基于区块链的智能组件：一种分布式人工智能研究新范式
2.3.1 智能组件的设计与实现
现阶段，智能组件的理论研究和实践尚处于起步阶段，缺乏明确的理论与方法体系和有效的评估手段。因此，首先需要研究智能组件的概念、架构与技术路线。
本节简要介绍两种智能组件设计思路。
1）封装区块链底层算法、机制和协议的智能组件设计思路。
目前，主流区块链系统中的核心组件（如共识机制、加密算法、激励机制等），均是在系统建立之初就人为设定的，一旦上链运行便无法更改。如何面向特定的计算任务和应用场景，设计可插拔的区块链智能组件，从而实现针对特定任务需求自动选择和配置最优的智能组件组合，是区块链技术迈向成熟的一个关键问题。
本设计思路的重点是通过抽取和规约区块链领域知识，实现区块链底层算法、机制和协议的自主学习、引导与决策，形成区块链领域知识库。基于知识库设计一系列模块化、可插拔的区块链底层算法、机制和协议，例如共识算法、数据传播协议、激励机制、挖矿策略和数据资产估值模型等。进而，以智能合约的形式来设计、转化、封装、构建相应的智能组件，并形成功能丰富、接口标准、不可篡改的动态或静态智能组件库，以便后续智能组件的筛选和组合。这种设计的关键难点在于智能合约计算能力有限，不支持复杂运算，不支持随机性，协议中复杂数学模型需要转化和简化实现并最小化转化和简化误差。潜在解决方案包括：以太坊等智能合约平台正在升级，随着平台本身功能的扩展和运行费用的下调，智能合约的计算能力会有提升；分布式计算领域的数据舍入保持一致性算法可以为智能合约中数据的舍入提供参考；复杂的数学模型有望转化和简化，如指数函数可以转化为多项式函数，前馈神经网络可以转化为多项式拟合，AdderNet 等加法神经网络有望转化为智能合约形式，预言机可提供一定随机性等[24-27]。
2）联合人工智能算法实现智能性的智能组件设计思路。
现阶段区块链吞吐量等性能有限，智能合约受计算能力限制无法实现复杂算法、不具备智能性，因而越来越多的区块链项目方案建议将合约计算与高耗能共识拆分，如前述的Layer 2方案等。因此，直接将复杂人工智能算法转码并封装成智能组件形式上链计算的思路虽然可行但可能低效。潜在解决方案为：利用可信环境下执行的人工智能算法作为智能合约智能性的补充，即，通过可信硬件计算、同态加密算法等密码学方式在链下可信环境中计算人工智能算法，利用智能组件协调和控制可信智能算法间协作交互关系，最终共同应对复杂任务。在此过程中，计算任务仍然交由善于计算的人工智能算法在链下完成，协作任务交由智能组件实现对算法的认证、担保、溯源、评估和融合。智能合约没有直接具备“What-If”包含随机性的编码能力，但智能组件+人工智能整体却获得了应对未知场景下“What-If”式智能推演、计算实验和自主决策能力。在这种思路下，区块链也获得了一定的智能，而人工智能的联邦学习、边缘计算架构更是可以直接植入区块链。
2.3.2 智能组件的评估、 筛选和组合
智能组件设计与实现之后，必然需要一套针对特定业务场景和任务目标的评估、筛选与组合方案。现阶段，区块链和智能合约的评估方案尚不完善，区块链系统通常用吞吐量作为性能指标进行评估，智能合约则通常用消耗计算资源的大小作为性能指标进行评估。这些单一维度、不完备的指标无法全方位地评估兼具工程复杂性和社会复杂性的区块链系统，更无法适用于智能组件评估。
因此，需要根据所实现的智能组件功能特性，设计一套专用的量化评估指标作为后续组件组合和筛选的参考。例如，对于封装了共识算法的智能组件来说，可能的量化评估指标就包括经济学能耗、出块速度、 最大可容纳恶意节点数、去中心化程度评级等。这些数字化指标可作为智能组件的性能说明参数，作为自动化或智能化筛选组合算法的依据。智能组件筛选和融合算法实现的基础是，复杂计算任务的量化、分解、分配及智能组件性能参数量化。在这些量化数据的基础上，智能组件筛选和融合算法可转化为在有限个可行解的集合中找出最优解的一类组合优化问题。组合优化问题是运筹学中最优化问题的一个重要分支，已有坚实的理论和算法基础，遗传算法、启发式算法和基于神经网络、深度学习的优化算法都可以应用于智能组件的筛选和组合。
3 基于智能组件的分布式人工智能
现阶段，大多数人工智能算法和技术是在少数高性能计算单元上，通过在有限时间内处理海量数据产生针对特定场景的智能，因而是相对中心化的单体智能形态，并且在不确定性、脆弱性、动态开放条件下存在较大的决策风险，人机协作不畅等问题。同时，普遍存在的中心化数据集难以满足安全和隐私保护需求，而且中心化算法模型需要强大的算力支持；因此，可适用于大规模复杂系统动态管理与智能控制的分布式人工智能成为近年来的研究热点与发展趋势。
分布式人工智能是人工智能的重要分支，起源于20世纪70年代末，其基本思路是利用分布式架构来克服单体智能系统的资源受限性、时空分布性、功能互补性等限制并获得分布式系统所具备的并行性、容错性和开放性。分布式人工智能最早期的研究对象是自然界普遍存在的分布式智能组织， 例如鸟群、鱼群、蜂群和蚁群等。例如，单个的切叶蚁的行为是非常简单和机械的，而大规模切叶蚁群体通过竞争与合作则可以体现出极高的智能行为。互联网出现之后，分布式智能的体现方式演进为人肉搜索、网络众包等大规模自发的网络组织，即动态网民群体（Cyber-enabled Movement Organization, CMO）。本质上讲，CMO实际上是互联网形态下DAO的雏形，因而区块链技术出现以后，CMO自然地演变为DAO，使得分布式智能形态跨越了新的台阶。
区块链和人工智能的结合为分布式人工智能奠定了技术基础，数据与模型的分布式特性以及隐私保护的必然需求为分布式人工智能奠定了应用基础，而区块链赋能的智能组件则为分布式人工智能提供了新型研究范式。就现状而言，分布式人工智能的主要研究方法论包括20世纪70年代自顶向下的分布式问题求解和90年代成为热点的自底向上的多智能体系统（Multi-Agent Systems, MAS）。基于智能组件研究范式，研究者既可以采用分布式问题求解的思路，先自顶向下地分解任务再评估、筛选和指派最优适配的智能组件，也可以采用多智能体系统的思路，先定义智能组件再通过组件之间的竞争与协作、自底向上地完成一个或多个子任务。例如，如果以MAS思路实现智能组件的协作，则在其经典的合同网任务分派协议中，智能体将被动态分配管理者或合同者两种角色，管理者负责分解任务并发送给潜在合同者，合同者竞标完成任务从而实现动态任务分配。这个过程中的管理者、合同者、竞标合约等可用智能组件的形式封装完成。
4 智能组件的关键问题与研究挑战
从研究角度来讲，目前智能组件相关研究在数据感知、解析建模、灵捷适配和智能决策四个角度都存在着亟待解决的关键问题与研究挑战。
首先，区块链是最具代表性的“人在环路中（Human in the Loop）”的智能系统之一。因此，基于区块链的智能组件研究必须兼顾区块链系统的社会复杂性和工程复杂性，深度融合社会-物理-信息三元空间（Cyber-Physical-Social Space, CPSS）的数据和知识。同时，由于跨链技术尚处于早期阶段，目前的区块链系统形成了相对孤立的“数据孤岛”或“价值孤岛”，单纯依靠闭源链上数据来实现数据到知识再到智能的转化极有可能会形成区块链封闭系统内部的循环和收敛，因而必须将开源情报技术与区块链的预言机（Oracle）相结合，实时采集链下数据和开源知识，并引入区块链的数据-知识转化与融合过程，实现更具“活”性的智能组件。由此可见，如何有效融合区块链系统的开源-闭源和链上-链下数据资源，实现信息交互与融合，并转化为指导区块链和智能组件的知识和决策是需要研究解决的首要问题。
其次，基于智能组件的区块链复杂系统建模是其进一步智能解析的基础。由于区块链系统横跨社会、物理和信息空间，如何定性与定量相结合地分析与评估区块链系统中人的行为与社会因素，实现区块链复杂系统的CPSS跨域建模，是实现智能组件的现实需求。基于智能组件的建模必须将复杂系统的还原建模与整体建模相结合，前者注重矿工和矿池等区块链微观个体层面的特征刻画与行为交互，后者则强调宏观区块链生态系统层面的高层涌现与演变规律。一般说来，区块链（特别是公有链）系统通常包含大量的个体参与者，例如挖矿节点、交易节点、矿池等。这些参与者通过区块链网络相互连接，并遵循特定交互协议和共识算法共同维护和更新数据链条。因而，必须首先针对大量个体参与者节点进行微观层面的还原建模，全面、精准地刻画参与者的静态特征、动态行为及其交互机制。还原建模越精准、粒度越细，则后续整体建模的复杂度越高，但获得的高层涌现与演变规律更为准确可信。因此，智能组件必须兼顾还原建模粒度和整体建模复杂度、并寻求二者的最优均衡，实现“人在环路中”的CPSS跨域建模。
第三，现阶段，智能合约是区块链系统中体现“智能性”的重要组件，也是实现智能组件的主要载体和表现形式。然而，业界的共识是目前的智能合约仅是一组自动执行的“情景-应对”型规则，无法有效地实现区块链系统效能、可控、安全等方面智能决策。人工智能的算法优势与学习能力恰恰能够弥补区块链在这方面的缺陷，为区块链引入基于知识的判断与决策能力。主流区块链系统中的核心组件均是在系统建立之初就人为设定的，一旦上链运行便无法更改。如何面向特定的计算任务和应用场景，设计可插拔的区块链智能组件，从而实现针对特定任务需求自动选择和配置最优的组件组合，是区块链技术迈向成熟的一个关键科学问题。从多智能体分布式协同与决策的理论与方法出发，通过研究数据与知识引导的、基于智能合约的区块链智能组件构建方法与配置，并通过深度强化学习提升基于智能组件的智能体自主学习与协作能力，可以实现更加灵捷、高效、可扩展的区块链系统，针对各种兼具不定性、多样性和复杂性的场景和需求，自适应地产生和执行灵捷、聚焦和收敛的智能决策，这是智能组件研究亟待解决的又一关键问题。
最后，目前的区块链研究主要基于实际发生的历史数据样本，而缺乏针对各种未知情境的“虚样本”，特别是针对各种安全攻击的“负样本”，这使得区块链系统的适应性和创新能力都比较差，新思想和新技术很难直接应用于实际区块链系统，这也是目前许多比特币改进提议（Bitcoin Improvement Proposal, BIP）仍然处于提出和草案状态、无法真正激活和落地的主要原因之一。我们认为，利用平行智能理论方法来产生针对各类计算场景的、虚实结合的数据样本甚至是智能组件，通过实际与人工相结合的平行区块链协同演化、闭环反馈和双向引导，来实现对实际区块链系统的优化，促使整个平行区块链系统向设定或涌现的目标收敛，是解决该问题、使得区块链智能化的重要途径和手段。常态情况下，人工区块链通过大量虚拟产生的计算实验场景和智能组件来探索、封装各类新的模型、场景、机制和策略等，形成体系完备的“情境-应对”知识库或组件库；非常态情况下，平行区块链应具备自适应切换到与当前情境最优匹配的智能组件的能力，并通过数据、机制、策略和算法等要素在虚实区块链系统之间的实时同步，逐步引导实际区块链逼近最优化的人工区块链状态（而非反之）。因此，有必要研究平行智能、区块链和智能组件的结合应用，其难点在于如何利用数据与知识的闭环双向驱动机制，通过智能化的交互方式实现虚拟系统与实际系统的紧密结合、互动反馈与平行执行。
5 案例分析
本节简要介绍两个初步应用案例，分别阐释第2.3.1节提出的两种智能组件设计思路。具体说来，针对小规模人工智能算法和模型，可以直接封装到智能合约（去中心化知识图谱案例）[28-29]；而针对需要复杂计算的人工智能算法和模型，则可在链下实现计算，由链上智能组件控制其分布式协作（人工智能学习市场案例）[30]。
5.1 基于智能组件的去中心化知识图谱
知识图谱是人工智能研究的重要领域。2012年，Google首次提出知识图谱的概念，旨在通过搜集真实世界中存在的众多实体的概念、以及这些实体、概念之间的关系，来改善搜索引擎的性能。凭借强大的语义处理和互联组织能力，知识图谱今年里已经在信息检索、自动问答、个性化推荐等领域获得了成功应用。
然而，传统的知识图谱构建过程普遍存在费时耗力、缺乏审计、易被恶意篡改/攻击、数据被中心化机构垄断等问题。因此，我们提出一种基于区块链和智能组件的去中心化知识图谱构建方法，通过链上众包过程汇集群体智慧、以分布式协作的方式共同构建和验证知识图谱，并通过链上智能合约实现众包业务逻辑、使得图谱构建过程去中心化、公开透明且无法篡改[28-29]。
生成知识图谱之后，进一步利用深度学习方法构建深度推荐系统，学习知识图谱间的映射规则，然后利用智能合约来封装这种推荐规则形成智能组件，就可以在链上以去中心化方式执行。这项工作的初步应用场景是企业管理中的任务推荐，即利用区块链构建员工技能知识图谱和任务知识图谱，通过深度学习方法获得知识图谱间的映射规则，并将映射规则封装到智能合约里，即可针对特定任务自动推荐合适的员工。这项工作具有良好的研究意义和应用前景，通过链上智能组件来自动分配任务，可以在某些生产型企业里取代某些中层领导岗位，让企业架构更扁平化，这也在一定程度上实现了企业的去中层化。
5.2 基于智能组件的人工智能学习市场
现阶段的人工智能技术通常采用高度依赖大规模集中数据和高性能计算资源的中心化架构。这种架构面临的数据孤岛问题和计算资源限制增加了人工智能技术深入应用的壁垒。因此，近年来，针对人工智能数据、模型和资源的分布式协作研究引起了广泛的兴趣。考虑到现有的基于信任的协作模式，如由中心化组织控制的任务众包及模型共享市场和采用半中心化架构的联邦学习等分布式计算架构已不再适用于开放动态环境下相互不信任机器间的大规模分布式协作，我们提出了一种基于智能组件的新型去中心化人工智能协作框架，称为学习市场（Learning Markets）。在该市场中，区块链为互不信任参与者的协作和交易提供了可信环境，智能合约则作为软件代理来封装和处理可扩展的协作关系和市场机制[30]。
具体地，学习市场由协作市场和共享市场两部分组成，包含组织者、验证者、训练者和矿工4种角色，由权限管理、数据传输、模型验证、贡献评估、激励量化5种智能组件实现主要功能。协作市场负责实现学习任务的外包和分布式参与者的协同挖掘，共享市场则负责收集协作市场中产生的已验证及评估模型形成可信模型库和可信智能组件库供后续定价和共享。基于该学习市场，相互不信任的参与者一方面可在动态量化贡献下实现分布式协同挖掘，另一方面，可在天然具有可审核性、可追溯性和货币化方法的人工智能市场中共享可信模型和数据。
案例实现方面，我们以计算资源有限的组织者发起MNIST图像分类任务为例，通过智能组件控制的分布式协作获取具有高预测精度的集成模型。我们基于以太坊和星际文件系统（Inter-Planetary File Systems，IPFS）平台实现了学习市场，其中分布式节点基于训练集数据生成个体学习器，并根据验证节点在验证集上的验证结果采用联邦学习架构融合模型权重。实验表明，基于智能组件的加权融合集成模型在四个实验数据集上的精度为99.3%、99.2%、99.2%和99.2%，远高于平均融合集成模型的精度50.3%，79.4%，62.3%和54%[30]。实验结果显示，基于智能组件的加权融合集成模型更有利于公平地量化和融合协作者贡献，提高协作公平性、透明性、安全性、去中心化和通用性。
6 结束语
近年来，区块链和人工智能技术呈现出相互赋能、和谐共生、共融增强的发展趋势，并可望解决区块链领域面临的关键挑战，催生新技术、新模式和新业态。为促进该领域的研究，本文提出基于区块链的智能组件概念与方法体系。智能组件是融合人工智能算法的、可插拔的、自主自治的区块链系统核心功能模块，是构建未来智能区块链系统的基础组件和分布式人工智能的新研究范式。
智能组件将为目前的区块链和人工智能研究带来新思路。对于区块链来说，通过构建基于智能合约的智能组件，引入新一代人工智能算法实现面向特定计算任务和业务场景的智能组件筛选与融合，使智能合约具备应对未知场景下“What-If”式智能推演、计算实验和自主决策能力，将使得智能合约从目前仅具有静态规则执行能力的“自动化”合约转变为真正意义上的“智能化”合约。对于人工智能来说，结合集成学习、联邦学习、边缘计算等现有智能算法和计算架构，基于区块链的智能组件可以被用来构建分布式人工智能决策和协作平台，增强人工智能数据管理、存储和传输可靠性，激励计算信息共享和交易，提升机器决策可信度，促进实现人机协作下的混合增强智能。
还没有人评论
还可输入500个字！