区块链的命和血汗工厂的病

无处安放的区块链式人生

2月29日,北京,中关村。

春节假期结束,区块链创业者李云良就没有凌晨两点前睡着过了。他需要夜以继日地为自己的项目NBchain融资,十一个员工的工资和年终奖被他压到了三月,如果到时还解决不了资金问题,这些重金挖来的程序员恐怕要另谋高就了。他已经接触了几十个投资人,但没有人对他的业务表示信心。

这也不怪他们。

2018上半年开始,数字货币们就开始大面积破发,在交易所正式上币的项目,95%都处于面目全非的亏损状况,“集资、圈钱、割韭菜”,一度成了区块链的代名词。

市场不景气,监管也变得风声鹤唳。“94事件”后,ICO在中国被禁止,美国证券交易委员会SEC也对数字货币产业进行大规模调查。

显然,开发商们还没有为此做好准备。就在刚刚,李云良所在的“【区块链群名】”又炸了,已经募集到2000万美元的BHB项目被爆伪造信息,涉嫌传销,并且已经冻结了投资人的USDT提款请求。这意味着,一旦爆雷,至少有2.5万名、总计1800万BHB代币的投资将血本无归。

“这下更凉了。”关上微信群,李元良想。

ICO的倒下,成功造就了投资圈的“区块链恐惧症”,数以百计的区块链项目变成“空气项目”和“山寨项目”。

李元良还记得辞职创业前,投资人争抢着求区块链项目给额度的盛况,那时,币圈的投资只需要两到三天的流程。创业者公开募资消息,一个星期就能收到几十个数字货币基金的橄榄枝。第一天pitch,第二天就拍板甚至打币。

李元良知道,那样的盛况不会再有了。除非投资人愿意相信,区块链是一项长远的事情。

等待被擦去的血与泪

和李元良一样为未来忧虑的,还有远在南非的钻石矿主奥玛尔。

不同的是,过去十几年,奥马尔的生意风生水起。他承包了两个隐蔽的矿场,将粗矿卖给区域矿产商,再由他们从卢旺达、乌干达、布隆迪等国家贩运到亚洲、欧洲和美国的原材料市场和加工厂,变成晶光四溢的珠宝。

这些矿石的来路无踪可循,也很受一些秘密组织的欢迎。行情好的时候,奥马尔每周都有上百万美元的成交。

这一切的前提是,他能够继续使用那些廉价劳工。

开采矿脉是一项危险的工作,需要岩掘工深入地下的巷道深处,随时有落石和矿井塌陷的危险,温度高,工作环境极差。

奥马尔的工人大部分来自南非最穷的省旁多兰,薪水非常低廉,甚至还没有达到南非的最低纳税标准。

(在科特迪瓦波比(Bobi)外围筛检钻石的手工采矿者)

虽然这些钱微不足道,但对于岩掘工来说,这至少是一份稳定的收入。他们一般群居在矿区被搅土机翻搅过的道路两边,大人们日夜两班在矿井工作,孩童们则赤裸着上身,在发电机和电泵的轰鸣声中与泥土作伴。

最近矿上发生了一起事故,奥马尔不得不对工会和当局做出回应,他承诺要付给矿难家属一笔约合1万元人民币的赔偿金,抗议也就到此为止。他知道,当局不会关闭矿山,这相当于断送了当地人唯一的工作收入来源。工会和工人也没有其他选择。如果有品牌方的人来询问工人的身份,他会告诉“大买家”:环境很好,或者低年龄员工只是志愿者。

不过,奥马尔沾着血泪的“好日子”,最近好像要结束了。

他的“上家”告诉他,戴比尔斯这样的大集团,现在正计划将整个钻石行业搬上区块链,钻石从矿山、加工到销售的整个过程,都将被追溯。一旦出现违规行为,将被忠实地传到“链”上,没有任何人能篡改和抹去记录。这意味着,奥马尔那些“见不得人”的钻石,将被最大的零售商拒收。

“区块链?什么烦人玩意儿!”奥马尔恨恨地想。

由上至下的革命

奥马尔并不知道,这场由区块链掀起的产业链变革,是原料商、品牌方、产业协会、科技公司的一次合谋。

钻石生产商已经厌倦了材料来源的质疑,他们总是需要对钻石的出身进行粉饰。

某钻石品牌的环境负责人表示自己也很无奈:“我们听说过这类事情,并立即询问供应商是否采用了‘血矿’。但是,我们能做的只是询问,如果他们说没有,我们除了相信别无他法。”

如何让消费者们相信市场上销售的产品与罪恶、冲突、血汗工厂毫无瓜葛?

珠宝产业与科技公司完成了一次基于区块链的击掌。

IBM联合珠宝产业巨头们共同启动了一个区块链网络项目“Trustchain Initiative”,可以从原产地到零售店追踪和验证钻石和贵金属的供应链流程。

在测试中,一批从南达科塔州被采矿出来的黄金,送到犹他州的加工厂,再到马萨诸塞州的制造商被做成金块。之后,这些黄金被送到印度的加工商那里做成金饰,然后这些金饰被运到批发市场去了零售商Helzberg。整个销售过程由认证服务商UL监控。

通过钻石的身份标签,可以全面追踪钻石来源地、认证资料、成交仓储纪录、交易流向等信息。并且由于记录是共享且不可变的,消费者不用担心买到的黄金或者钻石来路不明。

这项革命获得了产业链上游利益者的一致认可。拥有卡地亚、江诗丹顿、万宝龙、登喜路等诸多奢侈品牌的历峰集团(Richemont)前不久也宣布开始利用区块链将钻石、岩石和黄金的来源追溯到矿山或回收工厂。

2018年10月19日,伦敦金银市场协会(the London Bullion Market Association)亦正式宣布利用区块链技术推动行业现代化与提高透明度的计划。

前不久,IBM又宣布了两个建立在Hyperledger Fabric区块链平台上的新项目:一个追踪从刚果某矿山到福特工厂的钴,另一个用于监测墨西哥某矿山的金属货物。

科技公司和产业链上游利用区块链打击童工等非法活动的意志,看起来异常积极。但现实,仿佛并不如他们所愿。

“原住民”的困与惑

技术有多好,关键是能否找到善用它的人。

区块链想要成为打击非法生产过程的铁拳,还得问问产业“原住民”们配不配合。

各种基于区块链供应链溯源的顶层设计,正在产业链末端落地生根。

约克是一家墨西哥工厂的员工,每天,他会将5000名工人生产的潮牌牛仔裤运到马达加斯加的港口。他每天的工作时间在10小时以上,每月领取40美金的超低薪水,并且没有签署任何雇佣合同。也就是说,只要公司想,他们这些数十年的老员工,将被无情踢出而不会得到任何赔偿。

最近,约克的卡车被重新改装,装上了RFID标签,上面记载着车辆上的数据、约克本人的姓名以及车辆装载货物的详细信息。车门等多个位置放上了不少传感器,他也被要求学习新的工作流程。

每完成一项装卸流程,他都需要核对传感器的数据,确认机器检测到的空闲空间、运输过程、负载信息等毫无问题,再手动将他们上传到区块链上,以供人访问和查阅。

作为一个老司机,约克摆弄这些数码产品并不是很熟练,这使他的工作效率大大降低。而且机器动不动就需要重启,有时数据还错得离谱,为了保证交货时间,大多数时候约克都是得过且过。

增加的这些工作量能改变自己的处境吗,约克目前还无从得知。

新供应链即将到来?

把“区块链”从“炒币”的污名化中脱离出来,再塑造一个“打击血汗工厂”的公益形象来,这件事满足了一部分区块链信仰者的技术理想主义幻想,也让另一部分人看到了新的商机。

支持者们认为,区块链所拥有的分布式特征,能够打破“血矿”等现象的灰色产业链,让供应链变得透明,监督工厂的劳动力分配,保障工作条件和个人健康和福利。

但ABC溯源链创始人王晶,正在为此苦恼不已。

四年前,ABC就试图开发一个长期机制来追踪记录有形商品或数字商品的流转链条,但她现在越来越没有信心了。

“机构能看懂智能合约代码是怎么写的,也理解这个过程是怎样运行的,但是,”她说,“区块链和传统的事后检查监督机制完全不同,前期需要大量的资源投入,包括IT硬件和云服务器等网络的部署。”

有一家奶牛场透露出了想要做区块链溯源功能的意向,王晶告诉客户,需要在奶牛身上安装RFID标签,养殖场内还需要安装信息采集传感器、扫码枪、贴标机等,云主机的租赁费用也并不低廉。即使大刀阔斧地投入了,还需要奶农、工人的参与,将每个步骤都登记到区块链上,如果最终发现消费者买到的东西有问题,再去反向查询。王晶笑,“了解了流程之后,那个客户就再也不回消息了,还好,没把我当骗子拉黑。”

上链的高成本和生态不成熟,是阻碍区块链溯源的一个根本原因。而另一个关键因素,是即便有客户愿意投入这么大的成本上链,现有的硬件体系也无法承受如此庞大的数据量。

尤其是在保障劳工福利方面,需要在矿山、工厂、可穿戴设备、电线杆等等地方都进行改造,有的在工位装个摄像头就可以满足需求,有的环境则需要下探到矿井深处或使用深度传感器。目前无法保证感测器回传的数值是否正确,还需要人为干预,这就使得数据的真实性大打折扣。

王晶的公司还在研发新的区块链与物联网技术,希望能够早一点帮助更多机构低成本上链。有同行笑她“喂的是奶挤的是草”。

“互联网公司就应该像养鸡场一样,从几只到几万只,两只翅膀到六只翅膀,他们觉得我像是在养小孩,收益太慢。”王晶说,幸好投资人支持她的想法,现在,她已经不太参加圈中的聚会了。

这是区块链改变供应链的另一个难点,这个技术,离钱太近,赚钱太快。很多人还没来得及沉淀,就已经被资本的热潮席卷得忘形。

区块链在溯源场景的应用一提出来,就引来了无数无利不起早的聪明人。

比起打击血汗工厂、“血矿”、洗钱等非法场景,更多的项目正在被应用于交易流通,说白了,还是“炒”。

交易所把黄金放入“保险库”,给客户提供一张类似MasterCard支付卡,用户可以用这张卡进行支付,进行黄金小额支付。还有区块链公司推出了实物区块链黄金,用户可以通过平台购买,所有权信息都记录在区块链上,实物被托管在指定金库。首批1000枚当日全部售光。

这种做法与传统的虚拟金融凭证别无二致,但加上了“区块链”三个字,就吸引了无数不明就里的个人投资者。

有的是人,致力于把一件很有潜力的事情变成一场场大型掘金运动和狂欢式表演,最后让它面目全非。

大家似乎又沉迷在另一个“区块链神话”里,究竟区块链能否在供应链每个生产环节都还原透明度,好像没有多少人在意了。

但对于坚守的人来说,灰掩之火,反而更容易熬过这个深不见底的冬天。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31561483/viewspace-2637643/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/31561483/viewspace-2637643/

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值