(文/任新勃)最近读了中本聪(Satoshi Nakamoto)写的《比特币白皮书:一种点对点的电子现金系统》,有了一些想法,跟大家探讨一下。
首先简单谈谈我对于一个事物发展的看法。那就是一件事物刚出来的时候,创始人从来没有想过改变世界。
就像马云创立阿里巴巴,马云的本心是,年少时,在美国,好奇之下,点击互联网,发现没有中国的东西,只是简单的想让中国的东西能呈现在互联网。(马云内心独白:现在发展这么大,我能有什么办法,怪我咯)
就像马化腾创立腾讯,本心就是,年少时,两个人能简单的交流。李彦宏创立百度,就是想方便简单的找点内容。最后一个个发展成庞大帝国。
比特币一样的道理,中本聪写的比特币白皮书,没有一个词说要把比特币打造成一个什么的全球货币。就是提出一个理想的电子现金系统概念,相信也没想到十年后,比特币这么火。
那么比特币是什么?网上专业的解读太多,我这里希望用绝大多数人们能理解的概念来说一说我对于比特币的一些看法。
比特币是什么?个人认为中本聪是参考了地球上人类几千年来对于交易总结的结晶。
比特币是黄金的本质+钻石的流通+加股票的交易等等(知识有限,仅仅想到这些,可能还有更高效的模式)
首先,比特币的产生和黄金的产生非常相似,在几千年的历史长河中,人类从最初的地表比较容易的获得黄金,到现在越来越难获得黄金。开采黄金的难度也越来越大。
比特币的开采,也是随着时间的推移,设定开采的难度越来越大。
其次比特币比黄金更具备黄金的本质—永久存储。比如如何未来人类移民各个星球。而地球已经爆炸消失。黄金都没有了,但是比特币永远存在。只要连接网络,比特币就不会消失。
钻石的流通模式,就是所谓的给比特币打上时间戳。钻石从开采到流通到个人。每一个钻石都有时间戳,每个钻石都能回溯到钻石开采的最初的源头。(极大地杜绝了血钻的产生,大家有兴趣可以网上搜一下)。比特币是通过网络的(hashing)对全部交易加上时间戳。来保证每一个比特币的不可更改的交易证明。
今天我们看到比特币,是确保了正常交易过程中的隐私保护。就像股票一样,一个几十万手的交易出现,我们只能看到几十万这个数字,但是背后的买家或者卖家我们是看不到的。
而比特币正式采用这样的隐私保护,你看到了一笔交易,但是背后的买卖双方的个人信息你去看不到。
白皮书上还有一点比较有趣的是就是防止偷盗这种行为机制。你偷盗一个比特币比你合法获得一个比特币的成本高很多。大大杜绝了攻击者攻击这种吃力不讨好的行为。
那么目前比特币有泡沫吗?肯定有啊,看看白皮书标题,大大的写着“一种点对点的电子现金系统”。一种,没有说“唯一一种”就是说可以由多种,如果标题改成“比特币---百种点对点技术之一的电子现金系统”,我想大家就会比较理性了。
但是我们看到大家对于都过渡专注于“一种点对点”—区块链这个概念,忽略了其本质“电子现金系统”。“点对点”只是手段,手段可以由多种,但是本质是未来社会是一个“电子现金系统”所支撑。如果关注与“点对点”,个人认为可以不要限制与区块链技术,可以发挥想象的创造另外一种“点对点”技术相对于区块链技术更方便、快捷、有效的技术。
当然白皮书还提到了互联网出现后的一下技术支撑,比如分布式的数据存储、点对点传输、共识机制技术等,这类技术网上专业讨论的很多,这里就不一一赘述了。
好文章,需要你的鼓励
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。