|
在全球数字化的浪潮中，区块链与人工智能（AI）作为两股强大的技术力量，正在引领一场前所未有的技术革命。区块链以其去中心化、不可篡改和透明性的特点，重新定义了信任和安全的概念；而人工智能则通过模仿人类认知过程，提供了强大的数据分析能力和自动化解决方案。昨日Arxiv热门论文《Blockchain and Artificial Intelligence:Synergies and Conflicts》（链接：https:///abs/2405.13462）深入探讨了区块链和AI之间的协同与冲突，揭示了两者结合的巨大潜力以及实际应用中所面临的挑战。 
图1：按行业划分的加密资产市值。人工智能行业的市值约为200亿美元，占加密货币市场总额的0.9%，价值2.27万亿美元，这是一个新兴的利基市场。（数据来源：Source: https:///, accessed on April 18th, 2024）它们的协同点主要体现在区块链的去中心化特性能够缓解AI中心化趋势带来的问题，其透明和可验证的记录能够为AI决策过程提供可信的审计路径。同时，区块链在数据管理上的优势，为AI提供了高质量、不易被篡改的数据源，这对于构建健壮的AI模型至关重要。但是冲突也同样显著，区块链的共识机制和加密操作增加了计算负担，与AI对效率的需求形成对比。去中心化带来的数据存储需求与AI处理大量数据的能力相冲突。此外，区块链的伪匿名性和安全挑战也为AI的集成带来了风险。论文《Blockchain and Artificial Intelligence:Synergies and Conflicts》的研究目的是分析区块链和AI的结合点，提出一个新框架来分类现代和未来的用例，并探讨如何克服两者结合的技术难题。主要发现包括对现有区块链X AI项目的市值分析，对协同与冲突的深入讨论，以及对未来发展方向的展望。研究表明，尽管区块链和AI的结合在理论上具有兼容性，但现实世界中的应用仍处于初级阶段，需要更多的创新和实验来实现其潜在价值。论文的结论强调区块链和AI的结合代表了技术发展的一个新前沿，尽管面临挑战，但协同作用的潜力巨大，值得进一步的探索和投资。未来随着技术的成熟和监管环境的明确，我们有理由相信，区块链和AI的结合将在多个行业中发挥重要作用，推动社会进步和经济发展。这篇论文探讨了区块链技术和人工智能（AI）之间的协同效应和挑战，研究分析了基于市值的最大的区块链与AI结合项目，并提出了一个新框架来分类现代和未来的用例。尽管理论上兼容，但结合区块链和AI的现实世界应用仍处于起步阶段。区块链技术通过去中心化、透明和不可变的账本技术重新定义了信任概念，而AI的深度学习和大模型的扩展使得许多增强人类能力的实际应用成为可能，例如自然语言处理、图像识别、自主系统和生成。从概念上讲，区块链技术似乎能弥补AI的局限性。例如，区块链的去中心化与AI的集中化问题形成对比；其透明和可验证的特性解决了AI模型的不透明性；其强大的数据管理能力支持AI对数据的依赖。
但是实际整合揭示了冲突，如计算和存储开销与区块链的分布式账本架构形成对比，其中每个节点冗余地存储和计算相同的信息。本文分析了区块链和AI之间的技术协同效应和冲突，以聚类众多新颖的区块链X AI用例，因为它们在用例、系统设计、解决的问题、区块链和AI整合程度以及信息可用性方面各不相同。区块链和AI的结合，被认为是“双剑合璧”，能够相互补充和增强对方的能力。区块链提供的去中心化数据管理，可以为AI提供大量的、可靠的训练数据，而AI则可以通过算法优化区块链操作，提高效率和安全性。例如，AI可以用于区块链网络的安全监控，而区块链可以用于记录AI决策过程，提高透明度。尽管区块链和AI的结合具有巨大的潜力，但在整合过程中也面临着不少挑战。其中一个主要难题是如何处理两者在运算效率上的矛盾。区块链操作通常计算量大、速度慢，而AI需要快速处理大量数据。此外，如何保护隐私、确保数据质量和处理法律伦理问题，也是整合区块链和AI时必须考虑的问题。计算成本和负载重：训练AI模型，甚至对大型语言模型（LLM）如GPT-4或Llama 3进行推理操作，需要大量的计算资源。区块链的共识机制、加密操作和不利的数据结构增加了计算负担，对可扩展性产生负面影响。存储限制和数据密集：区块链的去中心化特性虽然确保了安全性和冗余性，但也导致了增加的存储需求，这对于数据驱动的AI系统来说可能既昂贵又低效。在通用区块链系统（如以太坊）中，链上的每个节点都必须存储所有信息，这种冗余是区块链网络安全和弹性的一部分，但这限制了可扩展性。新数据必须以交易格式存储，基于以太坊虚拟机（EVM）结构的常见数据可能会阻碍最佳检索速度。另一方面，AI应用程序生成和处理大量数据，需要高效和可扩展的存储解决方案。伪匿名性和安全挑战：区块链允许使用非对称加密的无许可、伪匿名访问，通过计算或财务障碍来保护网络免受Sybil攻击，防范敌对行为。在区块链作为平台增强隐私保护和去中心化AI训练（如联邦学习）的用例中，允许客户伪匿名地参与训练过程可能带来风险。这些方法容易受到对抗性FL攻击，因为对整体AI模型的贡献在设计上是私有的，不易衡量。操作不匹配：大多数区块链虚拟机设计为固定整数操作，以确保确定性结果，这在涉及数十亿美元的金融交易或合同协议时至关重要。这是因为浮点运算可能导致计算过程中的精度损失，尤其是当相互作用的数字量级差异很大时。然而，AI训练的常见做法是将模型浮点参数规范化到0和1之间，因为这有助于稳定和有效的梯度流动，并提供隐式正则化，从而增强整体训练。为了解决这些挑战，研究人员和开发者正在探索多种可能的途径，包括开发新的共识机制以减少区块链的计算负担，利用AI优化数据存储和查询，以及创建新的数据隐私保护技术。这些努力的目标是实现区块链和AI的无缝整合，以充分发挥两者的协同效应。鉴于区块链和AI之间的协同效应和冲突，识别超越理论概念、展示现实世界用例的项目仍然是一个挑战。作者团队研究了集成区块链和AI的最新项目。它们在用例、系统设计、解决的问题、区块链和AI整合程度以及信息可用性方面差异显著。这种复杂性为分析这些项目提供了多种视角。据我们所知，科学界尚无共识如何分类和分析这些项目。现有文献主要是学术论文，倾向于关注理论方面，尚未准备好投入生产。本文采用自下而上的方法，专注于拥有公开代币、市值超过1000万美元的区块链X AI项目。此外，如果它们针对现有项目中不常见的新颖用例，我们也包括市值低于1000万美元的值得注意的项目。我们通过解决以下针对选定项目的研究问题来分类用例：1.项目内部区块链和AI技术之间的协同整合程度是多少？3.AI在项目中扮演什么角色？我们的分析确定了四个主要类别，如图3所示。
图3：区块链与人工智能交叉点的用例分类。主要分为两类：“AI for Blockchain”，其中AI支持区块链功能，以及“Blockchain for AI”，其中区块链技术增强了AI流程和基础设施。横轴显示了区块链集成度的增长——从人工智能作为外围工具到区块链作为人工智能的核心基础设施。这些项目的市场表现和投资者信心各异。一些项目因其创新性和解决实际问题的能力而受到市场的热烈响应，吸引了大量投资。然而也有项目由于技术实现的复杂性或市场适应性问题，而面临着更多的挑战和不确定性。深入分析具体的区块链X AI用例能够帮助我们理解这些技术如何在实际环境中发挥作用。
AI是区块链的外围设备，即使AI在区块链系统本身没有直接功能，它也可以发挥支持性的外围作用。外围用例范围从增强用户与AI交互的区块链体验，到启用分析和使用AI支持简化区块链开发。主权AI代理：公共区块链系统及其底层智能合约功能引入了去中心化金融（DeFi）和预测市场。主权AI代理是轻量级软件代理，个人可以在本地或云中运行，执行区块链上的特定任务。去中心化交易所（如UniSwap）的出现，加上引入新型代币（如以太坊上的可替代ERC20代币）的便利性，为DeFi领域创造了重大的套利机会。这些价值数十亿的机会使AI代理能够自动化跨各种DeFi协议的套利策略。另一个有前景的用例是预测市场，这是一种交易所交易的市场，个人可以在其中押注各种未来事件的结果。区块链基础设施通过智能合约和底层加密货币强制执行的透明规则支持去中心化的预测市场，确保通过透明性和不变性建立信任，因为没有第三方可以操纵结果。未来的用例可能会训练AI代理进行预测，通过金钱奖励和通过众包反馈改进的强化学习来激励。区块链开发：大型语言模型（LLM）的进步在编码和软件工程方面带来了显著的生产力提升。然而尤其是在密码学研究的前沿领域，如零知识证明、同态加密和多方计算，专家领域知识仍然至关重要。尽管具有创新性，开源项目容易受到漏洞和错误的影响。像GitHub Copilot这样的AI编码可以在识别漏洞、优化智能合约逻辑和维护智能合约开发者和核心基础设施的代码方面发挥关键作用，以及通过提供实时建议、重构代码和自动化重复任务来简化区块链开发。区块链分析：AI集成到区块链分析中为提取洞察力和增强决策打开了新的途径。AI算法可以处理大量的区块链数据，促进链上分析。AI驱动的用户界面：由于缺乏中央实体来纠正与区块链交互时的错误，加上其复杂性，使得与去中心化应用程序的交互容易出现人为错误，并容易受到恶意行为者和骗子的攻击。AI可以通过将复杂概念简化为可理解的语言、提供实时指导和防止用户错误来增强用户体验。例如，AI驱动的界面可以通过用简单语言解释区块链交易、引导用户进行去中心化应用程序（DApp）交互，并突出潜在风险来协助用户，从而减少错误或恶意活动的可能性。此外AI还可以帮助检测可疑交易，从而减轻欺诈行为。AI参与区块链：在AI作为支持工具的概念基础上，探讨AI在区块链框架内更加集成的角色，其中AI积极参与区块链的生态系统和治理结构。在这种模式下，AI代理不仅仅是工具，而是去中心化网络中的参与者或利益相关者，它们在DAO等集体社区协议的治理下自主行动、互动或合作。另一个用例是将AI整合到去中心化自治组织（DAO）的治理中，作为决策的仲裁者甚至直接做出判断。然而这种应用需要仔细考虑，因为AI在治理DAO中的角色引入了几个挑战，特别是关于对抗性机器学习的挑战。如果AI模型是闭源的，其内部运作保持不透明，实际上像中心化应用程序一样运作。相反，如果模型是开源的，它就容易受到针对性攻击，对手可以在本地模拟和优化攻击，然后在实时网络上重放它们。为了减轻这些风险，可能的解决方案包括使用加密方案，如可信执行环境或零知识证明。区块链管理AI过程：区块链技术越来越多地用于管理AI过程，创建了一个去中心化的资源共享、数据管理和应用部署框架。在去中心化计算的背景下，区块链可以促进处理能力（如GPU）在分布式网络中的共享。参与者可以将他们闲置的计算资源出租给他们人，创建一个增强计算能力可访问性的点对点网络。这对于可能没有财力投资昂贵硬件或云服务的研究人员、数据科学家和小型组织是有益的。参与者在区块链平台上列出他们可用的计算资源，需要这些资源的用户可以通过智能合约来确保它们。这些合约自动管理服务条款、使用和支付，确保无需中介的无缝交易。利用这种模式的区块链项目包括Akash Network、IO.net、NodeAI、GamerHash、Golem、Blendr Network、Nosana、CUDOS和DeepBrain Chain。类似于计算资源，区块链使得创建数据的去中心化市场成为可能。在这种情况下，数据提供者可以安全地共享他们的数据，同时保持对其使用的控制，同时使其可用于训练AI模型等目的。感兴趣的方可以通过智能合约购买或访问数据，这些合约执行约定的条件、处理支付并确保符合数据治理标准。Ocean Protocol开发去中心化数据交换协议，使用数据NFT和数据代币购买和出售数据，实现基于代币的访问控制、数据DAO和数据钱包。LayerAI和Masa利用ZK-rollups来确保数据的安全存储和共享。Synesis One旨在建立一个由DAO管理的Web3数据实用程序和市场，专注于为AI系统众包数据。Grass提出了一种替代方法，它通过允许个人将他们未使用的互联网连接货币化，促进大规模的网络数据抓取，用于AI模型训练。区块链作为AI的核心基础设施：通用区块链系统（GPBS），如以太坊，面临可扩展性、安全性和去中心化之间的权衡。其共识机制由全球数千个活跃节点保护，并且几乎有一百万个抵押验证器。由于每个新的信息块必须（i）到达并且（ii）由全球网络中的每个节点验证以达成共识和最终性，平均块大小在千字节级别，并且每12秒创建一次，这导致高存储和计算成本。因此在链上直接执行或存储计算密集型AI操作是不切实际的；然而向Layer2 rollups的范式转变，它们在链下处理交易并发布聚合结果，通过增加吞吐量和降低成本提供了一个成本效益的解决方案。同样，专门用于AI用例的区块链必须（i）克服与高计算和存储成本、公共访问以及底层虚拟机的限制相关的挑战，或者（ii）将区块链作为一个仅用于管理、治理和安全的层。表I检查了将区块链用作其核心基础设施的新系统。这些用例展示了区块链和AI结合的多样性和复杂性。它们解决了从数据安全和隐私保护到提高操作效率和决策质量的一系列问题。然而每个用例都有其独特的挑战，如技术集成的复杂性、系统性能的优化以及用户接受度的提高等。这些案例分析不仅证明了区块链X AI项目的可行性，也为未来的技术发展提供了宝贵的经验和启示。在区块链与人工智能（AI）的结合过程中，尽管存在协同效应，但也不可避免地会出现一些运营上的冲突。这些冲突主要源于两种技术在设计和运作机制上的根本差异。区块链的共识机制尤其是工作量证明（Proof of Work, PoW）等，要求大量的计算资源来验证交易和维护网络安全。这种机制在保证网络去中心化和安全性的同时，也带来了显著的计算开销和延迟。而AI特别是深度学习模型，需要快速、高效的计算能力来处理和分析大数据。因此，将AI操作直接部署在区块链上，会受到区块链性能限制的影响，导致效率低下。区块链的数据存储模式通常是所有节点存储全部数据，这在提供数据不变性和透明性方面有优势，但对于AI来说，这种冗余的数据存储方式不仅增加了存储成本，也不利于AI进行高效的数据检索和分析。此外，区块链的匿名性或伪匿名性特点，虽然为用户隐私提供了保护，但也给AI的数据验证和信任机制带来了挑战。AI系统在许多应用中需要可靠的数据来源，而区块链上的匿名数据可能难以进行准确的信任评估。这些冲突对实际应用产生了显著影响，限制了区块链与AI结合应用的发展，尤其是在需要实时处理和高度信任的场景中。针对上述冲突，研究者和开发者们提出了多种潜在的解决方案。其中一个方向是开发新的区块链共识机制，如权益证明（Proof of Stake, PoS）或委托权益证明（Delegated Proof of Stake, DPoS），这些机制在减少计算需求的同时，仍然保持了网络的安全性和去中心化。
针对AI的应用特定区块链系统（ASBS），它作为Layer-1解决方案，是负责处理和验证交易的主要网络基础设施。除了ASBS，还出现了两种引人注目的范式：零知识机器学习（zkML）和乐观机器学习（opML），类似于所谓的乐观和zk roll-up系统。opML将AI推理抽象为与EVM兼容的确定性ML引擎，每个提出的结果默认为有效。zkML基于零知识证明，特别是zk-SNARKs，它验证计算，例如确保使用特定的、无偏见的模型进行推理，而不暴露数据或AI模型细节。尽管这两种方法都有前景，但它们也面临挑战：opML虽然快速，但将结果存储在链上成本高昂，结果的最终性会延迟；而zkML由于其数学上明确的加密证明提供即时的最终性，它还能够实现更广泛的应用，因为只有zk证明存储在链上。运行去中心化的AI训练（DAI），通过联邦学习（FL）等方法，需要新的区块链架构。去中心化推理，用户支付使用预训练的AI模型进行推理，通常结合加密技术，如可信执行环境或零知识证明，以确保数据完整性和相应AI模型的正确执行。ASBS管理和治理AI代理是一个主要用例。优化的区块链用于去中心化物理基础设施网络（DePINs），包括分布式计算（DC），客户提供GPU进行AI训练，以及分布式数据（DD），边缘节点将其数据贡献给训练。另一个方向是使用侧链或二层解决方案（Layer 2 solutions），如状态通道（State Channels）或闪电网络（Lightning Network），这些技术可以在不牺牲区块链安全性的前提下，显著提高交易速度和降低成本，从而为AI操作提供更高效的环境。在数据存储方面，解决方案包括使用分布式文件系统，如IPFS（InterPlanetary File System），它允许存储大量数据而不必在每个节点上复制，同时通过区块链来确保数据的完整性和不可篡改性。为了解决匿名性带来的信任问题，可以采用零知识证明（Zero-Knowledge Proofs）等加密技术，它允许验证者在不知道具体数据内容的情况下，验证数据的真实性和完整性。去中心化训练、联邦学习和计算层：联邦学习似乎是以去中心化方式训练全球AI模型θ的主要方法，其中中央服务器根据以下公式聚合本地训练的模型：
在这里，对于每个客户端i，( f_i )代表损失函数，( S_i )表示每个客户端的数据集，( S := \bigcup_i S_i )表示所有参与者数据点索引的组合集。区块链技术可以替代中央服务器，进一步去中心化FL过程。为了以这种去中心化的方式运行AI训练，需要重新设计现代GPBS，因为高计算需求和存储成本将使其完全部署在每个节点都必须计算和存储每个模型更新的区块链上变得不可行。希望去中心化AI训练的ASBS应该包括（i）限制性访问，（ii）适应性共识机制，（iii）从区块链中分离计算，以及（iv）具有可扩展存储和检索技术的数据层，以管理现代深度神经网络的重计算和存储需求。这些解决方案的可行性和效果各有不同，需要根据具体应用场景和需求进行选择和调整。但总体而言，通过技术创新和结合，区块链与AI的冲突是可以被克服的，这将为两者的结合开辟更广阔的应用前景。尽管市值规模已有数十亿美元，但大多数区块链X AI项目仍处于早期开发阶段，研究团队概述了挑战和考虑因素。用例成熟度：如AI代理经济、DAO的AI治理和AI的ASBS等新兴用例显示出潜力，但它们的成熟度还很早期。这些应用程序的完全实现以及它们是否会成为引人注目的用例仍然不确定。系统复杂性：一般来说，区块链整合越深系统就越复杂，特别是需要领域知识来设置和操作的AI的ASBS。适应性需求：先进的生成性AI技术如GPT-4和可访问的开源LLMs如LLaMA的出现，可能超越私人训练的模型，这使得私人模型的去中心化市场的可行性受到质疑。现有的区块链X AI项目可能需要调整其用例，以更好地与当前技术进步保持一致。技术困难：在实现保护隐私、去中心化和民主化AI方面仍存在技术挑战。ASBS正在尝试通过引入具有调整的共识、数据和计算层的新区块链架构来克服这些冲突，但这些都是以复杂性和计算开销为代价的。监管不确定性：监管不确定性仍然存在，例如去中心化AI训练和联邦学习是否符合美国和欧盟的严格数据隐私法。现有区块链系统的应用，其中AI成为参与者，使得精确和微观级别的操作成为可能，不仅看起来有前景且易于实现，而且还通过各种DAO控制和奖励自主AI代理的用例开辟了广泛的未来应用。相反，区块链和AI之间的整合程度越高，技术挑战就越复杂，因此技术就越不成熟。实现一个单一的民主治理，对一个重要的系统性AI进行治理，其他应用程序依赖于它，涉及使用深度区块链整合以及加密方法。虽然这些方法有潜力增强功能和AI安全性，而不会有中心化风险，但它们也面临着关于其基础假设的重大不确定性。尚待观察这些系统是否会超越安全至关重要的利基用例，实现大规模采用。所需的领域知识和复杂性可能构成重大的进入壁垒，而且尚不确定消费者是否会因区块链开销而容忍与中心化解决方案相比的性能牺牲。在探索区块链与人工智能（AI）的交汇点时，研究团队发现两者之间存在着显著的协同效应和潜在冲突。区块链的去中心化、透明性和不可篡改性为AI提供了一个可靠的数据基础，而AI的强大计算能力和模式识别能力则为区块链带来了智能化的决策和运营优化。然而这种结合也面临着挑战，包括计算效率的矛盾、数据存储的冗余以及隐私保护的复杂性。尽管存在冲突，区块链与AI的结合仍显示出巨大的未来潜力。它们有望在金融、医疗、物联网等多个领域引发革命性的变革，为用户带来更高的安全性、更好的服务体验，同时为企业提供更高效的运营模式。随着技术的不断进步和应用场景的日益丰富，区块链与AI的结合将成为推动社会发展的重要力量。参考资料：https:///pdf/2405.13462 
波动世界（PoppleWorld)是噬元兽数字容器的一款AI应用，采用AI技术帮助用户进行情绪管理的工具和传递情绪价值的社交产品，基于意识科学和情绪价值的理论基础。波动世界将人的意识和情绪作为研究和应用的对象，探索人的意识机制和特征，培养人的意识技能和习惯，满足人的意识体验和意义，提高人的自我意识、自我管理、自我调节、自我表达和自我实现的能力，让人获得真正的自由快乐和内在的力量。波动世界将建立一个指导我们的情绪和反应的价值体系。这是一款针对普通人的基于人类认知和行为模式的情感管理Dapp应用程序。
|
