区块链技术需要有很多玩家才会变得高效。因此,各种各样的组织——有时候甚至是竞争对手——开始组建联盟,打造能够被他们所在领域所有市场参与者使用的平台。目前医疗行业正在出现这一趋势,因为区块链可以显着提高互操作性以及提高效率,同时很好地保护隐私性和安全性。个人和公共实体通过合作优化他们对信息的访问。
今年1月,IBM与健康保险巨头Aetna等医疗保险公司达成合作伙伴关系,构建了基于区块链的Health Utility Network网络,目标是通过提高效率和改善敏感数据的共享方式,从而降低医疗行业的成本。在医疗系统中,有大量资金的使用是非常低效的,这给医疗行业组织的盈利能力带来了影响。IBM Watson Health部门总经理Barbara Hayes表示,在这个过程中,每支出1美元就有多达50美分被浪费掉。
到目前为止,Health Utility Network已经参与了近1亿个健康计划,IBM希望未来几个月内各种医疗提供商、技术企业、初创公司、健康组织等也能够加入该联盟。此外,这个区块链项目还涵盖了处理保险索赔和付款的系统,可以降低管理成本并消除一些重复性的问题。
Synaptic Health Alliance是另一个希望改善数据管理和共享方式的联盟。该联盟有七个创始成员,分别是Aetna、Ascension、Humana、MultiPlan、Optum、Quest Diagnostics和UnitedHealthcare,这些组织目前都备受医疗保健系统低效率的困扰。
由于法律要求保险公司必须保存关于医生和其他提供者的准确数据,因此每个受监管的企业组织通常要维护一个单独的注册系统。然而,信息是不断变化的,这导致保险公司要花费大量资金并投入大量精力以确保数据的准确性。2018年4月,该联盟宣布他们正在启动一项试点计划,以确定区块链是否可以降低管理成本和提高数据质量。他们希望通过分布式分类账的方式共享信息,从而提高生态系统效率。
制药行业也能从区块链中受益,因为区块链技术可以用于改善药品供应链的可追溯性。政府机构和私人组织可以通过区块链追踪药品在不同阶段的流向。尽管美国食品和药物管理局(U.S. Food and Drug Administration,FDA)目前并没有在他们的工作中使用区块链技术,但最近一系列举措表明这个情况可能会发生变化。
2019年2月7日,FDA宣布根据“药品供应链安全法”(DSCSA试点项目计划)启动一项试点计划。该计划将允许药品的重新封装商、制造商和其他利益相关者在美国追踪和验证处方药。根据FDA发布的新闻稿显示,他们希望以此“防止可疑产品和非法产品进入供应链”。
FDA还表示,他们正在探索可以改进该系统的各种新技术,例如区块链。该计划将于2023年生效,FDA已经聘请了沃尔玛前食品安全副总裁Frank Yiannas。Frank Yiannas曾在IBM Food Trust工作,而IBM Food Trust是区块链技术支持的最为成功的供应链追踪系统之一。因此,FDA可能最终会选择借助区块链连技术来实现某些功能和流程。
不管是个人参与者还是公共实体参与者,他们都把区块链视为改善实体之间的沟通方式、同时重视安全和隐私的一种潜在手段。至于这些试点项目能否成功降低结构成本、增加信息获取、提高盈利能力,还有待时间的检验。当这些联盟探索新机会的时候,要注意避免复制多个群体被困在不同孤岛中的情况。医疗本身必须关注患者的需求,这就是参与其中的各种实体必须通过合作建立有效生态系统的原因。
好文章,需要你的鼓励
大数据可观测性初创公司Monte Carlo Data推出全新Agent Observability产品,为AI应用提供全方位数据和AI可观测性。该工具帮助团队检测、分类和修复生产环境中AI应用的可靠性问题,防止代价高昂的"幻觉"现象,避免客户信任度下降和系统宕机。新产品采用大语言模型作为评判器的技术,能够同时监控AI数据输入和输出,提供统一的AI可观测性解决方案。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。
网络安全公司Aikido披露了迄今最大规模的npm供应链攻击事件。攻击者通过钓鱼邮件获取维护者账户凭证,向18个热门JavaScript包注入恶意代码,这些包每周下载量超过26亿次。恶意代码专门劫持加密货币交易,监控浏览器API接口将资金转移至攻击者地址。受影响的包括chalk、debug等广泛使用的开发工具库。虽然攻击在5分钟内被发现并及时公开,但专家警告此类上游攻击极具破坏性,可能与朝鲜黑客组织相关。
上海AI实验室发布OmniAlign-V研究,首次系统性解决多模态大语言模型人性化对话问题。该研究创建了包含20万高质量样本的训练数据集和MM-AlignBench评测基准,通过创新的数据生成和质量管控方法,让AI在保持技术能力的同时显著提升人性化交互水平,为AI价值观对齐提供了可行技术路径。