我们已经拥有智能合约很长时间了。以太坊这个原创智能合约区块链已有十多年历史,但智能合约中的"智能"始终相当基础,仅停留在"如果这样,那么那样"的逻辑层面。
这种机制确实有效,在谨慎部署时也创造了大量价值。但长期以来,区块链世界中被称为"智能"的资产和合约,与人工智能系统日益加速的智能化水平相比,显得相形见绌。
在未来几年里,我们可以预期这两个生态系统都将持续成熟和加速发展,同时它们也将相互融合。其结果将开启一个真正智能化的合约、资产和数据时代。
让我们从正在商业世界快速普及的智能化开始谈起。我们越来越发现,AI系统缺乏护城河,其性能可以在更小的计算占用空间内随时间大幅改善。这对AI模型制造商来说可能不是好消息,但对其他所有人来说却是一大福音,因为这意味着我们可以将智能部署到商业生态系统最偏远的角落。
供应链运营是部署智能化能够显著提升性能的绝佳例子。从历史上看,零售店的大部分补货计划都是公式驱动的。当库存低于所需最低值时,就会下订单。这些公式控制着最小值、最大值和经济订购量。经验丰富的用户能够为重大促销和活动推送额外库存。这些都是基础操作,但扩展性很好,因为没有零售连锁店能够负担得起让库存分析师每周为每个地点的每个产品制定定制化预测和计划。
现在可以了。预报暴雪?多订购热巧克力。夏季热浪?多备冷饮。流感疫情消息?增加感冒药库存。本地供应商缺货?从其他店铺调货。现在对31000种商品每周都这样操作——这是美国杂货店平均库存商品数量。今天不可能,明天将成为常规操作。
普遍的智能化需要高质量数据,没有执行能力一切都毫无用处。区块链数据防篡改且全局同步的特性意味着我们可以基于可靠信息构建良好结果。链上智能合约可以被赋予权限,根据AI制定的市场计划自主补货。
自主商务意味着资产可以自主智能化,决定如何最大化其价值和投资回报。信息本身可以知道自己在哪里最有价值——并要求为访问付费。所有这些都可以大规模、低成本地执行。
这种未来的回报并不难理解:很少缺货的商店、不会堵塞的供应链,以及总能获得最优价格的合约。每一项都很有价值,结合起来能产生令人印象深刻的乘数效应。这不仅是避免缺货,还包括不在加急物流上花钱或进行库存清仓销售。以前在边际上损失的利润现在可以保留,而且无需提高价格。
实现这一未来既不快速也不容易。经济学研究表明,尽管新技术可以很快普及,但平均利用水平并不高深。罗伯特·索洛在1987年有句名言,他说在经济的各个角落都能看到计算机的证据,除了生产力统计数据。电力也发生了同样的情况。
大多数公司需要很长时间来吸收技术并实现自我转型。乔治梅森大学经济学教授泰勒·考恩类似地推测,就像早期的计算机和电力一样,人工智能的整体生产力起飞将相对缓慢,因为公司和个人需要时间来真正理解如何使用它。
然而,经济学家很少谈论的是,你不必成为普通人或普通公司。即使一些公司在努力吸收新技术时,先驱者仍有巨大优势可得。这也不是短暂的优势。电子商务、云计算、桌面操作系统和移动设备的早期领导者已经保持了数十年的市场领先地位。
普遍智能化和运营的时代即将到来,AI系统将创建智能资产、合约和数据,并在区块链网络上大规模执行。这可能需要数十年才能完全实现,但你可以选择是否成为先行者。
作为专业服务公司安永的全球区块链负责人,保罗·布罗迪负责推动区块链技术在咨询、审计和税务业务线的举措和投资,包括构建首个安永全球软件即服务平台Blockchain.EY.com。他还担任企业以太坊联盟主席,这是全球领先的企业区块链社区。
好文章,需要你的鼓励
CrowdStrike在AWS re:Inforce 2025大会上发布Falcon for AWS Security Incident Response服务,为AWS客户提供AI驱动的网络安全事件响应。该服务基于CrowdStrike Falcon平台,可检测威胁速度提升96%,事件调查速度快66%。新服务与AWS现有安全事件响应工作流互补,为客户提供完整的安全事件生命周期解决方案,并通过AWS市场提供优惠定价。
韩国KAIST团队首次提出文字感知图像修复技术,解决了传统图像修复无法准确恢复文字内容的难题。研究构建了包含10万张图像的SA-Text数据集,开发了TeReDiff模型,通过三阶段训练和智能提示机制,实现图像修复与文字识别的协同工作。实验显示该技术在文字识别准确率上比传统方法提升15-20%,为历史文献保护、档案数字化等领域提供了重要解决方案。
研究人员专注创新而不受商业约束限制,这种思维对企业和首席信息官具有重要价值。CoVent联合创始人兼首席技术官Krishna Dubba结合研究背景和商业实践经验,从AI研究到创业公司,展示了研究思维如何帮助快速验证假设、持续学习新技术、培养同理心领导力。他强调实验失败应被视为反馈,跨学科交叉能够打破部门壁垒,连接各部门资源,为商业创新提供新思路。
斯坦福研究员发现,AI模型无需复杂"改造"就能获得新技能,只需观察少量例子即可模仿专业训练效果。这种"情境学习"方法大幅降低了AI应用门槛,文本生成需数千例子,分类任务仅需数百例子,有望让普通用户轻松定制专属AI助手,推动AI技术民主化进程。