摘要： 過(guò)去幾年中，區(qū)塊鏈和人工智能無(wú)疑是最熱的兩個(gè)技術(shù)詞匯，相關(guān)成果在學(xué)術(shù)界引起了廣泛的關(guān)注，在資本圈也極受追捧。

近期，鏈捕手向清華大學(xué)副教授、MATRIX首席人工智能科學(xué)家鄧仰東教授約稿，請(qǐng)他談一談對(duì)區(qū)塊鏈與人工智能關(guān)系的理解。鄧仰東教授主攻人工智能、電子設(shè)計(jì)自動(dòng)化、并行算法和圖形處理器架構(gòu)等領(lǐng)域的研究，曾為中國(guó)高鐵設(shè)計(jì)及研發(fā)了人工智能預(yù)警安全解決方案。

在本文中，鄧仰東教授詳解了人工智能與區(qū)塊鏈行業(yè)各自遇到的挑戰(zhàn)以及AI能給區(qū)塊鏈帶來(lái)哪些機(jī)會(huì)，具有很高的可讀性以及思考價(jià)值，希望能對(duì)你有所啟發(fā)。

自從2018年以來(lái)，行業(yè)里有很多關(guān)于融合區(qū)塊鏈和人工智能的探討，出現(xiàn)了AI賦能區(qū)塊鏈、區(qū)塊鏈AI市場(chǎng)等新提法，也有人認(rèn)為還可以進(jìn)一步結(jié)合物聯(lián)網(wǎng)（IoT），甚至還有人認(rèn)為區(qū)塊鏈和人工智能能夠進(jìn)一步整合量子物理和神經(jīng)科學(xué)。

那么，去除掉各種泡沫和噪聲之后，究竟這種融合有無(wú)意義？具體說(shuō)來(lái)，我們關(guān)注這樣一系列問(wèn)題：區(qū)塊鏈和人工智能互相能為對(duì)方帶來(lái)什么？二者的融合能否形成1+1>1的效果？特別是，區(qū)塊鏈和人工智能都不是終端級(jí)產(chǎn)品，那么兩者結(jié)合能否成為催生新的終端應(yīng)用的平臺(tái)？

圖1.區(qū)塊鏈和人工智能的融合

總體上看，筆者認(rèn)為區(qū)塊鏈和人工智能的融合的確能帶來(lái)全新的機(jī)會(huì)，總體關(guān)系如圖1。筆者將從四個(gè)方面對(duì)以上問(wèn)題進(jìn)行探討。首先，簡(jiǎn)單介紹區(qū)塊鏈和人工智能的基本概念，并且討論當(dāng)前這兩者面臨的主要挑戰(zhàn)；第二，從區(qū)塊鏈角度看，AI能否帶來(lái)什么好處；第三，從AI角度看，區(qū)塊鏈能夠解決什么問(wèn)題；第四，我們看看區(qū)塊鏈和人工智能融合的一種全新可能，即離散計(jì)算資源以區(qū)塊鏈組織而形成人工智能云平臺(tái)。考慮篇幅問(wèn)題，本文先講第一部分與第二部分。

01

區(qū)塊鏈和人工智能

區(qū)塊鏈和人工智能是人類(lèi)為了解決不同問(wèn)題而形成的技術(shù)。其中，區(qū)塊鏈的起源在于分布式計(jì)算和密碼學(xué)的研究，但成為獨(dú)立的技術(shù)領(lǐng)域則從2009年比特幣出現(xiàn)后才真正開(kāi)始；而AI的歷史可以追溯到古希臘時(shí)代亞里士多德的工作，現(xiàn)代AI則以1958年的達(dá)特茅斯會(huì)議為起點(diǎn)，之后又經(jīng)歷了至少兩次起伏，新的一波人工智能熱潮始于2010年前后深度神經(jīng)網(wǎng)絡(luò)的優(yōu)異表現(xiàn)。

我們分別從區(qū)塊鏈和人工智能的基本概念開(kāi)始，探索當(dāng)前兩者分別面臨的挑戰(zhàn)。

1.1 區(qū)塊鏈及其挑戰(zhàn)

區(qū)塊鏈的本質(zhì)是去中心化的分布式賬本。在早期以虛擬貨幣為核心的區(qū)塊鏈上，例如比特幣，區(qū)塊鏈就是記錄比特幣交易歷史的數(shù)據(jù)庫(kù)。當(dāng)前，區(qū)塊鏈逐漸轉(zhuǎn)型為分布式數(shù)據(jù)庫(kù)，隨著IPFS文件系統(tǒng)（InterPlanetary File System）的出現(xiàn)，目前區(qū)塊鏈記錄的數(shù)據(jù)已不限于交易記錄，可以是任意結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)。這些數(shù)據(jù)總是被編碼為線性串聯(lián)的數(shù)據(jù)塊，每一塊中包含一組串聯(lián)的交易記錄。

區(qū)塊鏈記錄的數(shù)據(jù)具有不可篡改的特性，即一旦上線，除非發(fā)生惡意攻擊（正常情況下攻擊難度很高），數(shù)據(jù)無(wú)法隨意篡改。區(qū)塊鏈的節(jié)點(diǎn)具有分布式、自組織的特點(diǎn)，不需要集中建設(shè)網(wǎng)絡(luò)，也沒(méi)有集中式的管控機(jī)制，而是由多個(gè)參與者通過(guò)共識(shí)機(jī)制共同決定。

共識(shí)機(jī)制解決在去中心化環(huán)境下，當(dāng)前誰(shuí)可以獲得記賬權(quán)的問(wèn)題，其理論基礎(chǔ)是分布式計(jì)算中的拜占庭將軍問(wèn)題（Byzantine Generals Problem），目前常見(jiàn)的共識(shí)機(jī)制有工作量證明（即Proof-Of-Work，POW）和權(quán)益證明（Proof-Of-Stake，POS）。

比特幣成功設(shè)計(jì)了基于POW的共識(shí)機(jī)制（即所謂的「挖礦」），允許獲得記賬權(quán)的一方同時(shí)獲得獎(jiǎng)勵(lì)，從而吸引了大量計(jì)算資源投入到比特幣網(wǎng)絡(luò)之中。在比特幣之后，以太坊（Ethereum）引入智能合約，大幅度擴(kuò)展了區(qū)塊鏈的應(yīng)用范圍和靈活性。智能合約以可執(zhí)行代碼的方式，界定交易參與方的行為，并根據(jù)約定自動(dòng)執(zhí)行交易，從而使得復(fù)雜商業(yè)行為能夠在區(qū)塊鏈上實(shí)現(xiàn)。

經(jīng)過(guò)十年的發(fā)展，區(qū)塊鏈已經(jīng)取得了長(zhǎng)足的發(fā)展，表現(xiàn)為結(jié)合數(shù)字貨幣的公鏈、以產(chǎn)業(yè)和業(yè)務(wù)結(jié)合的聯(lián)盟鏈、企業(yè)內(nèi)部使用的私鏈等三種主要形式。然而，當(dāng)前區(qū)塊鏈技術(shù)在蓬勃發(fā)展的同時(shí)，也面臨著一系列挑戰(zhàn)：

挖礦能耗比特幣和以太坊以及其它多個(gè)主流公鏈均使用工作量證明作為共識(shí)算法，同時(shí)對(duì)取得記賬權(quán)的節(jié)點(diǎn)進(jìn)行獎(jiǎng)勵(lì)。以比特幣為例，其工作量證明使用特定的哈希函數(shù)計(jì)算一個(gè)隨機(jī)數(shù)，為了保證難度（體現(xiàn)為計(jì)算時(shí)間），要求結(jié)果隨機(jī)數(shù)的前若干位為0（具體位數(shù)是動(dòng)態(tài)調(diào)整的）。由于過(guò)去幾年中虛擬貨幣價(jià)格出現(xiàn)了連續(xù)強(qiáng)勁上升勢(shì)頭，大量計(jì)算資源被投入到挖礦計(jì)算之中，并且出現(xiàn)了以比特大陸為代表的行業(yè)巨頭。

如果把全部挖礦的計(jì)算能力折算為浮點(diǎn)運(yùn)算，粗略估算的總體計(jì)算能力達(dá)到1023FLOPS（FLoating point Operations Per Second），已經(jīng)達(dá)到谷歌計(jì)算能力的1百萬(wàn)倍，或者全球500強(qiáng)超級(jí)計(jì)算機(jī)總體計(jì)算能力的10萬(wàn)倍。如此龐大的計(jì)算能力當(dāng)然以電力作為基礎(chǔ)，其總用電量已經(jīng)超過(guò)世界上160多個(gè)國(guó)家。

事實(shí)上，2018年Nature Energy的一篇文章指出比特幣挖礦的能源損耗超過(guò)了黃金、鉑金等貴金屬，1美元比特幣消耗的電能實(shí)際上能夠開(kāi)采3.4美元的黃金。然而，挖礦使用的電能對(duì)虛擬貨幣之外的世界全無(wú)意義，在全球可持續(xù)發(fā)展的大背景下尤為刺眼。

可擴(kuò)展性無(wú)論作為虛擬貨幣賬本還是廣義的數(shù)據(jù)庫(kù)，區(qū)塊鏈上的數(shù)據(jù)服務(wù)均以交易形式完成。由于區(qū)塊鏈的分布式特性，交易總是并發(fā)產(chǎn)生的。因此，區(qū)塊鏈的可擴(kuò)展性一般指單位時(shí)間內(nèi)能夠支撐的最高并發(fā)交易個(gè)數(shù)。一般說(shuō)來(lái)，區(qū)塊鏈的吞吐率以Transactions Per Second（TPS）表征，計(jì)算方式如下：

TPS = 一個(gè)區(qū)塊內(nèi)包含的交易數(shù)量 / 區(qū)塊產(chǎn)生時(shí)間= 一個(gè)區(qū)塊內(nèi)包含的交易數(shù)量 / (共識(shí)算法運(yùn)行的時(shí)間 + 廣播并驗(yàn)證的時(shí)間)

也就是說(shuō)，TPS由數(shù)據(jù)塊的大小、共識(shí)算法運(yùn)行的時(shí)間和廣播并驗(yàn)證的時(shí)間共同決定。值得注意的是，由于區(qū)塊鏈采用去中心化方式驗(yàn)證交易，因此必須在多數(shù)節(jié)點(diǎn)形成共識(shí)之后才能完成驗(yàn)證，其后果就是目前的區(qū)塊鏈在節(jié)點(diǎn)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(duì)比而言，使用中心化方式驗(yàn)證交易的VISA信用卡的持續(xù)吞吐率能夠達(dá)到1700TPS以上（VISA官網(wǎng)宣稱(chēng)峰值可達(dá)65000TPS）。

安全性區(qū)塊鏈采用了去中心化的共識(shí)機(jī)制，本身的安全性是比較高的。然而，區(qū)塊鏈由網(wǎng)絡(luò)實(shí)現(xiàn)，因此其網(wǎng)絡(luò)協(xié)議的各個(gè)層次均有可能受到攻擊。例如Mt Gox 交易所曾因?yàn)殄X(qián)包的安全性漏洞被盜走3.6億美元，直接導(dǎo)致交易所破產(chǎn)。

更為嚴(yán)重的安全隱患來(lái)自于智能合約。由于智能合約是具有圖靈完備性的程序，因此其行為更加復(fù)雜，而且代碼在分布式網(wǎng)絡(luò)環(huán)境上運(yùn)行時(shí)，潛在風(fēng)險(xiǎn)會(huì)大大提升。目前的智能合約編程以Solidity語(yǔ)言為主，該語(yǔ)言成熟度相對(duì)較低，因此雖然代碼由虛擬機(jī)執(zhí)行，但攻擊者可以利用溢出等情況侵入宿主電腦。同時(shí)，為了支持交易引入了跨合約程序調(diào)用等功能，易于遭受重入攻擊。典型案例是以太坊上的眾籌項(xiàng)目DAO，它在2017年受到重入攻擊，被盜走當(dāng)時(shí)價(jià)值6千萬(wàn)美元的以太幣。

易用性智能合約的引入使得區(qū)塊鏈在應(yīng)用領(lǐng)域上升到全新的層次，形成了人類(lèi)商業(yè)行為的一次革命。但智能合約以程序形式體現(xiàn)，對(duì)一般用戶(hù)來(lái)說(shuō)具有一定難度。在傳統(tǒng)的線下世界，大多數(shù)人都可以看懂合同內(nèi)容，相當(dāng)比例的用戶(hù)則可以在律師指導(dǎo)下或參照模板編寫(xiě)簡(jiǎn)單合同。智能合約則不然，要求用戶(hù)必須具備編程能力才能撰寫(xiě)合同，無(wú)形中又限制了其應(yīng)用范圍。

隱私保護(hù)在大數(shù)據(jù)時(shí)代，保護(hù)數(shù)據(jù)隱私的重要性不言而喻。目前區(qū)塊鏈公鏈上的數(shù)據(jù)大體來(lái)說(shuō)是完全開(kāi)放的。因此，隨著區(qū)塊鏈應(yīng)用的不斷拓展以及其數(shù)據(jù)庫(kù)應(yīng)用比重的提升，如何在區(qū)塊鏈上引入完備的隱私保護(hù)機(jī)制已經(jīng)成為亟待解決的問(wèn)題。

1.2 人工智能及其挑戰(zhàn)

根據(jù)人工智能先驅(qū)約翰麥卡錫的定義，人工智能就是「制造智能機(jī)器的科學(xué)和工程」，其目的是設(shè)計(jì)制造能表現(xiàn)出人類(lèi)認(rèn)知能力的機(jī)器。當(dāng)然，智能的定義又是一個(gè)復(fù)雜的問(wèn)題，業(yè)內(nèi)一般認(rèn)為智能其實(shí)是一種通過(guò)學(xué)習(xí)不斷改變自身或外界條件從而適應(yīng)環(huán)境的能力。

人工智能的領(lǐng)域很寬泛，機(jī)器學(xué)習(xí)是其中一部分，強(qiáng)調(diào)從歷史中學(xué)習(xí)。過(guò)去10年中，以深度神經(jīng)網(wǎng)絡(luò)為代表的機(jī)器學(xué)習(xí)技術(shù)取得了驚人的成就，但應(yīng)用的深入也使得人工智能技術(shù)開(kāi)始面臨一系列現(xiàn)實(shí)問(wèn)題。

缺乏算力機(jī)器學(xué)習(xí)技術(shù)，特別是深度學(xué)習(xí)技術(shù)，需要從大量樣本（有標(biāo)簽或無(wú)標(biāo)簽）中提煉具有預(yù)測(cè)能力的模式。因此，機(jī)器學(xué)習(xí)應(yīng)用一般需要經(jīng)歷模型訓(xùn)練和模型推斷兩個(gè)階段，其中訓(xùn)練過(guò)程通常計(jì)算量較大。人工智能企業(yè)目前依靠租用云服務(wù)或者自建計(jì)算集群解決算力問(wèn)題，算力成本包含硬件成本、電力成本以及維護(hù)成本。

英國(guó)的一份AI工業(yè)分析報(bào)告指出，當(dāng)前訓(xùn)練一個(gè)模型平均需要1萬(wàn)英鎊，而復(fù)雜深度網(wǎng)絡(luò)的訓(xùn)練過(guò)程則更為昂貴。因此，目前50%以上的人工智能公司都存在可用算力不足的問(wèn)題。

缺乏數(shù)據(jù)共享在人類(lèi)社會(huì)高度數(shù)字化的今天，數(shù)據(jù)源并不缺乏，但數(shù)據(jù)分享的渠道卻遠(yuǎn)未暢通。在絕大多數(shù)應(yīng)用場(chǎng)景下，數(shù)據(jù)產(chǎn)生和數(shù)據(jù)分析屬于不同利益方。除了搜索引擎、安防、電子商務(wù)等少數(shù)領(lǐng)域，AI企業(yè)并不直接掌控?cái)?shù)據(jù)來(lái)源，只能與數(shù)據(jù)提供方合作獲得數(shù)據(jù)。

因此，目前常見(jiàn)的提法是在人工智能領(lǐng)域，技術(shù)不如數(shù)據(jù)和應(yīng)用重要。實(shí)際上，并非技術(shù)不重要，而是數(shù)據(jù)的獲取往往具有壁壘。造成壁壘的原因很多，但其中最為關(guān)鍵的一個(gè)是無(wú)法保證數(shù)據(jù)提供方在共享數(shù)據(jù)之后能夠共享利益。

缺乏可信性（可解釋性）傳統(tǒng)工業(yè)領(lǐng)域并不乏使用模型的經(jīng)驗(yàn)，金融、醫(yī)療、制造業(yè)中都有大量成熟的建模應(yīng)用，在核反應(yīng)堆行業(yè)購(gòu)買(mǎi)特定模型是標(biāo)準(zhǔn)的商業(yè)模式。然而，傳統(tǒng)模型和機(jī)器學(xué)習(xí)模型特別是深度學(xué)習(xí)模型存在顯著差異，即AI模型的可解釋性較差。

例如，金融業(yè)中常用的傳統(tǒng)風(fēng)險(xiǎn)控制模型可以在給出風(fēng)險(xiǎn)評(píng)估的同時(shí)，說(shuō)明是由于哪些因素導(dǎo)致風(fēng)險(xiǎn)較大（例如信用分?jǐn)?shù)低、現(xiàn)有借貸過(guò)多等）。AI特別是深度學(xué)習(xí)模型則具有「黑盒」特性，雖然其準(zhǔn)確率可以很高，但難以說(shuō)明其推理過(guò)程，造成決策的可信性不足。

缺乏通用智能人類(lèi)仍然處于人工智能的早期階段，目前成功的AI應(yīng)用主要集中在圖像和語(yǔ)音識(shí)別領(lǐng)域的監(jiān)督式學(xué)習(xí)以及針對(duì)確定性環(huán)境的增強(qiáng)式學(xué)習(xí)。其中，監(jiān)督式學(xué)習(xí)普遍存在需要大樣本量、高質(zhì)量標(biāo)注的問(wèn)題，而增強(qiáng)式學(xué)習(xí)對(duì)計(jì)算量的要求又過(guò)高。相比人腦智能，AI首先缺乏非監(jiān)督或半監(jiān)督學(xué)習(xí)能力，其次泛化能力較差，無(wú)法形成舉一反三的效果。不僅如此，AI的常識(shí)和推理能力不足，缺乏「learning to learn」（自我學(xué)習(xí)解決問(wèn)題）的能力，難以進(jìn)行高層次認(rèn)知活動(dòng)。

缺乏隱私機(jī)器學(xué)習(xí)對(duì)于數(shù)據(jù)隱私具有雙刃劍的作用，一方面機(jī)器學(xué)習(xí)技術(shù)也帶來(lái)了盜取隱私的新手段，另一方面針對(duì)機(jī)器學(xué)習(xí)模型的隱私竊取技術(shù)（例如竊取模型參數(shù)和訓(xùn)練數(shù)據(jù)）也在快速出現(xiàn)。

02

人工智能給區(qū)塊鏈提供的機(jī)會(huì)

上一部分介紹了區(qū)塊鏈目前面臨的主要挑戰(zhàn)，人工智能確實(shí)能夠?yàn)閼?yīng)對(duì)其中一些挑戰(zhàn)提供新的思路，特別是在智能合約處理和挖礦函數(shù)設(shè)計(jì)上潛力極大，也有人認(rèn)為AI能夠?yàn)閰^(qū)塊鏈提供自動(dòng)治理能力。在本文這一部分，筆者討論人工智能為區(qū)塊鏈提供的機(jī)會(huì)。

1.安全驗(yàn)證

區(qū)塊鏈的安全需要對(duì)各個(gè)網(wǎng)絡(luò)和應(yīng)用層次進(jìn)行綜合保護(hù)才能實(shí)現(xiàn)，本文主要關(guān)注智能合約的安全性。由于智能合約屬于軟件代碼，因此傳統(tǒng)式軟件缺陷和安全漏洞可以通過(guò)形式驗(yàn)證（Formal Verification）的方法處理，近年來(lái)基于機(jī)器學(xué)習(xí)的漏洞模式檢測(cè)手段已經(jīng)出現(xiàn)，一些工作證明了可以把抽象語(yǔ)法樹(shù)作為遞歸神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行有無(wú)漏洞的檢測(cè)。

同時(shí)，智能合約在分布式網(wǎng)絡(luò)上以并發(fā)方式執(zhí)行，因此需要在沙箱網(wǎng)絡(luò)上引入動(dòng)態(tài)攻防手段，驗(yàn)證動(dòng)態(tài)安全性。在動(dòng)態(tài)攻擊過(guò)程中，除了使用已知攻擊方式外，當(dāng)前的生成式網(wǎng)絡(luò)也運(yùn)行自行產(chǎn)生攻擊方式。實(shí)際上，目前正在蓬勃發(fā)展的對(duì)抗式生成網(wǎng)絡(luò)提供了將合約和攻擊放在統(tǒng)一框架之內(nèi)進(jìn)行全面優(yōu)化的可能性。

圖2.是智能合約安全驗(yàn)證的理想工具流程，其核心思想是智能合約代碼要經(jīng)過(guò)靜態(tài)和動(dòng)態(tài)驗(yàn)證才能上線并在虛擬機(jī)上運(yùn)行

靜態(tài)驗(yàn)證是對(duì)源代碼或字節(jié)碼（Byte Code）直接進(jìn)行分析（不需要執(zhí)行代碼），分析工具目前以形式驗(yàn)證（Formal Verification）為主，但基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法也在快速出現(xiàn)。形式驗(yàn)證是在硬件驗(yàn)證的基礎(chǔ)上發(fā)展起來(lái)的，目前已被廣泛用于軟件安全驗(yàn)證。其手段是把程序表示為一定的形式化模型（即基于時(shí)序邏輯的數(shù)學(xué)模型），然后用數(shù)學(xué)方法證明其正確性。

形式驗(yàn)證的方法可以分為符號(hào)執(zhí)行（Symbolic Execution）、模型檢查（Model Checking）和定理證明（Theorem Proof）三大類(lèi)。符號(hào)執(zhí)行算法遍歷代碼的所有可能執(zhí)行路徑，并提煉出每條路徑的狀態(tài)轉(zhuǎn)移與相應(yīng)條件，并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(duì)某一安全漏洞的安全條件表示為相應(yīng)的屬性，然后使用可滿足性求解器尋找是否存在違反該屬性的輸入數(shù)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(qiáng)，能夠做函數(shù)級(jí)別的檢查，但一般需要專(zhuān)家級(jí)別的人工干預(yù)。

雖然形式驗(yàn)證不屬于人工智能技術(shù)，但AI確實(shí)能夠在很多方面提高形式驗(yàn)證的性能。事實(shí)上，形式驗(yàn)證技術(shù)為了解決狀態(tài)爆炸問(wèn)題而引入了大量的啟發(fā)式算法，AI能夠找到更優(yōu)化的啟發(fā)條件。另一方面，把源代碼表示為抽象語(yǔ)法樹(shù)后，我們完全可以利用遞歸神經(jīng)網(wǎng)絡(luò)的模式提煉能力進(jìn)行安全漏洞檢查，目前這方面已經(jīng)有一些成功的工作。

相對(duì)于靜態(tài)驗(yàn)證，動(dòng)態(tài)驗(yàn)證需要在分布式不可信環(huán)境下的動(dòng)態(tài)程序執(zhí)行過(guò)程中發(fā)現(xiàn)潛在漏洞，其難度更高。一般說(shuō)來(lái)，此時(shí)需要對(duì)智能合約進(jìn)行「沙箱」仿真，即在測(cè)試鏈上執(zhí)行代碼，以人工方式注入攻擊。當(dāng)前快速發(fā)展的生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks）提供了在小量攻擊范例的基礎(chǔ)上自動(dòng)產(chǎn)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(shí)，AI技術(shù)也可以和智能合約虛擬機(jī)結(jié)合，進(jìn)行動(dòng)態(tài)漏洞嗅探。與靜態(tài)檢查不同，動(dòng)態(tài)檢查一般不需要在源代碼中精確定位潛在漏洞，因此解釋性較差的深度學(xué)習(xí)技術(shù)具有更好的可行性。

2. 智能合約代碼生成

智能合約表現(xiàn)為使用編程語(yǔ)言撰寫(xiě)的程序，因此使用門(mén)檻較高會(huì)嚴(yán)重影響智能合約的可用性。不具備編程能力的一般用戶(hù)必須聘請(qǐng)程序員完成合同編制工作，但是Solidity現(xiàn)有社區(qū)規(guī)模較小、編程人員不足。人工智能技術(shù)提供了自動(dòng)綜合代碼的可能性，當(dāng)前以微軟DeepCoder為代表的深度神經(jīng)網(wǎng)絡(luò)已能夠在專(zhuān)用領(lǐng)域根據(jù)一組示例自動(dòng)產(chǎn)生代碼。

值得注意的是，雖然與針對(duì)任意問(wèn)題的自動(dòng)化代碼生成的距離仍然遙遠(yuǎn)，但智能合約本身已經(jīng)呈現(xiàn)出許多顯著特色，例如程序具有比較清晰的狀態(tài)（可以用有限狀態(tài)機(jī)表示）、計(jì)算過(guò)程相對(duì)簡(jiǎn)單（主要是針對(duì)虛擬貨幣的算數(shù)運(yùn)算）、存在典型模式（例如存取款、投票、彩票等），使得針對(duì)性的代碼生成具有較強(qiáng)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于以簡(jiǎn)單腳本語(yǔ)言、圖形化方式甚至自然語(yǔ)言捕捉的交易意圖，然后通過(guò)機(jī)器學(xué)習(xí)工具抽取交易關(guān)鍵特征并對(duì)交易進(jìn)行分類(lèi)，在此基礎(chǔ)上結(jié)合智能合約設(shè)計(jì)模式進(jìn)行代碼綜合。代碼生成工具還可以進(jìn)一步與安全驗(yàn)證工具結(jié)合，進(jìn)行迭代式自動(dòng)攻擊和代碼修訂，從而最大化實(shí)現(xiàn)安全性。

3. AI挖礦函數(shù)

中本聰為比特幣設(shè)計(jì)了非常精巧的挖坑函數(shù)，即根據(jù)塊內(nèi)交易的內(nèi)容使用單向哈希函數(shù)計(jì)算滿足特定要求的隨機(jī)數(shù)。一般說(shuō)來(lái)，挖礦函數(shù)應(yīng)該具有這樣一些特點(diǎn)：

首先，函數(shù)具有單向性，即計(jì)算結(jié)果難度較高，無(wú)法直接猜測(cè)，但驗(yàn)證結(jié)果的正確性卻很容易；其次，函數(shù)計(jì)算應(yīng)具有一定強(qiáng)度，同時(shí)難度可以調(diào)整；第三，計(jì)算該函數(shù)時(shí)不需要傳遞大量數(shù)據(jù)，即不會(huì)給區(qū)塊鏈網(wǎng)絡(luò)帶來(lái)額外帶寬負(fù)載；第四，函數(shù)應(yīng)具有公平性，也就是說(shuō)，算力強(qiáng)的節(jié)點(diǎn)只是擁有較高概率獲得獎(jiǎng)勵(lì)。

除此之外，挖礦函數(shù)應(yīng)具有增值性或公益性，即挖礦能夠產(chǎn)生虛擬貨幣之外的價(jià)值。事實(shí)上，當(dāng)前AI應(yīng)用面臨算力不足的困境，如果能夠通過(guò)區(qū)塊鏈的獎(jiǎng)勵(lì)機(jī)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(xùn)練深度神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)模型的實(shí)際意義最大。不僅如此，訓(xùn)練過(guò)程也確實(shí)具有單向性，即訓(xùn)練過(guò)程強(qiáng)度高，但是驗(yàn)證過(guò)程（即對(duì)已知結(jié)果數(shù)據(jù)做一次推斷）強(qiáng)度很低。不過(guò)，深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度很難預(yù)測(cè)，因此也不容易控制，而且訓(xùn)練時(shí)一般需要傳遞大量的訓(xùn)練樣本數(shù)據(jù)，網(wǎng)絡(luò)傳輸壓力很大。由此可見(jiàn)，深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程作為挖礦函數(shù)仍具有很大困難。

另一個(gè)可能的AI挖礦函數(shù)是馬爾可夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）算法。MCMC在貝葉斯學(xué)習(xí)和推理中具有極其重要的作用，被選為二十世紀(jì)十大算法之一。該算法建立在隨機(jī)采樣基礎(chǔ)至少，目的是從已知概率分布的隨機(jī)數(shù)出發(fā)，產(chǎn)生針對(duì)特定后驗(yàn)概率分布的隨機(jī)數(shù)并推測(cè)該分布的特性。MCMC具有單向性，難度相對(duì)可控。但是，MCMC作為挖礦函數(shù)的缺點(diǎn)是在驗(yàn)證時(shí)需要傳遞比較大量的數(shù)據(jù)。

圖4. 基于深度神經(jīng)網(wǎng)絡(luò)對(duì)抗攻擊的挖礦函數(shù)

Matrix AI區(qū)塊鏈提出了一種新的基于深度學(xué)習(xí)的挖礦機(jī)理，其來(lái)源是針對(duì)深度神經(jīng)網(wǎng)絡(luò)的對(duì)抗攻擊。當(dāng)前，深度神經(jīng)網(wǎng)絡(luò)最成熟的應(yīng)用領(lǐng)域是圖像識(shí)別。然而，近來(lái)人們發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)存在著「盲點(diǎn)」，即以一定方式修改圖片，此時(shí)人眼仍然能夠正常分辨圖片內(nèi)容，但深度神經(jīng)網(wǎng)絡(luò)卻會(huì)做出錯(cuò)誤分類(lèi)結(jié)果。圖4左邊圖片是單像素攻擊的例子，圖片只有一個(gè)像素變化，就可以成功「欺騙」深度神經(jīng)網(wǎng)絡(luò)。

那么，怎樣找到修改圖片的方法？目前大多數(shù)算法都使用隨機(jī)優(yōu)化方法，對(duì)圖片引入噪聲形成攻擊。該算法具有成為挖礦函數(shù)的潛力，在單向性、難度、帶寬等方面均能夠滿足要求。當(dāng)然，該方法的公益性稍顯不足，主要是能夠利用區(qū)塊鏈算力尋找對(duì)抗攻擊實(shí)例，從而幫助我們更好地理解人腦和深度神經(jīng)網(wǎng)絡(luò)的區(qū)別。

4. 區(qū)塊鏈自動(dòng)治理

任意復(fù)雜系統(tǒng)在全生命周期過(guò)程中都要經(jīng)歷自身和環(huán)境的變化，因此需要一組規(guī)則決定在變化發(fā)生時(shí)怎樣對(duì)系統(tǒng)自身進(jìn)行改變。規(guī)則可以體現(xiàn)為代碼（例如智能合約）、法律、過(guò)程（例如X發(fā)生時(shí)必須執(zhí)行Y動(dòng)作）和責(zé)任要求。系統(tǒng)治理就是創(chuàng)建、更新和放棄這些規(guī)則的決策過(guò)程。由于區(qū)塊鏈的去中心化特點(diǎn)，其治理過(guò)程涉及到平衡開(kāi)發(fā)者、礦工、用戶(hù)和商業(yè)實(shí)體的利益平衡。

區(qū)塊鏈系統(tǒng)傳統(tǒng)上采用離線治理方式，即任何人均可以提出改變治理規(guī)則的建議，但是否采納某項(xiàng)建議則需要按照一定的協(xié)議對(duì)建議進(jìn)行評(píng)估，最后通過(guò)多方投票的方式?jīng)Q定最終決策并修改相關(guān)代碼上線執(zhí)行。比特幣的相關(guān)治理通過(guò)BIP（ Bitcoin Improvement Proposal）協(xié)議進(jìn)行，雖然決策速度較慢，但是很多人認(rèn)為相應(yīng)的漸變過(guò)程對(duì)比特幣的可持續(xù)發(fā)展是有利的。

另一方面，目前也有不少人認(rèn)為基于人工智能的自主、在線治理更適合于高速變化的網(wǎng)絡(luò)環(huán)境。在這種情況下，治理過(guò)程可以通過(guò)基于AI的增強(qiáng)式學(xué)習(xí)實(shí)現(xiàn)，DFINITY區(qū)塊鏈甚至提出使用AI代理作為用戶(hù)代表自動(dòng)進(jìn)行投票。

治理過(guò)程的人工智能化確實(shí)能夠帶來(lái)一些好處，特別是在處理細(xì)粒度的糾紛處理（例如挖礦或者交易作弊）時(shí)效率可以很高。然而，近來(lái)的研究結(jié)果表明，由于目前AI技術(shù)大多基于人類(lèi)標(biāo)注樣本，因此同樣可能存在偏見(jiàn)，所以AI決策可能并不象很多人所想象得那樣公正。同時(shí)，AI決策體現(xiàn)為AI模型和算法，一般用戶(hù)很難理解，而且其安全性和公正性的驗(yàn)證也是很困難的問(wèn)題。