人工智慧與區塊鏈：1+1>2

人工智慧是人們非常期待的應用技術。在眾多領域，人們都期望能夠在下一個10 年裡人工智慧的實際應用。

隨著對人工智慧的研究和相關技術的發展，人們對人工智慧的認識也越來越清晰。今天，人們已經經歷了從將人工智慧看作洪水猛獸到逐漸接受的過程。通過實踐，人們越來越清楚人工智慧的本質。今天，它已經被定義為「可以幫助人們更好地實現現有工作的一種有效的資訊科技支援手段」。

這個定義體現了人們對人工智慧與人類本身之間的關係認識，也反映了歷次工業革命都無法繞過的問題——機器和人之間的競爭問題。

任何一次工業革命，事實上都消滅了一批人的崗位，而人工智慧給人帶來的恐慌更甚於前幾次。一臺有智慧的機器與人類競爭，而且這些機器更加聰明、更少犯錯，這似乎帶來了更讓人絕望的體驗。

人工智慧的定義和發展走向，其實在某種程度上回應了這種焦慮。人工智慧其實只是輔助人們工作，而非取代。

這就強調了人工智慧與人之間的關係並不是替代的關係，它的出現只是為了輔助人們做一些過去做不到或者很難做到的事情。這事實上解決了人與人工智慧究竟應該如何相處的問題——在重大責任與決策方面，人工智慧能幫助我們，而非替代我們。

就如在自動駕駛領域，雖然在飛機航行過程中，人工智慧或者自動駕駛技術已經非常成熟，但是在關鍵階段，我們依然需要人來做最終的判斷。這也是未來人工智慧與人之間的關係。

但是如何讓人工智慧既能幫助我們，又能充分地學習，同時還不會隨意地替代人來做決策呢？這之中最困難的就是人工智慧的演算法優化問題。

機器學習可以讓人工智慧不斷學習和掌握新的情況，也就是說，人工智慧可以在脫離人的決策的基礎上，實現對各種知識的不斷學習和應用。這也是人工智慧最早被開發出來時被寄予的期待。

在這裡，我們不探討人工智慧的道德和社會問題，只考慮它的實際應用。

想象一下：如果你的電腦可以在不經同意的情況下，提前預判你是否需要一頓豐盛的早餐，或者是否需要開啟空調，你是不是會覺得它對你的幫助非常有效?

假如把這種場景變得更大規模、更復雜，我們就可能看到更加巨集大的畫面。在這些場景中，人工智慧可能幫助我們做更多的事情。

比如，在戰鬥機的開發過程中，駕駛員由於需要同時控制多種部件，往往會感到操作困難。在傳統意義上，戰爭中的強對抗要求人必須瞬間做出各種各樣的判斷而不能依靠機器。

但今天隨著技術發展，人工智慧也可以在空中戰鬥機的管理方面為我們提 供支援。比如它可以決定是否向對方發射彈藥，或者決定是否應該加速離開。

這種活動原本其實都應該是由人來決定的，但是由於人工智慧擁有強大的資訊處理能力，所以它可以幫助我們更好地做出這些決策。

當軍方使用非人工智慧的方法來解決戰鬥機的作戰問題的時候，必須給戰鬥機的控制系統提供各種各樣的決策依據。飛行員需要告訴它在什麼情境下應該採取什麼樣的措施。

但是我們都知道，在任何情況下要想窮盡所有情境都是非常困難的事。因此，要解決這個問題，只能讓人工智慧在面對各種各樣不同的環境時自己做出決策。實現了這一點，人工智慧才會變得真正可用。

現在的戰鬥機駕駛中，雖然自動控制的一些動作已經可以實現計算機輔助，但是在真正的決策還沒能夠實現人工智慧的完全操作。

不過，如果人工智慧真的能夠根據不同情境做出行為選擇，就意味著它真正成為「智慧」。

假如你的家裡有這樣一個智慧助手，即使你並沒有讓它幫你泡一壺咖啡，它也能夠判斷你現在已經非常疲憊了，非常需要一杯熱咖啡來提神，在能實現類似這樣的判斷之後，人工智慧就真的變成了智慧。

因為它不需要我們思考和決策，就會幫我們做好各種各樣的判斷。

而上面這個過程其實都必須通過機器學習實現。一開始，人工智慧可能只是知道在某些固定時間點沖泡咖啡；隨後，機器學會了「思考」，能夠判斷這些固定時間點的特徵是什麼；然後再實現不需要「詢問」意見就能自己行動。

最終，人工智慧甚至還可以打通知識之間的隔閡，思考除了咖啡你還需要什麼一類的問題。而這些的基礎都源於機器學習。實現這種機器學習的其實是一套演算法，它能教會機器如何提取和識別需要的資訊。

應用機器學習之後，人工智慧面對的另一個挑戰就是海量資訊的獲取。掌握了學習方法還不能生產出一臺聰明的機器。除了方法，還需要海量的可學習的物件，這就是機器學習中對學習資料庫的需求。

人工智慧有了機器學習程式之後，還必須有可學習的物件。因此，如何給人工智慧提供海量的學習內容和模擬模式就變得非常重要。這個資料庫一般有兩個來源：一個是利用已有的資料積累，另一個是通過人工題庫整理。

在機器學習方面，有一個非常有意思的故事是關於圍棋人工智慧專案 AlphaGo 的進化的。最初，人工智慧無論如何都無法擊敗人類棋手，這也讓圍棋領域成為主流棋類中人類最後一塊沒有被人工智慧攻陷的地方。

但經過一段時間的學習之後，AlphaGo 居然擊敗了當時人類最優秀的棋手。這種變化很重要的一個原因就是 AlphaGo 有了學習資料庫。

在第一階段，AlphaGo 的訓練模式是學習人類的各種棋譜，模擬人類所有的棋局棋譜，同時進行資料推導以掌握圍棋的套路方法。但是即使掌握了能夠蒐集到的人類所有圍棋棋譜，AlphaGo 依然無法戰勝優秀棋手。

後來 AlphaGo 採取了另外一種學習模式：它不再向人類的棋譜學習，而是自己與自己對弈，通過不斷推導每一個步驟，最終實現棋技的提升。這樣的訓練讓 AlphaGo 最終戰勝了人類棋手。

這件事引起了人類社會的恐慌，因為這件事從一個側面證明了人類的智慧並不是最優的解決方案。相反，人工智慧拋棄向人類學習的方案反而獲得了更佳的實踐。

這也說明了一種可能性，那也就是人工智慧通過自我學習，很有可能超越人類。

聯想那些紅極一時的科幻電影，如《黑客帝國》《機械公敵》等，也許我們就會覺得，這些電影中描繪的人工智慧對人類的控制和屠殺可能真的會發生。當然，這只是一種可能性。

畢竟在目前階段，人工智慧還沒有能力與動機來這樣做。在今天，我們依然認為人工智慧將會是實現人類社會快速進步的一個重要支援力量，不會把它看成是敵人。

當然，這種風險並不是完全沒有可能。這就要求我們在編寫 每一段程式、設計每一種演算法的時候都非常小心，投入大量的人工團隊。

在這方面，區塊鏈也可以提供非常大的支援。一方面，在人工智慧開發過程中，機器學習要依賴演算法的不斷改進來進化，而這個過程需要不斷試錯。

這些也是區塊鏈擅長的。它可以快速地讓一個人工智慧小組實現有效分工，更大可能地獲取人工智慧開發方面的資源。通過散佈在各地的終端，把人們都拉進人工智慧的開發小組中，實現人工智慧的快速迭代。

這樣的模式不僅更有利於人工智慧的技術開發，同時也可能在某種程度上解決人工智慧潛在的道德問題。

因為畢竟所有的開發者分佈在不同的文化領域、不同的國度，擁有不同的政治目標，因此人工智慧的學習最終可能會涵蓋各種各樣不同的價值觀，而這帶來的可能是遠超人類想象的成功。

另外，人工智慧學習所需的大量資料庫，也不可能是由一兩個人完成的。它必須不斷提取社會大資料並應用。而在這一點上，區塊鏈可以幫我們突破很多現有的限制。

比如說，現在很多人認為隱私不安全、個人行為不受控，甚至對整個人類社會信用體系不信任，這些都可能通過區塊鏈技術來解決。

因為對個人來說最有用的那些資訊，永遠只能通過本人才能讀取，人工智慧開發者所需要的是個人資料組合在一起的大資料應用方面的一些變化。

人工智慧與區塊鏈結合在一起，很有可能會帶來人工智慧的加速發展。

人們會發現，人工智慧的發展速度並不像原來想象的那樣呈線性增長模式，而是一個指數型的快速爆炸增長的變化過程。也許在不久的將來，我們就能看到應用人工智慧的裝置走入我們的生活中。而保證這些裝置互聯互通、並保證它們在共有的學習機制之下實現成功應用的，事實上就是區塊鏈技術。

試想，如果為了讓人工智慧更好地學習而把所有的資料彙總到某一臺主機中，那麼這臺主機就將變成世界上最危險的「萬惡之源」。

只要有人控制了它，那麼所有的大資料資訊都將被這個人利用，這將是一件非常可怕的事情。區塊鏈的分散式儲存模式解決了這個問題，具體原因我們已經反覆強調。

我們能夠看到，區塊鏈在未來人工智慧應用領域一方面可以幫助我們解決演算法的開發難題，另一方面也可以解決資料應用的安全性問題。

因此資料區塊鏈與人工智慧的合併，將成為一種必然的趨勢。