等到今年晚些时候,购买Bumble Bee品牌金枪鱼的客户就能利用区块链技术确保他们购买的鱼是新鲜的、来源是可持续的了。
由于过度捕捞及其可能对海洋生态系统造成的连锁反应正在全球范围内成为一个日益严重的问题,因此消费者对食物来源变得比以往任何时候都要更加谨慎。
因加密货币比特币而闻名的区块链技术,已经被建议作为解决这个问题的一种解决方案。
如今,全球最大的海产品生产商之一,Bumble Bee Foods正在与SAP展开合作将这种区块链解决方案交到消费者手中,让消费者通过扫描商店的产品包装来确保产品达到了他们期望的标准。
今年夏天,包括Albertsons、Hy-Vee、Price Chopper和Safeway在内的多家零售商所组成的Natural Blue by Anova公平贸易黄鳍金枪鱼联盟成员都将在产品上加盖区块链衍生的二维码。
Bumble Bee首席信息官Tony Costa表示:“长久来,我们始终把确保可持续性放在第一位,但是这一次我们向前又迈进了一步。”
“因为现在我们可以对鱼类从被捕获的那一刻到销售点的全程进行追踪,我们让客户相信,我们正在让这个微妙的生态系统和我们供应链中每个人的生活变得不同。”
区块链是一种确保供应链完整性的强有力的工具,因为这项技术使用加密和分布式计算技术来构防篡改的分类帐系统。
供应链中每个环节的参与者(从海上捕鱼的渔民到包装商、运输商、经销商和零售商)可以记录经他们手的商品的质量、尺寸和状况等详细信息,除了他们直接负责的信息之外,供应链中任何一方都不能更改其他一环的信息。
由于所有信息都是加密的,因此扫描条形码的消费者可以知道这些信息没有被篡改过,他们购买的海产品的捕获时间和捕获位置与渔民在区块链上所记录的信息是一致的。
除了增强消费者信心之外,区块链技术还可以为采用这种技术的企业带来更高的利润和收入,因为区块链可以提高供应链的效率,甚至可以在发现记录信息出现错误的时候减少产品召回量。
此外,区块链技术还可以验证海产品作为一种公平贸易产品有关的数据,确保工人得到了公平的报酬,而且供应链中不存在剥削和奴役童工或者劳工的现象。
这次合作是SAP的区块链技术在食品行业的首次应用,但实际上其他参与者已经先行一步了,例如沃尔玛。
去年沃尔玛宣布将与IBM合作开发区块链解决方案运用于绿叶蔬菜业务中,旨在减少食品污染及其可能造成的疾病。
有观点认为,区块链和比特币一样,让很多人陷入了围绕新兴的、未经验证的技术的炒作之中。去年发布的一项研究结果显示,尽管相关投资有所增加,但几乎没有证据表明企业区块链给企业内部带来了巨大的变化或者增长。
Costa认为,尽管关于区块链的潜力存在一定程度上毫无根据的炒作,但在适当的情况下,区块链是拥有真正的转型力量的。区块链和人工智能和大数据等变革性技术一样,“都是要找到合适的用例。”
其中一个挑战就是运行区块链系统确保数据安全的加密和解密算法是需要耗费大量CPU资源的。
此外,尽管区块链上的信息一经记录就能确保数据的高度安全性,但实际上却无法验证输入点的数据质量。简单地说,就是保证用户向供应链中输入数据时没有造假,这仍然要取决于输入数据一方的安全检查措施。
因此存在一种危险的情况,那就是缺乏对这个问题的了解可能导致公众被告知区块链可以确保他们数据安全的时候造成“盲目的相信”。
但是,任何数据输入都存在这种情况,区块链并不会加剧这个问题。从长远来看,当企业组织开始看到例如提高产品质量和减少浪费等早期收益时,区块链很可能会成为一些紧迫性的环境和业务问题的解决方案。
好文章,需要你的鼓励
AI正在革命性地改变心脏疾病治疗领域。从设计微创心脏瓣膜手术到预防原理定位,机器学习和神经网络的洞察力推动了巨大进步,甚至可以构建新型移植解剖结构。数字孪生技术为个性化心血管护理提供持续预测管理。哈佛干细胞研究所的研究人员利用纳米材料和类似棉花糖机的设备,能在10分钟内制造心脏瓣膜,相比传统3周制造时间大幅缩短。这些突破性技术为每年4万名先天性心脏畸形儿童带来新希望。
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
谷歌正在为搭载其内置信息娱乐系统的汽车推出谷歌地图实时车道引导功能,首先从极星4开始。该系统利用车辆前置摄像头和AI技术,分析车道标线和路标,为驾驶者提供更精确的车道指引和视听提示。该功能将在未来几个月内在美国和瑞典的极星4车型上推出,目前仅支持高速公路使用。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。