全球汽车制造商大众汽车集团(Volkswagen Group)今天宣布与Minespider围绕追踪汽车电池生产情况展开合作。Minespider主要提供可用于追踪原材料道德采购的区块链技术。
区块链技术可以标记和追踪供应链中的每一个步骤:从矿井中挖出矿物,再到经过炼油厂处理加工成组件,一直到变成成品电池,在工厂生产线安装到汽车上。
大众汽车将试用Minespider的道德供应链区块链技术,更好地收集原材料来源以及材料使用情况相关的数据。从4月开始,大众汽车将从原产地一直到工厂对铅材料(用于重型电池汽车的发动机)采购情况进行全程追踪。
原产地可能是矿山或回收设施。该区块链试点项目将涉及到从供应商和次级供应商那里收集数据,这些供应商的铅供应量占到了大众汽车总电池需求的三分之一多。因此,大众汽车将比以往更深入地了解铅材料供应的情况。
Minespider首席执行官Nathan Williams表示:“我们正在见证全球供应链的转型。企业有权利了解他们的供应商是在负责任地运营中,区块链让我们终于有了能证明这一点的工具。”
Minespider的解决方案采用了多层次的方法,利用加密密钥来保护私人信息免受窥探,同时也为审计员提供了具有透明度的追踪。
第一个区块链层包含了有关被追踪材料的可访问数据;第二层是私有数据块,这些数据块链接在一起以防后续被篡改;最后一层是加密层。这种单一的、授权的区块链目的是让网络中的所有人都在同一系统中——从供应商和子供应商,再到开采或回收材料的来源地——即使这个过程中会涉及到多个供应链。
对于那些生产计算机芯片、消费品和汽车的跨国企业来说,矿物和材料的道德采购追踪是一个常见问题。区块链技术一直受到追捧,这让追踪和遵守矿物相关法规的过程变得越来越透明和易于实现自动化。
例如,汽车制造商福特汽车公司(Ford Motor)在今年1月与IBM围绕追踪钴(用于制造电动汽车电池的一种材料)矿开采展开合作。钻石供应商De Beers从2018年1月开始使用区块链来追踪工业钻石并防止“冲突钻石”的交易。同时,世界野生动物基金会也在研究一种旨在实现食物道德采购透明度的区块链试点项目。
大众汽车将通过采用Minespider的区块链与其他众多行业展开合作,利用该技术更好地了解供应情况,这不仅可以让大众汽车更好地遵守原材料采购管理的相关法律,同时也向消费者证明了大众汽车公司的所有产品都是符合道德规范的。
Williams表示:“这[与大众汽车的试点项目]是在证明供应链参与者们可以共同努力实现更高透明度方面迈出的第一步。作为一个全新的、新兴的领域,我们希望更多地了解行业面临的挑战和要求,以及大规模采用这一技术所需的条件。”
就在上周,大众汽车刚刚宣布继IBM及福特公司之后大众汽车也将加入一个旨在追踪钴矿道德采购的区块链网络。
大众汽车集团采购负责人Marco Philippi表示:“数字化提供了一个让我们能够更加详细地追踪跨境供应链中矿物和原材料路径的重要技术工具。我们将与Minespider一起,利用区块链技术让我们的流程更加透明和安全。”
好文章,需要你的鼓励
这项研究由德累斯顿工业大学等机构的研究团队完成,旨在解决主动学习未被广泛应用的问题。研究者构建了包含460万种超参数组合的实验网格,系统分析了各参数对主动学习性能的影响。研究发现,不同策略实现间存在显著差异,基于边缘的不确定性策略整体表现最佳,随机选择约4000个超参数组合即可获得可靠结果。这些发现为设计可重现、可信赖的主动学习实验提供了明确指导,有助于降低入门门槛,促进技术在实际应用中的普及。
这项由英国爱丁堡大学和上海人工智能实验室研究者共同完成的工作提出了LongBioBench,一种用于评估长文本语言模型的新型基准测试框架。通过使用人工生成的虚构人物传记作为测试环境,该框架在保持可控性的同时,提供了更真实的评估场景。研究对18个长文本模型的测试表明,即使最先进的模型在检索、推理和可信任性方面仍存在显著挑战,特别是上下文长度增加时。研究还揭示了现有合成基准测试的设计缺陷和长上下文预训练的局限性,为未来模型开发提供了重要指导。
SuperWriter是一项来自新加坡科技设计大学和清华大学的突破性研究,通过模仿人类"先思考后写作"的过程,彻底改良了AI长文生成能力。该研究团队开发的框架包含三个关键阶段:规划、写作和修改,使AI能像专业作家一样进行结构化思考。实验结果表明,经过训练的SuperWriter-LM模型不仅超越同等规模的所有AI模型,甚至在某些领域表现优于规模更大的顶级模型,为AI辅助写作开创了新的可能性。
香港大学与阿里巴巴达摩院合作开发的LayerFlow是一种突破性的层级视频生成技术,能同时生成透明前景、完整背景和混合场景视频。该技术通过创新的框架设计将不同视频层级作为子片段连接,并引入层级嵌入使模型区分各层级。面对高质量训练数据稀缺的挑战,研究团队设计了三阶段训练策略,结合Motion LoRA和Content LoRA,实现了图像和视频数据的联合训练。LayerFlow不仅支持多层视频生成,还能实现视频分解和条件层生成,为视频创作领域带来革命性变革。