第一节 为何将区块链与人工智能结合

一、人工智能（AI）要素

1.数据

在人工智能领域，人们花了一段时间才意识到，数据是关键。20世纪90年代的人工智能所使用的数据量很小。通过设计新的算法来提升性能，可改进的空间并不大，提高2～10倍就很了不起了。进入千禧年，人工智能走向现代化。2001年，微软研究人员Banko 和Brill发表论文，揭示当算法保持相同，增加数倍的数据会使错误率下降非常多。该研究成果在几年后得到进一步的证实，Google研究人员Halevy、Norvig和Pereira在2007年发表的文章 the Unreasonable EffectivenessofData极大地冲击了人工智能领域。他们认为数据可以“不合理地有效”跨越许多人工智能领域，揭示了数据在人工智能领域异常有效。

数据可以来自物理世界现实事物的数字化，也可以随互联网交流而不断产生，如医疗行业的医生信息和移动终端彼此交互的信息。经过累积、沉淀和保存，可以形成更大规模的数据集。近年，移动设备的发展促使数据爆发式增长，同时物联网极大地扩展了获取数据的数量和类型。2017年产生的数据比过去5 000年的加起来还要多。据IDC预计，到2020年，数据量会达到40 000EB（Exabytes）或者40ZB（Zettabytes）。过去10年结构化和非结构化数据的增长表明，非结构化数据占所有数据的90%以上，如图3.15所示。从数据中挖掘价值，我们的社会将越来越熟悉数据和模型结合并以大量算力支持的系统。物理生活与虚拟层面交织，人与机器彼此紧密合作。2016年杭州开始试行城市大脑（City Brain），利用人工智能来优化城市交通。城市大脑利用数据和算法来改善交通问题，过程涉及图像识别、视频处理、人工智能和云计算等。

图3.15

城市大脑，让数据帮助城市思考。2017年，杭州有200多万辆机动车，9 000多辆公交车，无法计数的非机动车穿行其中。搭建这样庞大的交通体系存在城市道路优化问题，出租车司机会为了避免堵车选择凌晨出门。然而数据的收集和运用会改变城市拥堵的状况。路口的监控摄像头记录车辆的行驶状况、行驶速度和数量。出租车司机用手机接单，运行轨迹被保留下来。公交刷卡机器记录有多少人在什么时段乘坐公共交通工具。全城5万多个视频设备，可以做到计算视频内有多少车，往哪个方向走。红绿灯优化配时方案，帮助城市8万多个路口做出实时决策。城市大脑在市中心路段试验结果显示，平均车速提升3%~5%。

2.算力

在自动驾驶领域，交通信息实时变化，需要不停地收集、分析、输出以控制汽车，也即意味着要依靠大量算力。支撑人工智能算力需要基础硬件设施，以自动驾驶领域为例，利用摄像头、传感器在感知层收集信息，并把它传到芯片中执行深度学习的算法。其核心在于传感器收集并分析数据、检测路面信息、做出路线规划，通过算法模型输出更好的结果。半导体设计公司英伟达（NVIDIA）在2015年推出了世界上第一块车载超级大脑（第一代Drive PX）。在2018年，针对新兴的自动驾驶市场发布了专门的Drive Xavier芯片（见图3.16）。这款芯片大小为350mm2，含有90亿个晶体管、一个8核中央处理器（CPU）、一个512核图形处理器（GPU）、一个新的深度学习加速器、一个全新的计算机视觉加速器等。

每秒可执行30万亿次运算，功率只有30瓦。支撑人工智能除了芯片，更重要的是软件和算法，算法的复杂程度决定了算力资源的需求。2018年GTC大会上，英伟达发布的DRIVE Constellation模拟系统，模拟自动驾驶汽车传感器的软件，基于此的计算平台，能够处理传感器产生的模拟数据，并把驾驶指令反馈给仿真器。这样的数字反馈循环使得自动驾驶的安全性进一步提高，扩展性进一步增强。

图3.16

虽然数据不断增长，但是计算机无法跟上其规模。就遗传数据而言，基因测序技术的进步将使基因序列数据比处理器增长更快。即使计算机本身的速度越来越快，但和不断增长的数据相比，可以处理的数据规模却越来越小。分布式计算（Distributed Systems）和并行计算（Parallel Computing）等计算方式的出现，减少了单个处理器的速度约束。分布式计算把一个需要巨大算力的问题分成几块，然后分配给多台计算机处理，最后把这些计算结果综合起来得到最终的结果。分布式算力可以理解为分布式计算的能力的输出集合。最近的分布式计算项目被用于，利用世界各地成千上万的志愿者的计算机的闲置算力，通过因特网分析来自外太空的电信号，寻找隐蔽的黑洞和探索可能存在的外星智慧生命等。并行计算则意味着同时运行两个或更多的处理器，彼此共享数据且工作同时进行，目的在于提供单处理器无法提供的性能。云计算是分布式计算、并行计算等计算方式的商业化发展。云可以使用廉价的PC服务器，管理大数据量与大集