区块链的5大挑战以及AI带来的4大机遇

区块链采用了去中心化的共识机制，本身的安全性是比较高的。然而，区块链由网络实现，因此其网络协议的各个层次均有可能受到攻击。例如Mt Gox 交易所曾因为钱包的安全性漏洞被盗走3.6亿美元，直接导致交易所破产。

更为严重的安全隐患来自于智能合约。由于智能合约是具有图灵完备性的程序，因此其行为更加复杂，而且代码在分布式网络环境上运行时，潜在风险会大大提升。目前的智能合约编程以Solidity语言为主，该语言成熟度相对较低，因此虽然代码由虚拟机执行，但攻击者可以利用溢出等情况侵入宿主电脑。同时，为了支持交易引入了跨合约程序调用等功能，易于遭受重入攻击。典型案例是以太坊上的众筹项目DAO，它在2017年受到重入攻击，被盗走当时价值6千万美元的以太币。

• 易用性

智能合约的引入使得区块链在应用领域上升到全新的层次，形成了人类商业行为的一次革命。但智能合约以程序形式体现，对一般用户来说具有一定难度。在传统的线下世界，大多数人都可以看懂合同内容，相当比例的用户则可以在律师指导下或参照模板编写简单合同。智能合约则不然，要求用户必须具备编程能力才能撰写合同，无形中又限制了其应用范围。

• 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大体来说是完全开放的。因此，随着区块链应用的不断拓展以及其数据库应用比重的提升，如何在区块链上引入完备的隐私保护机制已经成为亟待解决的问题。

1.2 人工智能及其挑战

根据人工智能先驱约翰Ÿ麦卡锡的定义，人工智能就是「制造智能机器的科学和工程」，其目的是设计制造能表现出人类认知能力的机器。当然，智能的定义又是一个复杂的问题，业内一般认为智能其实是一种通过学习不断改变自身或外界条件从而适应环境的能力。

人工智能的领域很宽泛，机器学习是其中一部分，强调从历史中学习。过去10年中，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，但应用的深入也使得人工智能技术开始面临一系列现实问题。

• 缺乏算力

机器学习技术，特别是深度学习技术，需要从大量样本(有标签或无标签)中提炼具有预测能力的模式。因此，机器学习应用一般需要经历模型训练和模型推断两个阶段，其中训练过程通常计算量较大。人工智能企业目前依靠租用云服务或者自建计算集群解决算力问题，算力成本包含硬件成本、电力成本以及维护成本。

英国的一份AI工业分析报告指出，当前训练一个模型平均需要1万英镑，而复杂深度网络的训练过程则更为昂贵。因此，目前50%以上的人工智能公司都存在可用算力不足的问题。

• 缺乏数据共享

在人类社会高度数字化的今天，数据源并不缺乏，但数据分享的渠道却远未畅通。在绝大多数应用场景下，数据产生和数据分析属于不同利益方。除了搜索引擎、安防、电子商务等少数领域，AI企业并不直接掌控数据来源，只能与数据提供方合作获得数据。

因此，目前常见的提法是在人工智能领域，技术不如数据和应用重要。实际上，并非技术不重要，而是数据的获取往往具有壁垒。造成壁垒的原因很多，但其中最为关键的一个是无法保证数据提供方在共享数据之后能够共享利益。

• 缺乏可信性(可解释性)

传统工业领域并不乏使用模型的经验，金融、医疗、制造业中都有大量成熟的建模应用，在核反应堆行业购买特定模型是标准的商业模式。然而，传统模型和机器学习模型特别是深度学习模型存在显著差异，即AI模型的可解释性较差。

例如，金融业中常用的传统风险控制模型可以在给出风险评估的同时，说明是由于哪些因素导致风险较大(例如信用分数低、现有借贷过多等)。AI特别是深度学习模型则具有「黑盒」特性，虽然其准确率可以很高，但难以说明其推理过程，造成决策的可信性不足。

• 缺乏通用智能

人类仍然处于人工智能的早期阶段，目前成功的AI应用主要集中在图像和语音识别领域的监督式学习以及针对确定性环境的增强式学习。其中，监督式学习普遍存在需要大样本量、高质量标注的问题，而增强式学习对计算量的要求又过高。相比人脑智能，，AI首先缺乏非监督或半监督学习能力，其次泛化能力较差，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「learning to learn」(自我学习解决问题)的能力，难以进行高层次认知活动。

• 缺乏隐私

机器学习对于数据隐私具有双刃剑的作用，一方面机器学习技术也带来了盗取隐私的新手段，另一方面针对机器学习模型的隐私窃取技术(例如窃取模型参数和训练数据)也在快速出现。

上一部分介绍了区块链目前面临的主要挑战，人工智能确实能够为应对其中一些挑战提供新的思路，特别是在智能合约处理和挖矿函数设计上潜力极大，也有人认为AI能够为区块链提供自动治理能力。在本文这一部分，笔者讨论人工智能为区块链提供的机会。

1.安全验证

区块链的安全需要对各个网络和应用层次进行综合保护才能实现，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，因此传统式软件缺陷和安全漏洞可以通过形式验证(Formal Verification)的方法处理，近年来基于机器学习的漏洞模式检测手段已经出现，一些工作证明了可以把抽象语法树作为递归神经网络的输入进行有无漏洞的检测。

同时，智能合约在分布式网络上以并发方式执行，因此需要在沙箱网络上引入动态攻防手段，验证动态安全性。在动态攻击过程中，除了使用已知攻击方式外，当前的生成式网络也运行自行产生攻击方式。实际上，目前正在蓬勃发展的对抗式生成网络提供了将合约和攻击放在统一框架之内进行全面优化的可能性。

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

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!