過去幾年中，區塊鏈和人工智慧無疑是最熱的兩個技術詞彙，相關成果在學術界引起了廣泛的關注，在資本圈也極受追捧。
近期，鏈捕手向清華大學副教授、MATRIX首席人工智慧科學家鄧仰東教授約稿，請他談一談對區塊鏈與人工智慧關係的理解。鄧仰東教授主攻人工智慧、電子設計自動化、並行算法和圖形處理器架構等領域的研究，曾為中國高鐵設計及研發了人工智慧預警安全解決方案。
在本文中，鄧仰東教授詳解了人工智慧與區塊鏈行業各自遇到的挑戰以及AI能給區塊鏈帶來哪些機會，具有很高的可讀性以及思考價值，希望能對你有所啟發。
文/鄧仰東
未經授權，謝絕轉載
自從2018年以來，行業裡有很多關於融合區塊鏈和人工智慧的探討，出現了AI賦能區塊鏈、區塊鏈AI市場等新提法，也有人認為還可以進一步結合物聯網（IoT），甚至還有人認為區塊鏈和人工智慧能夠進一步整合量子物理和神經科學。
那麼，去除掉各種泡沫和噪聲之後，究竟這種融合有無意義？具體說來，我們關注這樣一系列問題：區塊鏈和人工智慧互相能為對方帶來什麼？二者的融合能否形成1+1>1的效果？特別是，區塊鏈和人工智慧都不是終端級產品，那麼兩者結合能否成為催生新的終端應用的平臺？
圖1.區塊鏈和人工智慧的融合
總體上看，筆者認為區塊鏈和人工智慧的融合的確能帶來全新的機會，總體關係如圖1。筆者將從四個方面對以上問題進行探討。首先，簡單介紹區塊鏈和人工智慧的基本概念，並且討論當前這兩者面臨的主要挑戰；第二，從區塊鏈角度看，AI能否帶來什麼好處；第三，從AI角度看，區塊鏈能夠解決什麼問題；第四，我們看看區塊鏈和人工智慧融合的一種全新可能，即離散計算資源以區塊鏈組織而形成人工智慧雲平臺。考慮篇幅問題，本文先講第一部分與第二部分。
01
區塊鏈和人工智慧
區塊鏈和人工智慧是人類為了解決不同問題而形成的技術。其中，區塊鏈的起源在於分布式計算和密碼學的研究，但成為獨立的技術領域則從2009年比特幣出現後才真正開始；而AI的歷史可以追溯到古希臘時代亞里斯多德的工作，現代AI則以1958年的達特茅斯會議為起點，之後又經歷了至少兩次起伏，新的一波人工智慧熱潮始於2010年前後深度神經網絡的優異表現。
我們分別從區塊鏈和人工智慧的基本概念開始，探索當前兩者分別面臨的挑戰。
1.1 區塊鏈及其挑戰
區塊鏈的本質是去中心化的分布式帳本。在早期以虛擬貨幣為核心的區塊鏈上，例如比特幣，區塊鏈就是記錄比特幣交易歷史的資料庫。當前，區塊鏈逐漸轉型為分布式資料庫，隨著IPFS文件系統（InterPlanetary File System）的出現，目前區塊鏈記錄的數據已不限於交易記錄，可以是任意結構化或非結構化數據。這些數據總是被編碼為線性串聯的數據塊，每一塊中包含一組串聯的交易記錄。
區塊鏈記錄的數據具有不可篡改的特性，即一旦上線，除非發生惡意攻擊（正常情況下攻擊難度很高），數據無法隨意篡改。區塊鏈的節點具有分布式、自組織的特點，不需要集中建設網絡，也沒有集中式的管控機制，而是由多個參與者通過共識機制共同決定。
共識機制解決在去中心化環境下，當前誰可以獲得記帳權的問題，其理論基礎是分布式計算中的拜佔庭將軍問題（Byzantine Generals Problem），目前常見的共識機制有工作量證明（即Proof-Of-Work，POW）和權益證明（Proof-Of-Stake，POS）。
比特幣成功設計了基於POW的共識機制（即所謂的「挖礦」），允許獲得記帳權的一方同時獲得獎勵，從而吸引了大量計算資源投入到比特幣網絡之中。在比特幣之後，以太坊（Ethereum）引入智能合約，大幅度擴展了區塊鏈的應用範圍和靈活性。智能合約以可執行代碼的方式，界定交易參與方的行為，並根據約定自動執行交易，從而使得複雜商業行為能夠在區塊鏈上實現。
經過十年的發展，區塊鏈已經取得了長足的發展，表現為結合數字貨幣的公鏈、以產業和業務結合的聯盟鏈、企業內部使用的私鏈等三種主要形式。然而，當前區塊鏈技術在蓬勃發展的同時，也面臨著一系列挑戰：
挖礦能耗
比特幣和以太坊以及其它多個主流公鏈均使用工作量證明作為共識算法，同時對取得記帳權的節點進行獎勵。以比特幣為例，其工作量證明使用特定的哈希函數計算一個隨機數，為了保證難度（體現為計算時間），要求結果隨機數的前若干位為0（具體位數是動態調整的）。由於過去幾年中虛擬貨幣價格出現了連續強勁上升勢頭，大量計算資源被投入到挖礦計算之中，並且出現了以比特大陸為代表的行業巨頭。
如果把全部挖礦的計算能力折算為浮點運算，粗略估算的總體計算能力達到1023FLOPS（FLoating point Operations Per Second），已經達到谷歌計算能力的1百萬倍，或者全球500強超級計算機總體計算能力的10萬倍。如此龐大的計算能力當然以電力作為基礎，其總用電量已經超過世界上160多個國家。
事實上，2018年Nature Energy的一篇文章指出比特幣挖礦的能源損耗超過了黃金、鉑金等貴金屬，1美元比特幣消耗的電能實際上能夠開採3.4美元的黃金。然而，挖礦使用的電能對虛擬貨幣之外的世界全無意義，在全球可持續發展的大背景下尤為刺眼。
可擴展性
無論作為虛擬貨幣帳本還是廣義的資料庫，區塊鏈上的數據服務均以交易形式完成。由於區塊鏈的分布式特性，交易總是並發產生的。因此，區塊鏈的可擴展性一般指單位時間內能夠支撐的最高並發交易個數。一般說來，區塊鏈的吞吐率以Transactions Per Second（TPS）表徵，計算方式如下：
TPS = 一個區塊內包含的交易數量 / 區塊產生時間= 一個區塊內包含的交易數量 / (共識算法運行的時間 + 廣播並驗證的時間)
也就是說，TPS由數據塊的大小、共識算法運行的時間和廣播並驗證的時間共同決定。值得注意的是，由於區塊鏈採用去中心化方式驗證交易，因此必須在多數節點形成共識之後才能完成驗證，其後果就是目前的區塊鏈在節點增加的情況下交易速度必然下降。比特幣的吞吐率為3.3~7TPS，以太坊略高，但也只有30TPS左右。對比而言，使用中心化方式驗證交易的VISA信用卡的持續吞吐率能夠達到1700TPS以上（VISA官網宣稱峰值可達65000TPS）。
安全性
區塊鏈採用了去中心化的共識機制，本身的安全性是比較高的。然而，區塊鏈由網絡實現，因此其網絡協議的各個層次均有可能受到攻擊。例如Mt Gox 交易所曾因為錢包的安全性漏洞被盜走3.6億美元，直接導致交易所破產。
更為嚴重的安全隱患來自於智能合約。由於智能合約是具有圖靈完備性的程序，因此其行為更加複雜，而且代碼在分布式網絡環境上運行時，潛在風險會大大提升。目前的智能合約編程以Solidity語言為主，該語言成熟度相對較低，因此雖然代碼由虛擬機執行，但攻擊者可以利用溢出等情況侵入宿主電腦。同時，為了支持交易引入了跨合約程序調用等功能，易於遭受重入攻擊。典型案例是以太坊上的眾籌項目DAO，它在2017年受到重入攻擊，被盜走當時價值6千萬美元的以太幣。
易用性
智能合約的引入使得區塊鏈在應用領域上升到全新的層次，形成了人類商業行為的一次革命。但智能合約以程序形式體現，對一般用戶來說具有一定難度。在傳統的線下世界，大多數人都可以看懂合同內容，相當比例的用戶則可以在律師指導下或參照模板編寫簡單合同。智能合約則不然，要求用戶必須具備編程能力才能撰寫合同，無形中又限制了其應用範圍。
隱私保護
在大數據時代，保護數據隱私的重要性不言而喻。目前區塊鏈公鏈上的數據大體來說是完全開放的。因此，隨著區塊鏈應用的不斷拓展以及其資料庫應用比重的提升，如何在區塊鏈上引入完備的隱私保護機制已經成為亟待解決的問題。
1.2 人工智慧及其挑戰
根據人工智慧先驅約翰麥卡錫的定義，人工智慧就是「製造智能機器的科學和工程」，其目的是設計製造能表現出人類認知能力的機器。當然，智能的定義又是一個複雜的問題，業內一般認為智能其實是一種通過學習不斷改變自身或外界條件從而適應環境的能力。
人工智慧的領域很寬泛，機器學習是其中一部分，強調從歷史中學習。過去10年中，以深度神經網絡為代表的機器學習技術取得了驚人的成就，但應用的深入也使得人工智慧技術開始面臨一系列現實問題。
缺乏算力
機器學習技術，特別是深度學習技術，需要從大量樣本（有標籤或無標籤）中提煉具有預測能力的模式。因此，機器學習應用一般需要經歷模型訓練和模型推斷兩個階段，其中訓練過程通常計算量較大。人工智慧企業目前依靠租用雲服務或者自建計算集群解決算力問題，算力成本包含硬體成本、電力成本以及維護成本。
英國的一份AI工業分析報告指出，當前訓練一個模型平均需要1萬英鎊，而複雜深度網絡的訓練過程則更為昂貴。因此，目前50%以上的人工智慧公司都存在可用算力不足的問題。
缺乏數據共享
在人類社會高度數位化的今天，數據源並不缺乏，但數據分享的渠道卻遠未暢通。在絕大多數應用場景下，數據產生和數據分析屬於不同利益方。除了搜尋引擎、安防、電子商務等少數領域，AI企業並不直接掌控數據來源，只能與數據提供方合作獲得數據。
因此，目前常見的提法是在人工智慧領域，技術不如數據和應用重要。實際上，並非技術不重要，而是數據的獲取往往具有壁壘。造成壁壘的原因很多，但其中最為關鍵的一個是無法保證數據提供方在共享數據之後能夠共享利益。
缺乏可信性（可解釋性）
傳統工業領域並不乏使用模型的經驗，金融、醫療、製造業中都有大量成熟的建模應用，在核反應堆行業購買特定模型是標準的商業模式。然而，傳統模型和機器學習模型特別是深度學習模型存在顯著差異，即AI模型的可解釋性較差。
例如，金融業中常用的傳統風險控制模型可以在給出風險評估的同時，說明是由於哪些因素導致風險較大（例如信用分數低、現有借貸過多等）。AI特別是深度學習模型則具有「黑盒」特性，雖然其準確率可以很高，但難以說明其推理過程，造成決策的可信性不足。
缺乏通用智能
人類仍然處於人工智慧的早期階段，目前成功的AI應用主要集中在圖像和語音識別領域的監督式學習以及針對確定性環境的增強式學習。其中，監督式學習普遍存在需要大樣本量、高質量標註的問題，而增強式學習對計算量的要求又過高。相比人腦智能，AI首先缺乏非監督或半監督學習能力，其次泛化能力較差，無法形成舉一反三的效果。不僅如此，AI的常識和推理能力不足，缺乏「learning to learn」（自我學習解決問題）的能力，難以進行高層次認知活動。
缺乏隱私
機器學習對於數據隱私具有雙刃劍的作用，一方面機器學習技術也帶來了盜取隱私的新手段，另一方面針對機器學習模型的隱私竊取技術（例如竊取模型參數和訓練數據）也在快速出現。
02
人工智慧給區塊鏈提供的機會
上一部分介紹了區塊鏈目前面臨的主要挑戰，人工智慧確實能夠為應對其中一些挑戰提供新的思路，特別是在智能合約處理和挖礦函數設計上潛力極大，也有人認為AI能夠為區塊鏈提供自動治理能力。在本文這一部分，筆者討論人工智慧為區塊鏈提供的機會。
1.安全驗證
區塊鏈的安全需要對各個網絡和應用層次進行綜合保護才能實現，本文主要關注智能合約的安全性。由於智能合約屬於軟體代碼，因此傳統式軟體缺陷和安全漏洞可以通過形式驗證（Formal Verification）的方法處理，近年來基於機器學習的漏洞模式檢測手段已經出現，一些工作證明了可以把抽象語法樹作為遞歸神經網絡的輸入進行有無漏洞的檢測。
同時，智能合約在分布式網絡上以並發方式執行，因此需要在沙箱網絡上引入動態攻防手段，驗證動態安全性。在動態攻擊過程中，除了使用已知攻擊方式外，當前的生成式網絡也運行自行產生攻擊方式。實際上，目前正在蓬勃發展的對抗式生成網絡提供了將合約和攻擊放在統一框架之內進行全面優化的可能性。
圖2.是智能合約安全驗證的理想工具流程，其核心思想是智能合約代碼要經過靜態和動態驗證才能上線並在虛擬機上運行
靜態驗證是對原始碼或字節碼（Byte Code）直接進行分析（不需要執行代碼），分析工具目前以形式驗證（Formal Verification）為主，但基於深度神經網絡的機器學習方法也在快速出現。形式驗證是在硬體驗證的基礎上發展起來的，目前已被廣泛用於軟體安全驗證。其手段是把程序表示為一定的形式化模型（即基於時序邏輯的數學模型），然後用數學方法證明其正確性。
形式驗證的方法可以分為符號執行（Symbolic Execution）、模型檢查（Model Checking）和定理證明（Theorem Proof）三大類。符號執行算法遍歷代碼的所有可能執行路徑，並提煉出每條路徑的狀態轉移與相應條件，並檢查每一路徑上是否可能存在違反約束的反例。
模型檢查把程序表示為邏輯模型，把針對某一安全漏洞的安全條件表示為相應的屬性，然後使用可滿足性求解器尋找是否存在違反該屬性的輸入數值，如果存在，則表示代碼存在漏洞，否則表示代碼一定滿足該屬性。定理證明比模型檢查的能力更強，能夠做函數級別的檢查，但一般需要專家級別的人工幹預。
雖然形式驗證不屬於人工智慧技術，但AI確實能夠在很多方面提高形式驗證的性能。事實上，形式驗證技術為了解決狀態爆炸問題而引入了大量的啟發式算法，AI能夠找到更優化的啟發條件。另一方面，把原始碼表示為抽象語法樹後，我們完全可以利用遞歸神經網絡的模式提煉能力進行安全漏洞檢查，目前這方面已經有一些成功的工作。
相對於靜態驗證，動態驗證需要在分布式不可信環境下的動態程序執行過程中發現潛在漏洞，其難度更高。一般說來，此時需要對智能合約進行「沙箱」仿真，即在測試鏈上執行代碼，以人工方式注入攻擊。當前快速發展的生成對抗網絡（Generative Adversarial Networks）提供了在小量攻擊範例的基礎上自動產生攻擊代碼的可能性，有望為智能合約安全性提供新的工具。
同時，AI技術也可以和智能合約虛擬機結合，進行動態漏洞嗅探。與靜態檢查不同，動態檢查一般不需要在原始碼中精確定位潛在漏洞，因此解釋性較差的深度學習技術具有更好的可行性。
2. 智能合約代碼生成
智能合約表現為使用程式語言撰寫的程序，因此使用門檻較高會嚴重影響智能合約的可用性。不具備編程能力的一般用戶必須聘請程式設計師完成合同編制工作，但是Solidity現有社區規模較小、編程人員不足。人工智慧技術提供了自動綜合代碼的可能性，當前以微軟DeepCoder為代表的深度神經網絡已能夠在專用領域根據一組示例自動產生代碼。
值得注意的是，雖然與針對任意問題的自動化代碼生成的距離仍然遙遠，但智能合約本身已經呈現出許多顯著特色，例如程序具有比較清晰的狀態（可以用有限狀態機表示）、計算過程相對簡單（主要是針對虛擬貨幣的算數運算）、存在典型模式（例如存取款、投票、彩票等），使得針對性的代碼生成具有較強的可能性。
圖3. 智能合約代碼生成理想工具流程
如圖3所示，智能合約代碼生成工具流程起始於以簡單腳本語言、圖形化方式甚至自然語言捕捉的交易意圖，然後通過機器學習工具抽取交易關鍵特徵並對交易進行分類，在此基礎上結合智能合約設計模式進行代碼綜合。代碼生成工具還可以進一步與安全驗證工具結合，進行迭代式自動攻擊和代碼修訂，從而最大化實現安全性。
3. AI挖礦函數
中本聰為比特幣設計了非常精巧的挖坑函數，即根據塊內交易的內容使用單向哈希函數計算滿足特定要求的隨機數。一般說來，挖礦函數應該具有這樣一些特點：
首先，函數具有單向性，即計算結果難度較高，無法直接猜測，但驗證結果的正確性卻很容易；其次，函數計算應具有一定強度，同時難度可以調整；第三，計算該函數時不需要傳遞大量數據，即不會給區塊鏈網絡帶來額外帶寬負載；第四，函數應具有公平性，也就是說，算力強的節點只是擁有較高概率獲得獎勵。
除此之外，挖礦函數應具有增值性或公益性，即挖礦能夠產生虛擬貨幣之外的價值。事實上，當前AI應用面臨算力不足的困境，如果能夠通過區塊鏈的獎勵機制吸引算力投入，的確可以獲得事半功倍的效果。
從提供算力的角度看，顯然訓練深度神經網絡等機器學習模型的實際意義最大。不僅如此，訓練過程也確實具有單向性，即訓練過程強度高，但是驗證過程（即對已知結果數據做一次推斷）強度很低。不過，深度神經網絡的訓練難度很難預測，因此也不容易控制，而且訓練時一般需要傳遞大量的訓練樣本數據，網絡傳輸壓力很大。由此可見，深度神經網絡的訓練過程作為挖礦函數仍具有很大困難。
另一個可能的AI挖礦函數是馬爾可夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）算法。MCMC在貝葉斯學習和推理中具有極其重要的作用，被選為二十世紀十大算法之一。該算法建立在隨機採樣基礎至少，目的是從已知概率分布的隨機數出發，產生針對特定後驗概率分布的隨機數並推測該分布的特性。MCMC具有單向性，難度相對可控。但是，MCMC作為挖礦函數的缺點是在驗證時需要傳遞比較大量的數據。
圖4. 基於深度神經網絡對抗攻擊的挖礦函數
Matrix AI區塊鏈提出了一種新的基於深度學習的挖礦機理，其來源是針對深度神經網絡的對抗攻擊。當前，深度神經網絡最成熟的應用領域是圖像識別。然而，近來人們發現深度神經網絡存在著「盲點」，即以一定方式修改圖片，此時人眼仍然能夠正常分辨圖片內容，但深度神經網絡卻會做出錯誤分類結果。圖4左邊圖片是單像素攻擊的例子，圖片只有一個像素變化，就可以成功「欺騙」深度神經網絡。
那麼，怎樣找到修改圖片的方法？目前大多數算法都使用隨機優化方法，對圖片引入噪聲形成攻擊。該算法具有成為挖礦函數的潛力，在單向性、難度、帶寬等方面均能夠滿足要求。當然，該方法的公益性稍顯不足，主要是能夠利用區塊鏈算力尋找對抗攻擊實例，從而幫助我們更好地理解人腦和深度神經網絡的區別。
4. 區塊鏈自動治理
任意複雜系統在全生命周期過程中都要經歷自身和環境的變化，因此需要一組規則決定在變化發生時怎樣對系統自身進行改變。規則可以體現為代碼（例如智能合約）、法律、過程（例如X發生時必須執行Y動作）和責任要求。系統治理就是創建、更新和放棄這些規則的決策過程。由於區塊鏈的去中心化特點，其治理過程涉及到平衡開發者、礦工、用戶和商業實體的利益平衡。
區塊鏈系統傳統上採用離線治理方式，即任何人均可以提出改變治理規則的建議，但是否採納某項建議則需要按照一定的協議對建議進行評估，最後通過多方投票的方式決定最終決策並修改相關代碼上線執行。比特幣的相關治理通過BIP（ Bitcoin Improvement Proposal）協議進行，雖然決策速度較慢，但是很多人認為相應的漸變過程對比特幣的可持續發展是有利的。
另一方面，目前也有不少人認為基於人工智慧的自主、在線治理更適合於高速變化的網絡環境。在這種情況下，治理過程可以通過基於AI的增強式學習實現，DFINITY區塊鏈甚至提出使用AI代理作為用戶代表自動進行投票。
治理過程的人工智慧化確實能夠帶來一些好處，特別是在處理細粒度的糾紛處理（例如挖礦或者交易作弊）時效率可以很高。然而，近來的研究結果表明，由於目前AI技術大多基於人類標註樣本，因此同樣可能存在偏見，所以AI決策可能並不象很多人所想像得那樣公正。同時，AI決策體現為AI模型和算法，一般用戶很難理解，而且其安全性和公正性的驗證也是很困難的問題。
值得看看：
NEO的至暗時刻
波場變形記：揮舞著百億鈔票的RMB玩家
專訪原海豚瀏覽器創始人楊永智：我為何在去年就不做區塊鏈了
專訪分布式資本沈波：我對區塊鏈的理解與投資原則
歷經野蠻生長與熊市敗局，Token Fund2.0時代近了
區塊鏈行業收購戰打響，這是對該戰役的五大預測
這是「鏈捕手」的第153期文章，
歡迎轉發朋友圈，轉載請務必聯繫後臺，感謝閱讀。