Conflux与中国移动咪咕推出全球首款基于区块链的视频铃声

币界网Publié le 2024-08-21Dernière mise à jour le 2024-08-21

币界网报道:

[2024年8月21日,美国纽约]

Conflux Network是中国唯一一家符合监管要求的公共区块链,正在与中国移动合作,中国移动是中国最大的电信提供商,每月拥有超过10亿用户。这一战略联盟旨在通过中国移动的数字内容部门Migu彻底改变数字收藏。Conflux Network和中国移动将推出尖端的数字收藏品,如视频彩铃(Ringback Tones)、数字身份(DID)和区块链通信硬件,所有这些都由Conflux TreeGraph公共区块链驱动。

此次合作的第一个版本将成为世界上第一个基于公共区块链的数字收藏视频铃声,创造历史。该系列名为“MIGO和他的朋友ConFi”,将于2024年8月23日北京时间上午10:00推出,可通过Migu音乐应用程序的“数字收藏品”部分购买。

该系列以Conflux的吉祥物“ConFi”和中国移动咪咕的开创性NFT产品“MIGO”为特色。该剧融合了香港的现实地标,通过引人入胜的视觉故事讲述了一个友谊故事。“MIGO和他的朋友ConFi”视频铃声将作为神秘盒子出售,每盒售价13.9元人民币(约2美元),有5000个。其中,500个是罕见版本,仅占总数的1%。这些视频铃声神秘盒子提供了一种尖端的5G体验,结合了个性化、社交互动和交互性。用户在通话过程中可以直接在手机屏幕上查看相应的视频铃声,而无需安装额外的软件。

自2021年以来,咪咕一直是中国移动增长最快的垂直行业之一,是沉浸式媒体技术的领导者。Migu推动了数字内容创新,战略重点是超高清视频、视频铃声、云游戏、云VR和云AR,所有这些都是其Metaverse进化战略的一部分。与Conflux的合作标志着Migu首次在公共区块链网络上涉足Metaverse和数字收藏应用程序,将这项技术带给Migu的1.2亿月活跃客户。

关于Conflux

Conflux Network是一个无需许可的第1层区块链,它跨越国界和协议连接去中心化的经济体。它利用混合PoW/PoS共识机制来确保快速、安全和可扩展的区块链环境。有了Conflux,拥塞得以消除,费用保持在较低水平,网络安全得到了增强。

作为中国领先的合规公共区块链,Conflux为寻求进入亚洲市场的项目提供了明显的优势。该平台与该地区的知名全球品牌和政府实体合作,推动区块链和元宇宙倡议。值得注意的合作伙伴包括上海市、中国电信、小红书(中国的“Instagram”)、麦当劳中国和奥利奥。用户可以了解更多:https://confluxnetwork.org/

关于中国移动咪咕

中国移动咪咕是中国移动旗下专注于移动互联网领域的专业子公司。该公司致力于“数字内容平台”的核心原则,融合了电信运营商和互联网公司的特点。在先进技术的支持下,Migu继续构建其在内容技术、平台技术和云网络技术方面的核心能力。咪咕正积极探索创新的“互联网+数字内容”运营,将内容孵化与渠道合作相结合,并致力于开发新媒体整合、数字内容聚合、版权交易和内容创业平台。Migu致力于改变用户体验娱乐和文化的方式。咪咕拥有4亿视频铃声用户、2500万数字智能用户、6000多万电子书和130多本出版书籍。Migu还提供2300款云游戏,拥有1.2亿活跃用户,使其成为顶级文化科技品牌和新媒体平台。

Lectures associées

L'épée de Damoclès du marché haussier de l'IA : Ce n'est pas qu'en Corée, l'effet de levier sur le marché américain est tout aussi alarmant

L'euphorie boursière mondiale, alimentée par la vague de l'IA, repose sur des niveaux de levier record et dangereux, amplifiant considérablement les risques de fortes corrections. Aux États-Unis, la dette sur marge a atteint un pic historique de 1 400 milliards de dollars en mai, tandis que les actifs des ETF à effet de levier ont presque doublé pour dépasser 220 milliards de dollars en moins de 70 jours. Les fonds à levier auraient acheté environ 300 milliards de dollars de produits dérivés depuis fin mars, créant un risque systémique de ventes forcées. Ce mécanisme pro-cyclique amplifie à la hausse comme à la baisse les mouvements des actifs sous-jacents, comme l'a illustré la volatilité extrême du marché coréen (KOSPI). En Corée du Sud, une concentration sur quelques actions technologiques et un levier extrême ont provoqué des arrêts de marché répétés. Par ailleurs, le coût du financement pour les investisseurs en actions a grimpé à des niveaux records, signalant une pression croissante. Morgan Stanley met en garde contre un risque non linéaire : la disparition des acheteurs marginaux pourrait déclencher un désendettement qui amplifierait toute baisse. La concentration des gains sur un seul secteur (la technologie) rend l'ensemble du marché vulnérable à un retrait de ces capitaux très endettés. Un tel scénario de délestage forcerait les investisseurs à réévaluer les conditions financières et les trajectoires de politique monétaire.

marsbitIl y a 5 mins

L'épée de Damoclès du marché haussier de l'IA : Ce n'est pas qu'en Corée, l'effet de levier sur le marché américain est tout aussi alarmant

marsbitIl y a 5 mins

Vitalik Buterin affirme que l'obfuscation pourrait renforcer la confidentialité des blockchains

Le co-fondateur d'Ethereum, Vitalik Buterin, a publié une analyse sur l'obfuscation (obscurcissement) dans la cryptographie. Il explique que cette technique, qui transforme un code en une forme chiffrée tout en conservant ses fonctionnalités, pourrait renforcer la confidentialité et la sécurité des blockchains. Contrairement au chiffrement des données, l'obfuscation protège la logique même du code, permettant de créer des applications sans divulguer d'informations propriétaires. Buterin souligne que l'obfuscation seule est insuffisante pour gérer des actifs numériques, mais combinée à la technologie blockchain — qui enregistre la propriété de manière transparente — elle pourrait permettre des systèmes de paiement sécurisés, des applications financières et des opérations commerciales confidentielles, tout en réduisant le recours à des autorités centrales. Cependant, des difficultés techniques majeures persistent. Les recherches actuelles, comme l'obfuscation par indistinguabilité, aboutissent à des implémentations extrêmement inefficaces, certaines nécessitant un temps de calcul démesuré. Des améliorations en cryptographie et en mathématiques sont nécessaires. Buterin conclut que l'obfuscation pratique prendra du temps, mais qu'elle ouvrira la voie à des produits blockchain hautement sécurisés et sans tiers de confiance.

TheNewsCryptoIl y a 15 mins

Vitalik Buterin affirme que l'obfuscation pourrait renforcer la confidentialité des blockchains

TheNewsCryptoIl y a 15 mins

Transformer réinventé : Rendre les LLM plus intelligents en modifiant simplement leur architecture

En 2026, alors que l'industrie des grands modèles linguistiques (LLM) se concentre sur l'ajout de paramètres via des architectures comme le *Mixture of Experts* (MoE), une nouvelle étude propose une approche radicalement différente. Les chercheurs de Mila, Cornell et de l'Université de Montréal démontrent que redistribuer les paramètres existants au sein d'un modèle, sans en ajouter, peut significativement améliorer ses performances. Leur constat de départ : dans les Transformers standards, toutes les couches ont la même « capacité » (largeur du réseau feed-forward). Or, des recherches antérieures (sortie anticipée, élagage, interprétabilité) indiquent que ces couches n'ont pas la même importance. Les premières traitent des informations basiques (syntaxe), tandis que les dernières affinent la sémantique, parfois en répétant des conclusions déjà établies. L'équipe teste alors des modèles « effilés » (*Tapered Language Models* - TLMs), où la largeur du réseau feed-forward décroît progressivement des couches profondes vers les couches superficielles, tout en conservant la moyenne originale et donc le nombre total de paramètres et d'opérations. Plusieurs courbes de décroissance sont essayées : linéaire, cosinus et sigmoïde. Les résultats sont frappants. Sur un Transformer de 440M de paramètres, la configuration optimale (décroissance cosinus, largeur initiale x1.5, finale x0.5) réduit la perplexité de 16.28 à 14.44, une amélioration de 1.84 point sans coût supplémentaire. Cette conclusion se généralise à d'autres architectures (à attention à grille, Hope-attention, Titans) et à des modèles plus grands (760M, 1.3B), avec des gains systématiques en raisonnement et prédiction langagière, sans nuire à la gestion de longs contextes. L'explication réside dans l'analyse des sorties : les couches profondes montrent une plus forte similarité avec les informations déjà présentes, confirmant qu'elles « réitèrent » plus qu'elles ne « créent ». Allouer plus de capacité aux premières couches, qui font un travail de fondation plus varié, est donc plus efficace. Cette recherche met en lumière un levier de conception longtemps négligé : la forme de la distribution de la capacité, et non seulement sa quantité. Une simple réallocation des paramètres existants offre ainsi une amélioration significative et gratuite, une perspective applicable potentiellement aux Transformers visuels, aux modèles de diffusion et multimodaux.

marsbitIl y a 21 mins

Transformer réinventé : Rendre les LLM plus intelligents en modifiant simplement leur architecture

marsbitIl y a 21 mins

Trading

Spot
活动图片