栏目| 区块链与人工智能的发展与融合

1、区块链系统有哪些缺点？

区块链是数据的全网一致分布和冗余存储。 区块链系统通过技术手段和社会治理手段的综合应用，确保链上数据不可篡改、不可伪造、数据可追溯、系统去中心化运行和集体维护。

就效率而言，区块链是一个非常低效的系统。 原本存储在一个或几个中心节点的数据，在区块链系统上需要在全网所有节点上进行完整的备份，这会消耗大量的带宽和存储资源。 为了保证数据的一致性，需要所有节点都进行一致性校验，这会消耗大量的带宽和计算资源。

受限于区块链系统对数据跨网络一致性分布的要求，目前区块链系统上链的数据仅限于一种特定类型的小数据，即交易记录数据； 在数据规模上，传统的关系型数据库无法直接在区块链系统上实现全网一致的数据分布。 另外，区块链系统只是记录数据，并不具备对数据进行加工处理的能力。 此外，目前的区块链系统还不能用于高并发任务场景。

2、区块链系统的作用是什么？

区块链的本质在于数据在整个网络中的一致性分布和冗余存储，极大地减少甚至消除了信息的不对称性，消除了整个系统对原有信息系统中心节点的依赖。 从原来的中心化等组织到去中心化，自组织提供了技术和系统架构的基础。

区块链对整个社会的作用在于，通过区块链底层技术构建的去中心化信息系统，重构整个社会的组织结构和生产业务流程。 重构后的社会组织结构和生产业务流程，将实现社会组织结构和生产业务流程的去中心化，在拥有点对点数据的前提下，实现社会组织结构和业务流程的去中介化，从而提高全社会的生产力和生活效率。

在重构全社会生产业务流程和社会组织结构的基础上，由于不同节点的业务定位不同，将产生新的中心节点，承担新的业务管理和业务协调任务； 因为不同的节点有不同，所以在数据互惠的基础上，会产生新的中介环节，承担相应的专业功能。 但是，这些新的中心节点和中介环节都是在数据对等的基础上自发演化的，而不是由数据拥有者基于数据独占或数据垄断来发挥或指定，以进一步提高生产和生活效率，而不是降低生产和生活的效率。

3、区块链系统经历了怎样的发展历程？

当前的区块链系统是一个低效率的系统，它的存在是为了在更大范围、更高层次上实现更高效率。 同时，原有的区块链系统是一个封闭的自包含系统，与外界没有或只有很少的数据交互。 但要在更大范围、更高层次上实现更高效率，区块链系统必须与现实生产生活建立更紧密的联系。 因此，打破原有的区块链边界，将区块链系统与其他技术相结合，与产业对接是必然的。

比特币系统被认为是区块链的 1.0 版本。 比特币系统与外界没有任何数据交互，也不具备数据处理能力，链上数据量很小。 自创世块诞生以来，10 多年积累的所有数据只有 100GB。 同时，数据维度单一，只是一笔交易的记录。

以太坊系统被认为是区块链 2.0 版本。 为了能够处理现实生活中的金融业务，以太坊系统在比特币系统的基础上增加了智能合约，通过预言机实现了以太坊系统与外界的数据交互。 以太坊系统虽然是全球区块链领域公认的领先品牌，但也存在数据量小、数据维度单一的问题。 但相对于比特币系统，以太坊系统毕竟已经具备了一定的数据处理能力。

四、人工智能的分类与不足

人工智能系统发展至今，大致可以分为两种类型：无监督学习和监督学习。 其中，无监督学习是指人工智能系统与外界没有数据交互比特币全网公认的区块链选择采用，单纯依靠逻辑和规则进行自身训练。 击败 AlphaGo 和 AlphaGo Master 的 AlphaGo Zero 是无监督学习的一个例子。 AlphaGo战胜了韩国围棋选手李世石，AlphaGo Master战胜了中国围棋选手柯洁。 AlphaGo和AlphaGo Master都在大量人类围棋记录的训练下获得了相应的下围棋能力。 然而，AlphaGo Zero 并没有接受过任何人类围棋比赛记录的训练，完全依靠类似于左右手交互的自我学习获得了超强的围棋比赛能力。 无监督学习有其自身的应用局限性，只适用于规则清晰、信息完备的场景。 这样的场景在生产性业务流程中可能更多，但在人类生活中确实是有限的。

另一种重要的人工智能是监督学习。 监督学习需要大量数据来训练人工智能系统。 监督学习一般以大数据为基础，适用于规则不明确、信息不完整的情况。 监督学习通过对大量数据进行训练，发现数据背后未被发现的规则和关联。 监督学习具有广阔的应用空间和应用场景，但监督学习系统的建立和完善与大数据系统的建立和使用密切相关。

人工智能是提高生产力的工具。 人工智能系统通过在大量不规则、不相关的数据中寻找数据之间的相关性，寻找更多的规律和关联，可以大大提高单点效率和系统效率。 同时，人工智能与业务逻辑的结合，可以在业务逻辑的约束和支持下，实现更深、更大容量、更快的计算。 路径选择方案在效率上实现了很大的提升。

目前，大多数人工智能系统都是建立在大数据的基础上，建立在中心化的服务器或中心化的计算环境之上。 基于小数据和确定性数据，能否进一步挖掘里面的智能？ 如何在分布式环境下实现分布式人工智能也是人工智能未来发展的方向之一。

5. 区块链与人工智能的融合

区块链是改变生产关系的工具。 但是，区块链要想改变生产关系，就必须克服自身架构的一系列不足，对其现有架构进行实质性的重构和扩展。 当前的一系列技术手段可以在一定程度上提高人类在某一领域的生产和生活效率，但只有区块链才能将大数据、物联网、人工智能、云计算、边缘计算等技术统一集成方式。

无论是监督学习还是非监督学习比特币全网公认的区块链选择采用，人工智能都可以大大提高生产和生活的效率。 如果人工智能应用能够建立在区块链系统上，不仅可以提高生产生活的整体效率，还可以提高单点的生产生活效率。

但在现有区块链系统上构建人工智能应用也存在一系列问题。 区块链系统的存储和带宽以及数据跨网络的一致性限制了区块链系统链上数据扩展的空间； 链上存储的数据类型单一，不足以支撑人工智能监督学习的数据需求； 链的分布式计算仍然是单点计算，节点之间的协同关系远未建立，其单点的计算能力不足以支撑大规模人工智能应用所需的计算能力。

因此，区块链与人工智能的融合，首先是从区块链的角度，扩展区块链系统所能容纳的数据容量，扩展数据维度； 第二，从人工智能的角度，构建分布式智能，建立分布式协作。 其实这也是未来区块链发展的方向。

要扩展区块链的数据容量和数据维度，就需要改变区块链系统数据的存储方式。 可以使用以下解决方法。 一种是实现链上数据和链下数据的分布式存储，将大部分数据存储在链下，利用云计算或者边缘计算，或者IPFS实现传统关系型数据库和当前的链下分布大数据系统数据同时，将这些数据的HASH值存储在链上，也可以从技术上保证数据不可篡改、不可伪造。 二、对于大量的链下数据，将原来的单中心存储改为多中心分布式冗余一致存储，可以节省空间和带宽，也可以实现链上数据不可篡改并且链下无法伪造。 当然，为了系统的可靠性和健壮性，链下数据的多中心冗余存储需要在存储节点空间分布、节点数量部署、数据可访问性等方面更多地基于业务逻辑进行考虑和设计。 .

从人工智能的角度来看，需要逐步实现分布式智能。 为实现分布式智能，需要将人工智能应用系统中的计算节点和数据存储节点分开。 一方面是改变现有人工智能系统，特别是基于大数据或云数据的大型、巨型人工智能系统的数据存储结构，让每个计算节点都可以从遍布全网的数据存储节点构建自己的智能系统； 二是多个节点协同完成同一个人工智能任务。 这两者都将大大丰富当前的AI处理模型。

数据存储分离意味着区块链系统要处理的数据不再只是链上的单笔交易数据，而是不同内容、不同维度的全量数据。 业务逻辑属性以分布式方式存储。 这种分布不再是以往数据在不同节点间的分布式存储，而是包括了链上链下数据的分布式存储。

区块链与人工智能的融合，不仅需要改变和扩展区块链的架构，还需要改变人类智能系统的数据存储、数据传输、数据处理方式。 智能系统向分布式智能系统的扩展。

区块链系统与人工智能应用的融合，不仅将持续提升整体系统效率，还将改变区块链单点效率低下的局面，从单点效率提升到协同多点效率提升。

关于作者