第一节 为何将区块链与人工智能结合

群，并且能够对云内的基础设施进行动态按需分配与管理。云通过整合、共享硬件设备，弹性扩展伸缩以适应工作任务需求，实现IT资源利用率的最大化，因此云计算意味着可以较低成本获得算力。

城市大脑利用实时的城市数据，全局优化城市公共资源，实现城市治理模式、服务模式，并推动产业发展。数据和模型结合产生社会价值。从互联网行业到传统行业，都在收集数据来做更多的事情，实现工业、环境、医疗等行业智慧化，最终实现智慧社会。目前提出的智慧化概念仍然模糊，而且容易与自动化相混淆。两者的区别为自动化是单纯控制，智慧化则包括了数据的传输、存储、分析，以及运用数据来制定决策。从自动化升级到智慧化，差异在于对资料的掌握和运用能力。智慧化的最底层是数据，第二层是信息，第三层是知识，最后一层是智慧。数据是不加过滤的输入值，经过加工成为有价值的数据资料即信息，相关的信息集组合、联系就成为认识世界的知识，最后利用机器学习的方法做出决策就形成了机器智慧。人工智能的进步需要获取大量数据，用以提取新的信息，产生知识和智慧。

二、数字化社会的问题

数字化社会，逐渐出现过去我们并没有遇到过的问题，包括安全、隐私和伦理等问题。在安全方面，譬如针对物联网设备发起攻击的恶意软件，可能导致威胁性的僵尸网络。2015年知名科技媒体《连线》，在一篇文章中详细描述了黑客如何远程入侵并控制汽车。文中写道：“我在位于圣刘易斯下城区的边界，以70迈的时速驾驶着切诺基，突然间，汽车失去控制。在没有触碰仪表盘的情况下，切诺基的制冷系统以最大挡功率开始送风，通过座椅背部的循环系统，让我的背部感到一阵寒意。接下来，收音机切换到了本地嘻哈频道，音量自己调至最大，喇叭里发出刺耳的音乐。我将控制旋钮转向最左侧，同时不停地按动电源开关，一切都没有反应。这时候，雨刮器也开始凑热闹，不断喷出清洁剂，让挡风玻璃变得一片模糊。”黑客能够控制车上的GPS设备，获取目标车辆的坐标及车速，进而在地图上对车辆的行进路径进行追踪。甚至，控制一组联网设备主机，然后利用这些设备发起更大规模的入侵，结果可能会导致通过无线连接的方式，控制成千上万辆机动车来组成僵尸网络。

Ian Goodfellow 认为机器学习有盲区（Blind Spots），他在2015年ICLR（International Conference on Learning Representations）会议上展示了机器学习如何被干扰，将熊猫误认为猴子（见图3.17）。对机器学习的图片稍加改动，虽然不影响人类的肉眼辨别，但却令深度学习系统做出错误判断。模型输入受到噪音干扰或无法正确识别，以及没有检测到的人为攻击等，都可能使机器学习的结果谬以千里。Barocas和Selbst在研究中发现，人工智能系统会在训练中将数据的偏差和错误固化。数据的脆弱性可能会对网络安全产生威胁，比如系统地向智能恶意软件侦测系统提供虚假信息，实质上会在不知不觉中创建一个双重代理，从而使这些软件失效。某些数据偏差，譬如涉及性别歧视等，重复累积运算而缺少纠正，就会永久存在于体系之中。人工智能技术筛选简历，不人为设置关键词，以“过往的优秀员工数据”来训练机器。听起来十分公平，但通过人工智能的检视，少数族裔、女性或者有心理疾病史的人更难找到工作。训练机器的“过往数据”，实际上是人类自身偏见和行为的产物。

图3.17

这些数字产生的结果，如果不加以监督，有时候会产生令人不快的结果。有证据显示，剑桥某分析公司帮助某国总统赢得2016年大选。这家数据分析企业涉嫌“窃用”脸书8 700万个用户的个人信息，针对潜在选民的“心理特征”投放付费政治广告。投放的广告类型，取决于一个人的政治倾向、情绪特征及易受影响的程度。虚假的消息会在特定人群中迅速传播、增加曝光，并潜移默化地影响人们的价值判断。网上大量的个人信息会形成过滤气泡（Filter Bubble），并因此彼此产生信息隔离。Pariser发现，在英国石油公司发生墨西哥湾石油泄漏事件之后，在谷歌上搜索时，一些人得到公司投资的新闻，另一些人则返回泄漏事件。他把这一发现写进2011年出版的书The Filter Bubble:What the Internet is Hiding fromYou。人们更倾向于相信已经存在的信念，即使有时候是谬误。即使数据并不是被用来作恶，人工智能对用户信息的深入挖掘也可能走在合规但有违公平的边缘。

人工智能技术的发展给原有的管理框架带来了新的挑战。公民隐私权可能受到侵犯，而权力的边界也并不明确。例如从公共数据中计算私人信息，从个人信息中推断社会关系网等。这类信息的结论超出最初个人同意披露的个人信息范围。执法机构可用的搜查、扣押能力以及随之而来的对隐私的侵犯也是较明显的问题。公共部门可以便利地收集和使用公民个人数据。个人信息的汇集能够帮助