只,或者生菜并没有受到污染。
对沃尔玛来说,该项技术将被用于向各利益相关者发布通告,证实特定农作物确实来自特定农场。因此如果消费者因食物而患病,政府调查人员将能够更快追踪到相关食材的来源。举例来说,他们可以在数秒钟之内找到受污染生菜的源头,而无需追踪纸质记录——这不仅能够显著减少产品浪费、控制患病人数,同时也能让消费者对食品供应系统抱有更强的信心。
虽然区块链在一定程度上被视为能够解决一切农业挑战的技术,但人们往往很难论证区块链为何比数据库或者任何其它形式的数据信息存储方案更好。很明显,对企业而言构建数据库的难度要远远低于构建区块链——特别是考虑到比特币版本区块链中的一些原始功能(例如无信任验证)根本就不能算是真正的功能。
目前还不清楚区块链技术是否真的就是颠覆食品工业的最佳技术,更遑论具体的实现方式。但凭借着当下极高的受关注度,技术专家们正在积极探索多种方法以转移原有经验并希望在蓬勃发展的种植行业留下自己的足迹。
区块链技术发挥潜力的核心,在于同其它技术培训及系统的相互补充与结合。举例来说,在构建区块链以实现食品可追溯性的同时,生产者还能够构建其它功能系统——例如增强水体检测体制或增加蔬菜种植者与牲畜区之间的过渡面积。
当与传感器以及用于喷撒农药与水的精确输送系统共同使用时(也就是物联网系统),区块链能够收集大量数据并在现场即时使用这些信息。
虽然区块链技术无法验证鸡蛋是否来自散养的鸡只,但其能够为农户提供一种新的、向消费者提供更多信息的途径。农户,特别是那些不直接向农贸市场出售食品或没有机会与消费者互动的农户,往往很难找到合适的渠道来说明自己如何以及为什么选定特定方式种植食物。区块链技术能够帮助农民向消费者提供数据,甚至是更多相关背景信息。凭借着这些,消费者将真正能够以明智的方式选择食材。
举例来说,区块链技术可以告知消费者其购买的玉米在种植当中使用了除草剂,甚至有可能告知为什么要使用这一种除草剂,或者将该除草剂与其它杂草预防系统进行比较。农业的复杂性并不总能很好地在智能手机的应用程序上呈现,但这里我们应该再次强调,区块链技术本身并不是万能的——它也有着自己的长处与短板。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。