区块链的五大挑战和人工智能带来的四大机遇

摘要：在过去的几年里，区块链和人工智能无疑是最火的两个技术名词。 相关成果在学术界引起了广泛关注，在资本圈也备受追捧。

近日，链捕手请到了清华大学副教授、MATRIX首席人工智能科学家邓扬东教授，谈谈他对区块链与人工智能关系的理解。 邓阳东教授专注于人工智能、电子设计自动化、并行算法、图形处理器架构等领域的研究。 为中国高铁设计开发了人工智能预警安全解决方案。

在这篇文章中，邓阳东教授详细阐述了人工智能和区块链行业遇到的挑战，以及AI能为区块链带来哪些机遇。 具有很高的可读性和思考价值。 我希望它能启发你。

2018年以来，业界对区块链与人工智能的融合进行了多次讨论。 AI赋能区块链、区块链AI市场等新概念应运而生。 有人认为物联网（IoT）可以进一步结合），甚至有人认为区块链和人工智能可以进一步结合量子物理学和神经科学。

那么，去除了各种气泡和噪声之后，这个整合还有什么意义呢？ 具体来说，我们关注一系列问题：区块链和人工智能能给彼此带来什么？ 两者融合能否形成1+1>1的效果？ 特别是区块链和人工智能都不是终端级别的产品，那么两者的结合能否成为新终端应用的平台呢？

图 1. 区块链与人工智能的融合

总体而言，笔者认为区块链与人工智能的融合确实可以带来新的机遇，如图1所示。笔者将从四个方面对上述问题进行探讨。 首先，简要介绍区块链和人工智能的基本概念，并讨论两者面临的主要挑战； 第二，从区块链的角度来看，AI能否带来收益； 第三，从AI的角度，区块链能解决什么问题？ 第四，我们看一下区块链与人工智能融合的一种新的可能性，即通过区块链将离散的计算资源组织起来，形成一个人工智能云平台。 考虑到文章篇幅，本文先讲第一部分和第二部分。

01

区块链与人工智能

区块链和人工智能是人类为了解决不同的问题而形成的技术。 其中，区块链起源于分布式计算和密码学的研究，但直到2009年比特币的出现才真正开始成为一个独立的技术领域； 人工智能的历史可以追溯到古希腊时代的亚里士多德，现代人工智能从1958年的达特茅斯会议开始，之后至少经历了两次大起大落。 随着深度神经网络的出色表现，2010 年左右开始掀起新一波人工智能热潮。

我们分别从区块链和人工智能的基本概念入手，探讨当前各自面临的挑战。

1.1 区块链及其挑战

区块链的本质是去中心化的分布式账本。 早期以虚拟货币为核心的区块链，比如比特币，区块链是一个记录比特币交易历史的数据库。 目前，区块链正在逐步向分布式数据库转型。 随着IPFS文件系统（InterPlanetary File System）的出现，区块链中记录的数据不仅限于交易记录，可以是任何结构化或非结构化数据。 此数据始终编码为数据块的线性串联，每个块包含一组串联的交易记录。

记录在区块链中的数据是不可篡改的，即一旦上线，数据就无法被篡改，除非有恶意攻击（一般情况下攻击难度很大）。 区块链的节点是分布式和自组织的。 无需搭建中心化网络，也没有中心化控制机制。 相反，它是由多个参与者通过共识机制确定的。

共识机制解决了目前去中心化环境下谁可以获得记账权的问题。 其理论基础是分布式计算中的拜占庭将军问题。 目前常见的共识机制包括工作量证明（Proof-Of-Work，POW）和权益证明（POS）。

比特币成功设计了基于 POW 的共识机制（即所谓的“挖矿”），让获得记账权的一方同时获得奖励，从而吸引大量计算资源进入比特币网络。 在比特币之后，以太坊（Ethereum）引入了智能合约，大大扩展了区块链的应用范围和灵活性。 智能合约以可执行代码的形式定义交易参与者的行为，并根据约定自动执行交易，从而使复杂的商业行为在区块链上得以实现。

经过十年的发展，区块链取得了长足的发展，主要表现在三种形式：公有链与数字货币相结合，联盟链与产业和商业相结合，以及企业内部使用的私有链。 然而，当前区块链技术在蓬勃发展的同时，也面临着一系列挑战：

挖矿能耗 比特币和以太坊等众多主流公链采用工作量证明作为共识算法，同时奖励获得记账权的节点。 以比特币为例，其工作量证明使用特定的哈希函数计算随机数。 为了保证难度（体现为计算时间），要求生成的随机数前几位为0（具体位数是动态调整的）。 由于过去几年虚拟货币价格持续强劲的上涨趋势，大量的计算资源投入到挖矿计算中，以比特大陆为代表的行业巨头应运而生。

如果将所有挖矿的算力换算成浮点运算，粗略估计总算力达到1023 FLOPS（Floating point Operations Per Second），已经达到谷歌算力的100万倍，或者说是谷歌总算力的100万倍。世界500强超级计算机10万次。 如此庞大的计算能力当然是以电力为基础的，其用电量总量已经超过了全球160多个国家。

事实上，2018 年 Nature Energy 的一篇文章指出，比特币挖矿的能源消耗超过了黄金和铂金等贵金属。 1 美元的比特币消耗的电力实际上可以开采 3.4 美元的黄金。 然而，用于挖矿的电力对于虚拟货币之外的世界来说毫无意义，这在全球可持续发展的背景下显得尤为突出。

可扩展性 无论是虚拟货币账本还是通用数据库，区块链上的数据服务都是以交易的形式完成的。 由于区块链的分布式特性，交易总是同时产生的。 因此，区块链的可扩展性一般是指单位时间内能够支持的最高并发交易数。 一般来说，区块链的吞吐率用每秒交易数（TPS）来表征，计算方法如下：

TPS = 一个区块包含的交易数 / 区块生成时间 = 一个区块包含的交易数 / (共识算法运行的时间 + 广播和验证的时间)

也就是说，TPS是由数据块的大小、共识算法的运行时间、广播和验证时间决定的。 值得注意的是，由于区块链采用去中心化的方式对交易进行验证，验证必须在大多数节点形成共识后才能完成。 因此，当前区块链的交易速度必然随着节点数量的增加而下降。 比特币的吞吐率在3.3~7TPS，以太坊的吞吐率稍高，但也只有30TPS左右。 相比之下，采用中心化方式验证交易的VISA信用卡的持续吞吐率可达1700TPS以上（VISA官网称峰值可达65000TPS）。

安全性 区块链采用去中心化的共识机制，安全性比较高。 然而，区块链是由网络实现的，因此其网络协议的每一层都可以被攻击。 例如，Mt Gox交易所因钱包安全漏洞被盗3.6亿美元，直接导致交易所倒闭。

更严重的安全风险来自智能合约。 由于智能合约是一个图灵完备的程序，其行为更加复杂，当代码运行在分布式网络环境中时，潜在的风险会大大增加。 目前的智能合约编程主要基于Solidity语言，成熟度相对较低。 因此，虽然代码是由虚拟机执行的，但是攻击者可以利用溢出等情况来入侵宿主机。 同时，为了支持交易，引入了跨合约程序调用等功能，容易受到重入攻击。 典型案例是以太坊上的众筹项目 DAO，该项目在 2017 年遭遇重入攻击，当时价值 6000 万美元的以太币被盗。

简单易用的智能合约的推出，将区块链在应用领域提升到一个新的高度，形成了人类商业行为的一场革命。 但是，智能合约是以程序的形式体现的，普通用户很难使用。 在传统的线下世界中，大多数人都能看懂合同内容实际例子来解释比特币挖矿，相当一部分用户可以在律师的指导下或参照模板编写简单的合同。 而智能合约则不然，它需要用户具备编程能力来编写合约，这无形中限制了它的应用范围。

隐私保护在大数据时代，保护数据隐私的重要性不言而喻。 目前，区块链公链上的数据普遍是完全公开的。 因此，随着区块链应用的不断扩大，其数据库应用比例的增加，如何在区块链上引入完备的隐私保护机制成为亟待解决的问题。

1.2 人工智能及其挑战

按照人工智能先驱约翰·麦卡锡的定义，人工智能是“制造智能机器的科学与工程”，旨在设计和制造能够展现人类认知能力的机器。 当然，智能的定义是一个复杂的问题。 业内普遍认为，智能实际上是一种通过学习不断改变自身或外界条件来适应环境的能力。

人工智能的领域非常广泛，机器学习是其中的一部分，强调从历史中学习。 近10年来，以深度神经网络为代表的机器学习技术取得了惊人的成就，但应用的深入也让人工智能技术开始面临一系列实际问题。

缺乏计算能力 机器学习技术，尤其是深度学习技术，需要从大量样本（标记或未标记）中提取预测模式。 因此，机器学习应用一般需要经历模型训练和模型推理两个阶段，而训练过程通常是计算密集型的。 人工智能公司目前依靠租用云服务或自建计算集群来解决算力问题。 算力成本包括硬件成本、电力成本和维护成本。

英国一份AI行业分析报告指出，目前训练一个模型平均花费10000英镑，而复杂深度网络的训练过程更是昂贵。 因此，目前超过50%的人工智能企业都存在算力不足的问题。

缺乏数据共享 在当今高度数字化的人类社会中，并不缺乏数据来源，但数据共享的渠道却远未畅通。 在大多数应用场景中，数据生成和数据分析属于不同的利益相关者。 除了搜索引擎、安全、电子商务等少数领域外，AI企业并不直接控制数据来源，只能与数据提供商合作获取数据。

所以，现在流行的说法是，在人工智能领域，技术不如数据和应用重要。 其实，并不是技术不重要，而是数据获取往往有壁垒。 造成障碍的原因有很多，但最关键的原因之一是无法保证数据提供者在共享数据后能够共享利益。

缺乏可信度（可解释性） 传统行业不缺乏使用模型的经验。 在金融、医疗、制造等领域都有大量成熟的建模应用。 购买核反应堆行业的特定型号是一种标准的商业模式。 然而，传统模型与机器学习模型，尤其是深度学习模型存在显着差异，即AI模型的可解释性较差。

例如，金融行业常用的传统风控模型可以给出风险评估，同时解释哪些因素导致风险较大（如信用评分低、存量借款过多等）。 人工智能，尤其是深度学习模型，具有“黑匣子”的特点。 虽然它的准确率可以很高，但是很难解释它的推理过程，导致决策的可信度不足。

缺乏通用智能 人类仍处于人工智能的早期阶段，目前成功的人工智能应用主要集中在图像和语音识别领域的监督学习以及确定性环境的强化学习。 其中，监督学习一般需要较大的样本量和高质量的标注，而增强学习则需要过多的计算量。 与人脑智能相比，人工智能首先缺乏无监督或半监督学习能力，其次泛化能力差，无法形成举一反三的效果。 不仅如此，AI的常识和推理能力不足，缺乏“学会学习”（自主学习解决问题）的能力，难以进行高层次的认知活动。

缺乏隐私机器学习对数据隐私具有双刃剑效应。 一方面，机器学习技术也带来了窃取隐私的新手段。 另一方面，针对机器学习模型的隐私窃取技术（如窃取模型参数和训练数据）也迅速出现。

02

人工智能给区块链提供的机会

上一节介绍了区块链目前面临的主要挑战。 人工智能确实可以为应对其中一些挑战提供新的思路，尤其是在智能合约处理和挖矿功能的设计上。 区块链提供自动治理能力。 在文章的这一部分，作者讨论了人工智能为区块链提供的机会。

1. 安全验证

区块链的安全需要在各个网络和应用层面得到全面的保护。 本文主要关注智能合约的安全性。 由于智能合约属于软件代码，传统的软件缺陷和安全漏洞可以通过形式验证（Formal Verification）来处理。 近年来，出现了基于机器学习的漏洞模式检测方法。 测试循环神经网络的输入是否存在漏洞。

同时智能合约是在分布式网络上并发执行的，因此需要在沙盒网络上引入动态攻防手段来验证动态安全性。 在动态攻击过程中，目前的生成网络除了使用已知的攻击方式外，还运行自生成的攻击方式。 事实上，当前蓬勃发展的对抗生成网络提供了在统一框架内全面优化合约和攻击的可能性。

图2. 是智能合约安全验证的理想工具流程。 核心思想是智能合约代码必须经过静态和动态验证才能上线并在虚拟机上运行

静态验证是直接分析源代码或字节码（Byte Code）（不需要执行代码）。 分析工具目前主要以形式验证（Formal Verification）为主，但基于深度神经网络的机器学习方法也迅速兴起。 . 形式验证是在硬件验证的基础上发展起来的，在软件安全验证中得到了广泛的应用。 方法是将程序表示为一定的形式化模型（即基于时序逻辑的数学模型），然后用数学方法证明其正确性。

形式化验证方法可以分为三类：符号执行（Symbolic Execution）、模型检查（Model Checking）和定理证明（Theorem Proof）。 符号执行算法遍历代码所有可能的执行路径，提取每条路径的状态转移和对应的条件实际例子来解释比特币挖矿，检查每条路径上是否可能存在违反约束条件的反例。

模型检查将程序表示为逻辑模型，将针对某个安全漏洞的安全条件表示为相应的属性，然后使用可满足性求解器查找是否存在违反该属性的输入值。 如果存在，则说明代码存在漏洞。 否则，意味着代码必须满足这个属性。 定理证明比模型检验更强大，可以做函数级的检验，但一般需要专家级的人工干预。

虽然形式验证不属于人工智能技术，但AI确实可以在很多方面提升形式验证的性能。 事实上，形式化验证技术引入了大量启发式算法来解决状态爆炸问题，AI可以找到更优的启发式条件。 另一方面，将源代码表示为抽象语法树后，我们可以利用递归神经网络的模式提取能力来检查安全漏洞。 这方面已经有一些成功的作品。

与静态验证相比，动态验证需要在分布式不可信任环境中发现动态程序执行过程中的潜在漏洞，难度更大。 一般来说，这时候需要对智能合约进行“沙盒”模拟​​，即在测试链上执行代码，手动注入攻击。 当前快速发展的生成对抗网络（Generative Adversarial Networks）提供了基于少量攻击范式自动生成攻击代码的可能性，有望为智能合约安全提供新的工具。

同时，AI技术还可以结合智能合约虚拟机进行动态漏洞嗅探。 与静态检查不同，动态检查通常不需要查明源代码中的潜在漏洞，因此可解释性较低的深度学习技术具有更好的可行性。

2. 智能合约代码生成

智能合约表现为用编程语言编写的程序，使用门槛高会严重影响智能合约的可用性。 没有编程技能的一般用户必须聘请程序员来完成合约准备工作，但是Solidity现有的社区很小，程序员也不够多。 人工智能技术为自动合成代码提供了可能。 目前，以微软DeepCoder为代表的深度神经网络已经能够在专门领域内根据一组实例自动生成代码。

值得注意的是，虽然距离任意问题的代码自动生成还有很远的距离，但智能合约本身已经表现出了很多显着的特点，比如程序有一个比较清晰的状态（可以用有限状态机来表达） ，计算过程比较简单。 （主要针对虚拟货币的算术运算），有典型的模式（如存取款、投票、抽奖等），更有针对性地生成代码。

图 3. 智能合约代码生成的理想工具流程

如图3所示，智能合约代码生成工具流程从以简单的脚本语言、图形方式甚至自然语言捕捉交易意图开始，然后通过机器学习工具提取交易的关键特征，并对交易进行分类。 结合智能合约设计模式进行代码合成。 代码生成工具可以进一步结合安全验证工具进行迭代自动攻击和代码修改，以最大限度地提高安全性。

3.AI挖矿功能

中本聪为比特币设计了一个非常精巧的挖矿函数，利用单向哈希函数，根据区块中的交易内容，计算出一个满足特定要求的随机数。 一般来说，挖矿函数应该具备以下特点：

首先，函数是单向的，即计算结果很难直接猜测，但很容易验证结果的正确性； 第二，函数计算要有一定的强度，同时可以调整难度； 第三，计算函数时不需要传输大量数据，即不会给区块链网络带来额外的带宽负载； 第四，功能要公平，即只有算力强的节点才有更高的概率获得奖励。

另外，挖矿的功能应该是增值或公益性的，即挖矿可以产生虚拟货币以外的价值。 事实上，当前的AI应用正面临算力不足的困境。 如果区块链的奖励机制能够吸引算力投资，确实可以起到事半功倍的效果。

从提供计算能力的角度来看，训练深度神经网络等机器学习模型显然具有最大的实际意义。 不仅如此，训练过程确实是单向的，即训练过程强度很高，而验证过程（即对已知结果数据进行推理）强度很低。 但深度神经网络的训练难度难以预测，不易控制，而且训练时一般需要传输大量的训练样本数据，给网络传输带来很大压力。 可见深度神经网络的训练过程作为挖掘函数还是有很大困难的。

另一种可能的 AI 挖掘功能是马尔可夫链蒙特卡罗 (MCMC) 算法。 MCMC 在贝叶斯学习和推理中发挥着极其重要的作用，被选为二十世纪十大算法之一。 该算法至少建立在随机抽样的基础上，其目的是从已知概率分布的随机数出发，为特定的后验概率分布生成随机数，并推测分布的特征。 MCMC是单向的，难度相对可控。 但是MCMC作为挖矿功能的缺点是验证时需要传输的数据量比较大。

图 4 基于深度神经网络的挖掘函数抗攻击

Matrix AI区块链提出了一种新的基于深度学习的挖矿机制，该机制源于对深度神经网络的对抗性攻击。 目前，深度神经网络最成熟的应用领域是图像识别。 然而，最近发现深度神经网络存在“盲点”，即以某种方式对图像进行修改。 这时候人眼还是可以正常分辨图片的内容，但是深度神经网络就会做出错误的分类结果。 图 4 左侧的图片是单像素攻击的示例。 图片中只要有一个像素的变化，就可以成功“骗过”深度神经网络。

那么，你如何知道如何编辑你的照片呢？ 目前大多数算法都是采用随机优化的方法，通过引入噪声来对图像进行攻击。 该算法具有成为挖矿函数的潜力，在单向、难度、带宽等方面均能满足要求。 当然，这种方法的公益性略有不足，主要是它可以利用区块链算力来寻找对抗性攻击的例子，从而帮助我们更好地理解人脑和深度神经网络的区别。

4. 区块链自动治理

任何复杂的系统在整个生命周期中都会经历自身和环境的变化，因此需要一套规则来确定发生变化时如何改变系统本身。 规则可以体现在代码（例如智能合约）、法律、程序（例如当 X 发生时必须执行操作 Y）和责任要求中。 系统治理是创建、更新和删除这些规则的决策过程。 由于区块链的去中心化特性，其治理过程涉及平衡开发者、矿工、用户和商业实体的利益。

区块链系统传统上采用离线治理方式，即任何人都可以提出改变治理规则的建议，但是否采纳某项建议需要根据一定的约定进行评估，最后做出最终决定并修改通过多方投票。 相关代码在线执行。 比特币相关治理是通过 BIP（比特币改进提案）协议进行的。 虽然决策速度缓慢，但不少人认为相应的渐进变化过程有利于比特币的可持续发展。

另一方面，目前很多人认为，基于人工智能的自主在线治理更适合瞬息万变的网络环境。 在这种情况下，治理过程可以通过基于AI的强化学习来实现，DFINITY区块链甚至提出用AI代理作为用户代表来自动投票。

治理过程的人工智能确实可以带来一些好处，尤其是在处理细粒度的争议解决（如挖矿或交易作弊）时，效率可以非常高。 然而，最近的研究结果表明，由于目前大多数人工智能技术都是基于人类标记的样本，因此也可能存在偏差，因此人工智能的决策可能并不像许多人想象的那样公平。 同时，人工智能决策体现在人工智能模型和算法中，普通用户难以理解，验证其安全性和公平性也非常困难。