在過去五六年里，人工智能又復活了。

我之所以用“復活”這個詞，是因為當人工智能被視為迫在眉睫的時候，我們曾經(jīng)有過這樣的時代。1950年，Alan Turing在1950年設計了以自己名字命名的圖靈測試（Turing Test），并將主流的注意力吸引到機器可以思考的可能性上。1956年的Dartmouth研討會是一個里程碑式的事件，它標志著人工智能的誕生，當時John McCarthy提出了“人工智能”（AI）這個短語，代表了控制論、神經(jīng)網(wǎng)絡和符號推理研究的蓬勃發(fā)展。

在60年代和70年代，自然語言處理、機器推理和機器視覺等領域都有了顯著的進步。隨著上世紀80年代日本所謂的第五代計算機計劃的出現(xiàn)，在專家系統(tǒng)、基于案例的推理以及隨著反向傳播的發(fā)明而使連接主義神經(jīng)網(wǎng)絡恢復等領域取得了重大進展。機器學習在90年代獲得了動力，從早期的符號方法轉向利用概率和統(tǒng)計。

最近，在對早期和成熟的初創(chuàng)企業(yè)的巨額投資之間；媒體預示著機器人殺手的未來；包括IBM、微軟和谷歌在內的老派巨頭們的營銷攻勢；以及公眾對Siri和Alexa等人的著迷，看來人工智能終于來了。但是，它的腳步會就此停住嗎？

是機器學習還是人工智能？

我們今天所說的人工智能，很大程度上源于機器學習在海量數(shù)據(jù)中的應用。準確地說，正是所謂的“深度”學習技術的應用使語音搜索和語音激活助手如Siri的興起，癌癥診斷和治療等領域的醫(yī)療創(chuàng)新，AWS Rekognition等臉部識別，以及更廣泛的圖像和視頻分析和識別領域，機器翻譯，包括必應翻譯工具，語音識別工具，以及所謂的自動駕駛汽車的出現(xiàn)等等。

技術上來說，我們應該稱之為深度學習的復蘇，而不是人工智能的復蘇。

深度學習的歷史可以追溯到1943年，當時人們在理解人類大腦神經(jīng)網(wǎng)絡的基礎上創(chuàng)建了Pitts-McCulloch計算機模型?！吧疃葘W習”這個說法是在上世紀80年代末創(chuàng)造的；然而，深度學習的影響在本世紀頭十年才真正開始，2012年開始的所謂“深度學習革命”讓計算機行業(yè)徹底崩潰。2019年3月，Yoshua Bengio，Geoffrey Hinton和Yann LeCun）因他們的突破性研究而獲得圖靈獎，他們的研究使深度學習成為主流。

簡單地說，深度學習是一種機器學習技術，它教會計算機去做那些對人類來說很自然的事情，比如從例子中學習。。通過深度學習，計算機模型可以直接從圖像、文本或聲音等中學習執(zhí)行分類任務。深度學習模型是通過使用一組大的標記數(shù)據(jù)和神經(jīng)網(wǎng)絡架構來訓練的（包括有監(jiān)督和無監(jiān)督的），這些架構包含了對人類神經(jīng)元行為建模的多層軟件。

今天機器學習的致命弱點

今天，為了訓練一個深層（機器）學習模型，雖然今天有兩種技術有效，但這兩種技術最終會成為人工智能的禍害。

首先，傳統(tǒng)學習方法要求將訓練數(shù)據(jù)集中在一個系統(tǒng)（或供應商數(shù)據(jù)中心）上。谷歌、亞馬遜、微軟、蘋果和Facebook等公司收集了大量用戶數(shù)據(jù)，并將其存儲在各自的系統(tǒng)中。隨后，以一次性或連續(xù)的方式，他們運行自己的算法來挖掘并構建最終的深度學習模型。讀者很容易發(fā)現(xiàn)，這種方法侵犯了隱私。在沒有用戶許可的情況下，這些系統(tǒng)常常利用敏感的私有數(shù)據(jù)來構建它們的AI應用程序。

其次，同樣成問題的是集中的方法通常取決于供應商，即供應商的選擇算法、其實現(xiàn)機制（語言、庫、工具）、首選的硬件（內部的、外部的、對芯片制造商的依賴等）、其數(shù)據(jù)中心的架構、人員（可能受到危害、賄賂等），以及選擇何種工具來顯示培訓算法的結果。在計算機科學術語中，單供應商的實現(xiàn)受制于所謂的拜占庭容錯問題。

這兩種技術中的任何一種都對當今人工智能應用的壽命構成了致命的挑戰(zhàn)。然而，它們加在一起就是人工智能的致命弱點。如果該行業(yè)不解決這些問題，今天的人工智能復蘇注定會再次熄火。

區(qū)塊鏈+機器學習

區(qū)塊鏈平臺在去中心化應用程序和系統(tǒng)的設計和開發(fā)方面取得了驚人的進展，并已應用于從加密貨幣到企業(yè)供應鏈等領域。

更重要的是，由于區(qū)塊鏈固有的去中心化實現(xiàn)，區(qū)塊鏈有兩種能力。

首先，區(qū)塊鏈為用戶提供了控制其數(shù)據(jù)的能力，并決定何時、何地、向誰提供數(shù)據(jù)的時間和多長時間，即區(qū)塊鏈是對用戶的私有數(shù)據(jù)進行本質上和自動利用的系統(tǒng)的反論證。此外，隨著零知識證明的出現(xiàn)，區(qū)塊鏈現(xiàn)在除了有效之外，沒有能力透露任何有關交易的信息。

第二，區(qū)塊鏈的設計沒有中央權力或系統(tǒng)。因此，為了在數(shù)據(jù)和交易上達成一致，區(qū)塊鏈使用了多種容錯一致性算法。雖然有各種各樣的一致算法，但它們在跨分散的節(jié)點（或系統(tǒng)）之間達成一致方面都有相似的特征。特別是，一個叫做拜占庭共識的變體解決了前面提到的拜占庭容錯問題。區(qū)塊鏈可以開發(fā)不依賴于單一供應商實現(xiàn)的人工智能應用程序，同時存在所有的風險和錯誤。

總之，這兩個關鍵的能力有可能使今天的機器學習實現(xiàn)解決他們的致命弱點，并使人工智能應用程序既不侵犯隱私，也不容易受到單一供應商拜占庭故障的影響。

下一步是什么

區(qū)塊鏈+機器學習開辟了一個顛覆性的新方法使人工智能成為主流，同時保護用戶隱私和確保供應商中立的應用程序，減少風險。

消費者及其設備在其生存期生成大量數(shù)據(jù)。這些數(shù)據(jù)包含了有關用戶及其行為的有價值的信息：他們經(jīng)常光顧的餐廳、訪問哪些網(wǎng)站、他們喜歡去哪些地方、他們使用的社交媒體應用程序、看什么視頻等等。這些數(shù)據(jù)已經(jīng)成為構建有效的深度學習模型以最大限度地增強用戶體驗的個性化服務的基石（例如ala Siri）。區(qū)塊鏈提供了一種獨特的選擇來構建這樣的個性化模型，而不會侵犯用戶的隱私。

至關重要的是，廣大的行業(yè)應將用戶隱私置于商業(yè)利益之上，并使用區(qū)塊鏈功能來建立機器學習模型，使他們的人工智能應用程序成為可能。

人臉識別等應用正在被廣泛使用（包括政府機構）；由于機器學習模型與單個供應商捆綁在一起的一系列問題而產(chǎn)生的假陽性和假陰性造成的風險太嚴重，不能繼續(xù)忽視。例如，波音和空客飛機上的航空電子系統(tǒng)已經(jīng)設計了幾十年的拜占庭容錯技術。當移民部門和邊境巡邏隊使用諸如AWS RekogniTIon等工具時，行業(yè)和監(jiān)管政策機構必須重新考慮當今人工智能應用的原始性質（例如在航空電子系統(tǒng)方面）。

我們必須擺脫單一供應商的實現(xiàn)及其相關風險，轉向去中心化的深度學習實現(xiàn)，利用跨多個供應商和供應商的計算資源（算法、語言、硬件等）。

未來是去中心化的，人工智能也不例外。否則就會是另一個人工智能冬天。