虽然比特币在国内处于严控监管的局面,但是作为比特币的核心底层技术区块链在中国却是受极大欢迎的,2016年12月,区块链被写入国家“十三五”规划。纵观全球,已经有超过24个国家正在投资区块链技术,80%的银行在2017年前启动区块链项目,90多个中央银行加入了区块链讨论,90多个公司加入了区块链联盟。
近日,“商用密码赋能区块链”技术研讨会在京举行,与会专家围绕国产商用密码在区块链中的应用展开探讨。众所周知,密码技术在区块链的实际应用中发挥着至关重要的作用,简单地理解 ,区块链技术的引入,就是通过利用密码学保护的共享和同步的账本,以 “去中心”或者 “弱中心”的方式,使得数据和资产在不同的实体之间的共享和流动过程做到透明、可追溯和不可篡改。
虽然,推广和实施商用密码的应用势在必行,但是同样一些挑战。增量应用方面:一是如何实现高性能的密码算法,二是如何将商用密码与应用系统相结合;存量应用方面:大量的已建应用系统很难通过改造升级商用密码。针对这两个问题,炼石网络CEO白小勇详细介绍了目前炼石网络在商用密码算法上取得的优化成果,以及产品CipherSuite的技术架构和实践场景。
SM4、SM3、SM2分别是国产商用密码算法的三个不同规范,白小勇介绍了炼石CGLab在商用密码算法实现性能优化方面的一些突破成果:SM4(单线程)方面,达到4.8 cycles/byte,4.8Gb/s;SM3(单线程)达到7.5cycles/byte,2.8Gb/s;SM2(单线程),实现签名2.6万次/s。这些性能指标已经接近甚至超越使用比较多的国际密码算法。
白小勇进一步说,并基于炼石自主知识产权的SM4算法加速专利,不仅绕过了Intel的SM4高性能实现专利,而且算法执行效率比其高出26%。此外,研讨会中,众享比特还展示了两家公司的合作成果,在炼石的帮助下,将基于商用密码区块链的信用证业务每秒处理笔数,和同类实现相比,提升了一倍。
如何让商用密码更好更快地用起来?炼石独家提出了三层封装技术的概念,即在传统的算法层和资源抽象层之上,进一步面向业务人员和业务场景进行“业务封装”。把不同的安全服务都以API的形式提供给应用开发人员直接调用,以便让其专?于业务逻辑/功能的实现。有了“业务封装层”之后,开发人员只需调用炼石提供的API,就可以完成密码技术的调用和集成,例如处理结构化数据时不需要考虑选用什么算法和模式,也无需关心密钥体系和相关的密钥更新机制。
另外对于已经在使用的广泛存量应用如何添加密码安全能力或升级为商用密码上,炼石的CASB产品CipherGateway业务应用安全网关通过独有的委托式安全代理技术,可以在不改造应用系统的情况下,将数据安全乃至业务安全功能适配进应用系统,进而作用到业务流程中,使应用系统获得近乎于内建的安全能力。
白小勇强调,面对增量应用,CipherSuite提供给用户安全、高效、易用的密码套件,支持SM系列算法,并且合规,对于开发人员缺乏使用密码套件能力,也可以围绕CipherGateway设计和实现数据安全防护功能。在存量应用上,用Broker技术加入SM系列算法能力,炼石CipherGateway能帮用户实现密码融入到应用,而不改造应用,从而进一步帮助用户重获云端数据掌控权。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。