摘要： 過去幾年中，區(qū)塊鏈和人工智能無疑是最熱的兩個技術(shù)詞匯，相關成果在學術(shù)界引起了廣泛的關注，在資本圈也極受追捧。

近期，鏈捕手向清華大學副教授、MATRIX首席人工智能科學家鄧仰東教授約稿，請他談一談對區(qū)塊鏈與人工智能關系的理解。鄧仰東教授主攻人工智能、電子設計自動化、并行算法和圖形處理器架構(gòu)等領域的研究，曾為中國高鐵設計及研發(fā)了人工智能預警安全解決方案。

在本文中，鄧仰東教授詳解了人工智能與區(qū)塊鏈行業(yè)各自遇到的挑戰(zhàn)以及AI能給區(qū)塊鏈帶來哪些機會，具有很高的可讀性以及思考價值，希望能對你有所啟發(fā)。

自從2018年以來，行業(yè)里有很多關于融合區(qū)塊鏈和人工智能的探討，出現(xiàn)了AI賦能區(qū)塊鏈、區(qū)塊鏈AI市場等新提法，也有人認為還可以進一步結(jié)合物聯(lián)網(wǎng)（IoT），甚至還有人認為區(qū)塊鏈和人工智能能夠進一步整合量子物理和神經(jīng)科學。

那么，去除掉各種泡沫和噪聲之后，究竟這種融合有無意義？具體說來，我們關注這樣一系列問題：區(qū)塊鏈和人工智能互相能為對方帶來什么？二者的融合能否形成1+1>1的效果？特別是，區(qū)塊鏈和人工智能都不是終端級產(chǎn)品，那么兩者結(jié)合能否成為催生新的終端應用的平臺？

圖1.區(qū)塊鏈和人工智能的融合

總體上看，筆者認為區(qū)塊鏈和人工智能的融合的確能帶來全新的機會，總體關系如圖1。筆者將從四個方面對以上問題進行探討。首先，簡單介紹區(qū)塊鏈和人工智能的基本概念，并且討論當前這兩者面臨的主要挑戰(zhàn)；第二，從區(qū)塊鏈角度看，AI能否帶來什么好處；第三，從AI角度看，區(qū)塊鏈能夠解決什么問題；第四，我們看看區(qū)塊鏈和人工智能融合的一種全新可能，即離散計算資源以區(qū)塊鏈組織而形成人工智能云平臺。考慮篇幅問題，本文先講第一部分與第二部分。

01

區(qū)塊鏈和人工智能

區(qū)塊鏈和人工智能是人類為了解決不同問題而形成的技術(shù)。其中，區(qū)塊鏈的起源在于分布式計算和密碼學的研究，但成為獨立的技術(shù)領域則從2009年比特幣出現(xiàn)后才真正開始；而AI的歷史可以追溯到古希臘時代亞里士多德的工作，現(xiàn)代AI則以1958年的達特茅斯會議為起點，之后又經(jīng)歷了至少兩次起伏，新的一波人工智能熱潮始于2010年前后深度神經(jīng)網(wǎng)絡的優(yōu)異表現(xiàn)。

我們分別從區(qū)塊鏈和人工智能的基本概念開始，探索當前兩者分別面臨的挑戰(zhàn)。

1.1 區(qū)塊鏈及其挑戰(zhàn)

區(qū)塊鏈的本質(zhì)是去中心化的分布式賬本。在早期以虛擬貨幣為核心的區(qū)塊鏈上，例如比特幣，區(qū)塊鏈就是記錄比特幣交易歷史的數(shù)據(jù)庫。當前，區(qū)塊鏈逐漸轉(zhuǎn)型為分布式數(shù)據(jù)庫，隨著IPFS文件系統(tǒng)（InterPlanetary File System）的出現(xiàn)，目前區(qū)塊鏈記錄的數(shù)據(jù)已不限于交易記錄，可以是任意結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)。這些數(shù)據(jù)總是被編碼為線性串聯(lián)的數(shù)據(jù)塊，每一塊中包含一組串聯(lián)的交易記錄。

區(qū)塊鏈記錄的數(shù)據(jù)具有不可篡改的特性，即一旦上線，除非發(fā)生惡意攻擊（正常情況下攻擊難度很高），數(shù)據(jù)無法隨意篡改。區(qū)塊鏈的節(jié)點具有分布式、自組織的特點，不需要集中建設網(wǎng)絡，也沒有集中式的管控機制，而是由多個參與者通過共識機制共同決定。

共識機制解決在去中心化環(huán)境下，當前誰可以獲得記賬權(quán)的問題，其理論基礎是分布式計算中的拜占庭將軍問題（Byzantine Generals Problem），目前常見的共識機制有工作量證明（即Proof-Of-Work，POW）和權(quán)益證明（Proof-Of-Stake，POS）。

比特幣成功設計了基于POW的共識機制（即所謂的「挖礦」），允許獲得記賬權(quán)的一方同時獲得獎勵，從而吸引了大量計算資源投入到比特幣網(wǎng)絡之中。在比特幣之后，以太坊（Ethereum）引入智能合約，大幅度擴展了區(qū)塊鏈的應用范圍和靈活性。智能合約以可執(zhí)行代碼的方式，界定交易參與方的行為，并根據(jù)約定自動執(zhí)行交易，從而使得復雜商業(yè)行為能夠在區(qū)塊鏈上實現(xiàn)。

經(jīng)過十年的發(fā)展，區(qū)塊鏈已經(jīng)取得了長足的發(fā)展，表現(xiàn)為結(jié)合數(shù)字貨幣的公鏈、以產(chǎn)業(yè)和業(yè)務結(jié)合的聯(lián)盟鏈、企業(yè)內(nèi)部使用的私鏈等三種主要形式。然而，當前區(qū)塊鏈技術(shù)在蓬勃發(fā)展的同時，也面臨著一系列挑戰(zhàn)：

挖礦能耗比特幣和以太坊以及其它多個主流公鏈均使用工作量證明作為共識算法，同時對取得記賬權(quán)的節(jié)點進行獎勵。以比特幣為例，其工作量證明使用特定的哈希函數(shù)計算一個隨機數(shù)，為了保證難度（體現(xiàn)為計算時間），要求結(jié)果隨機數(shù)的前若干位為0（具體位數(shù)是動態(tài)調(diào)整的）。由于過去幾年中虛擬貨幣價格出現(xiàn)了連續(xù)強勁上升勢頭，大量計算資源被投入到挖礦計算之中，并且出現(xiàn)了以比特大陸為代表的行業(yè)巨頭。

如果把全部挖礦的計算能力折算為浮點運算，粗略估算的總體計算能力達到1023FLOPS（FLoating point Operations Per Second），已經(jīng)達到谷歌計算能力的1百萬倍，或者全球500強超級計算機總體計算能力的10萬倍。如此龐大的計算能力當然以電力作為基礎，其總用電量已經(jīng)超過世界上160多個國家。

事實上，2018年Nature Energy的一篇文章指出比特幣挖礦的能源損耗超過了黃金、鉑金等貴金屬，1美元比特幣消耗的電能實際上能夠開采3.4美元的黃金。然而，挖礦使用的電能對虛擬貨幣之外的世界全無意義，在全球可持續(xù)發(fā)展的大背景下尤為刺眼。

可擴展性無論作為虛擬貨幣賬本還是廣義的數(shù)據(jù)庫，區(qū)塊鏈上的數(shù)據(jù)服務均以交易形式完成。由于區(qū)塊鏈的分布式特性，交易總是并發(fā)產(chǎn)生的。因此，區(qū)塊鏈的可擴展性一般指單位時間內(nèi)能夠支撐的最高并發(fā)交易個數(shù)。一般說來，區(qū)塊鏈的吞吐率以Transactions Per Second（TPS）表征，計算方式如下：

TPS = 一個區(qū)塊內(nèi)包含的交易數(shù)量 / 區(qū)塊產(chǎn)生時間= 一個區(qū)塊內(nèi)包含的交易數(shù)量 / (共識算法運行的時間 + 廣播并驗證的時間)

也就是說，TPS由數(shù)據(jù)塊的大小、共識算法運行的時間和廣播并驗證的時間共同決定。值得注意的是，由于區(qū)塊鏈采用去中心化方式驗證交易，因此必須在多數(shù)節(jié)點形成共識之后才能完成驗證，其后果就是目前的區(qū)塊鏈在節(jié)點增加的情況下交易速度必然下降。比特幣的吞吐率為3.3~7TPS，以太坊略高，但也只有30TPS左右。對比而言，使用中心化方式驗證交易的VISA信用卡的持續(xù)吞吐率能夠達到1700TPS以上（VISA官網(wǎng)宣稱峰值可達65000TPS）。

安全性區(qū)塊鏈采用了去中心化的共識機制，本身的安全性是比較高的。然而，區(qū)塊鏈由網(wǎng)絡實現(xiàn)，因此其網(wǎng)絡協(xié)議的各個層次均有可能受到攻擊。例如Mt Gox 交易所曾因為錢包的安全性漏洞被盜走3.6億美元，直接導致交易所破產(chǎn)。

更為嚴重的安全隱患來自于智能合約。由于智能合約是具有圖靈完備性的程序，因此其行為更加復雜，而且代碼在分布式網(wǎng)絡環(huán)境上運行時，潛在風險會大大提升。目前的智能合約編程以Solidity語言為主，該語言成熟度相對較低，因此雖然代碼由虛擬機執(zhí)行，但攻擊者可以利用溢出等情況侵入宿主電腦。同時，為了支持交易引入了跨合約程序調(diào)用等功能，易于遭受重入攻擊。典型案例是以太坊上的眾籌項目DAO，它在2017年受到重入攻擊，被盜走當時價值6千萬美元的以太幣。

易用性智能合約的引入使得區(qū)塊鏈在應用領域上升到全新的層次，形成了人類商業(yè)行為的一次革命。但智能合約以程序形式體現(xiàn)，對一般用戶來說具有一定難度。在傳統(tǒng)的線下世界，大多數(shù)人都可以看懂合同內(nèi)容，相當比例的用戶則可以在律師指導下或參照模板編寫簡單合同。智能合約則不然，要求用戶必須具備編程能力才能撰寫合同，無形中又限制了其應用范圍。

隱私保護在大數(shù)據(jù)時代，保護數(shù)據(jù)隱私的重要性不言而喻。目前區(qū)塊鏈公鏈上的數(shù)據(jù)大體來說是完全開放的。因此，隨著區(qū)塊鏈應用的不斷拓展以及其數(shù)據(jù)庫應用比重的提升，如何在區(qū)塊鏈上引入完備的隱私保護機制已經(jīng)成為亟待解決的問題。

1.2 人工智能及其挑戰(zhàn)

根據(jù)人工智能先驅(qū)約翰麥卡錫的定義，人工智能就是「制造智能機器的科學和工程」，其目的是設計制造能表現(xiàn)出人類認知能力的機器。當然，智能的定義又是一個復雜的問題，業(yè)內(nèi)一般認為智能其實是一種通過學習不斷改變自身或外界條件從而適應環(huán)境的能力。

人工智能的領域很寬泛，機器學習是其中一部分，強調(diào)從歷史中學習。過去10年中，以深度神經(jīng)網(wǎng)絡為代表的機器學習技術(shù)取得了驚人的成就，但應用的深入也使得人工智能技術(shù)開始面臨一系列現(xiàn)實問題。

缺乏算力機器學習技術(shù)，特別是深度學習技術(shù)，需要從大量樣本（有標簽或無標簽）中提煉具有預測能力的模式。因此，機器學習應用一般需要經(jīng)歷模型訓練和模型推斷兩個階段，其中訓練過程通常計算量較大。人工智能企業(yè)目前依靠租用云服務或者自建計算集群解決算力問題，算力成本包含硬件成本、電力成本以及維護成本。

英國的一份AI工業(yè)分析報告指出，當前訓練一個模型平均需要1萬英鎊，而復雜深度網(wǎng)絡的訓練過程則更為昂貴。因此，目前50%以上的人工智能公司都存在可用算力不足的問題。

缺乏數(shù)據(jù)共享在人類社會高度數(shù)字化的今天，數(shù)據(jù)源并不缺乏，但數(shù)據(jù)分享的渠道卻遠未暢通。在絕大多數(shù)應用場景下，數(shù)據(jù)產(chǎn)生和數(shù)據(jù)分析屬于不同利益方。除了搜索引擎、安防、電子商務等少數(shù)領域，AI企業(yè)并不直接掌控數(shù)據(jù)來源，只能與數(shù)據(jù)提供方合作獲得數(shù)據(jù)。

因此，目前常見的提法是在人工智能領域，技術(shù)不如數(shù)據(jù)和應用重要。實際上，并非技術(shù)不重要，而是數(shù)據(jù)的獲取往往具有壁壘。造成壁壘的原因很多，但其中最為關鍵的一個是無法保證數(shù)據(jù)提供方在共享數(shù)據(jù)之后能夠共享利益。

缺乏可信性（可解釋性）傳統(tǒng)工業(yè)領域并不乏使用模型的經(jīng)驗，金融、醫(yī)療、制造業(yè)中都有大量成熟的建模應用，在核反應堆行業(yè)購買特定模型是標準的商業(yè)模式。然而，傳統(tǒng)模型和機器學習模型特別是深度學習模型存在顯著差異，即AI模型的可解釋性較差。

例如，金融業(yè)中常用的傳統(tǒng)風險控制模型可以在給出風險評估的同時，說明是由于哪些因素導致風險較大（例如信用分數(shù)低、現(xiàn)有借貸過多等）。AI特別是深度學習模型則具有「黑盒」特性，雖然其準確率可以很高，但難以說明其推理過程，造成決策的可信性不足。

缺乏通用智能人類仍然處于人工智能的早期階段，目前成功的AI應用主要集中在圖像和語音識別領域的監(jiān)督式學習以及針對確定性環(huán)境的增強式學習。其中，監(jiān)督式學習普遍存在需要大樣本量、高質(zhì)量標注的問題，而增強式學習對計算量的要求又過高。相比人腦智能，AI首先缺乏非監(jiān)督或半監(jiān)督學習能力，其次泛化能力較差，無法形成舉一反三的效果。不僅如此，AI的常識和推理能力不足，缺乏「learning to learn」（自我學習解決問題）的能力，難以進行高層次認知活動。

缺乏隱私機器學習對于數(shù)據(jù)隱私具有雙刃劍的作用，一方面機器學習技術(shù)也帶來了盜取隱私的新手段，另一方面針對機器學習模型的隱私竊取技術(shù)（例如竊取模型參數(shù)和訓練數(shù)據(jù)）也在快速出現(xiàn)。

02

人工智能給區(qū)塊鏈提供的機會

上一部分介紹了區(qū)塊鏈目前面臨的主要挑戰(zhàn)，人工智能確實能夠為應對其中一些挑戰(zhàn)提供新的思路，特別是在智能合約處理和挖礦函數(shù)設計上潛力極大，也有人認為AI能夠為區(qū)塊鏈提供自動治理能力。在本文這一部分，筆者討論人工智能為區(qū)塊鏈提供的機會。

1.安全驗證

區(qū)塊鏈的安全需要對各個網(wǎng)絡和應用層次進行綜合保護才能實現(xiàn)，本文主要關注智能合約的安全性。由于智能合約屬于軟件代碼，因此傳統(tǒng)式軟件缺陷和安全漏洞可以通過形式驗證（Formal Verification）的方法處理，近年來基于機器學習的漏洞模式檢測手段已經(jīng)出現(xiàn)，一些工作證明了可以把抽象語法樹作為遞歸神經(jīng)網(wǎng)絡的輸入進行有無漏洞的檢測。

同時，智能合約在分布式網(wǎng)絡上以并發(fā)方式執(zhí)行，因此需要在沙箱網(wǎng)絡上引入動態(tài)攻防手段，驗證動態(tài)安全性。在動態(tài)攻擊過程中，除了使用已知攻擊方式外，當前的生成式網(wǎng)絡也運行自行產(chǎn)生攻擊方式。實際上，目前正在蓬勃發(fā)展的對抗式生成網(wǎng)絡提供了將合約和攻擊放在統(tǒng)一框架之內(nèi)進行全面優(yōu)化的可能性。

圖2.是智能合約安全驗證的理想工具流程，其核心思想是智能合約代碼要經(jīng)過靜態(tài)和動態(tài)驗證才能上線并在虛擬機上運行

靜態(tài)驗證是對源代碼或字節(jié)碼（Byte Code）直接進行分析（不需要執(zhí)行代碼），分析工具目前以形式驗證（Formal Verification）為主，但基于深度神經(jīng)網(wǎng)絡的機器學習方法也在快速出現(xiàn)。形式驗證是在硬件驗證的基礎上發(fā)展起來的，目前已被廣泛用于軟件安全驗證。其手段是把程序表示為一定的形式化模型（即基于時序邏輯的數(shù)學模型），然后用數(shù)學方法證明其正確性。

形式驗證的方法可以分為符號執(zhí)行（Symbolic Execution）、模型檢查（Model Checking）和定理證明（Theorem Proof）三大類。符號執(zhí)行算法遍歷代碼的所有可能執(zhí)行路徑，并提煉出每條路徑的狀態(tài)轉(zhuǎn)移與相應條件，并檢查每一路徑上是否可能存在違反約束的反例。

模型檢查把程序表示為邏輯模型，把針對某一安全漏洞的安全條件表示為相應的屬性，然后使用可滿足性求解器尋找是否存在違反該屬性的輸入數(shù)值，如果存在，則表示代碼存在漏洞，否則表示代碼一定滿足該屬性。定理證明比模型檢查的能力更強，能夠做函數(shù)級別的檢查，但一般需要專家級別的人工干預。

雖然形式驗證不屬于人工智能技術(shù)，但AI確實能夠在很多方面提高形式驗證的性能。事實上，形式驗證技術(shù)為了解決狀態(tài)爆炸問題而引入了大量的啟發(fā)式算法，AI能夠找到更優(yōu)化的啟發(fā)條件。另一方面，把源代碼表示為抽象語法樹后，我們完全可以利用遞歸神經(jīng)網(wǎng)絡的模式提煉能力進行安全漏洞檢查，目前這方面已經(jīng)有一些成功的工作。

相對于靜態(tài)驗證，動態(tài)驗證需要在分布式不可信環(huán)境下的動態(tài)程序執(zhí)行過程中發(fā)現(xiàn)潛在漏洞，其難度更高。一般說來，此時需要對智能合約進行「沙箱」仿真，即在測試鏈上執(zhí)行代碼，以人工方式注入攻擊。當前快速發(fā)展的生成對抗網(wǎng)絡（Generative Adversarial Networks）提供了在小量攻擊范例的基礎上自動產(chǎn)生攻擊代碼的可能性，有望為智能合約安全性提供新的工具。

同時，AI技術(shù)也可以和智能合約虛擬機結(jié)合，進行動態(tài)漏洞嗅探。與靜態(tài)檢查不同，動態(tài)檢查一般不需要在源代碼中精確定位潛在漏洞，因此解釋性較差的深度學習技術(shù)具有更好的可行性。

2. 智能合約代碼生成

智能合約表現(xiàn)為使用編程語言撰寫的程序，因此使用門檻較高會嚴重影響智能合約的可用性。不具備編程能力的一般用戶必須聘請程序員完成合同編制工作，但是Solidity現(xiàn)有社區(qū)規(guī)模較小、編程人員不足。人工智能技術(shù)提供了自動綜合代碼的可能性，當前以微軟DeepCoder為代表的深度神經(jīng)網(wǎng)絡已能夠在專用領域根據(jù)一組示例自動產(chǎn)生代碼。

值得注意的是，雖然與針對任意問題的自動化代碼生成的距離仍然遙遠，但智能合約本身已經(jīng)呈現(xiàn)出許多顯著特色，例如程序具有比較清晰的狀態(tài)（可以用有限狀態(tài)機表示）、計算過程相對簡單（主要是針對虛擬貨幣的算數(shù)運算）、存在典型模式（例如存取款、投票、彩票等），使得針對性的代碼生成具有較強的可能性。

圖3. 智能合約代碼生成理想工具流程

如圖3所示，智能合約代碼生成工具流程起始于以簡單腳本語言、圖形化方式甚至自然語言捕捉的交易意圖，然后通過機器學習工具抽取交易關鍵特征并對交易進行分類，在此基礎上結(jié)合智能合約設計模式進行代碼綜合。代碼生成工具還可以進一步與安全驗證工具結(jié)合，進行迭代式自動攻擊和代碼修訂，從而最大化實現(xiàn)安全性。

3. AI挖礦函數(shù)

中本聰為比特幣設計了非常精巧的挖坑函數(shù)，即根據(jù)塊內(nèi)交易的內(nèi)容使用單向哈希函數(shù)計算滿足特定要求的隨機數(shù)。一般說來，挖礦函數(shù)應該具有這樣一些特點：

首先，函數(shù)具有單向性，即計算結(jié)果難度較高，無法直接猜測，但驗證結(jié)果的正確性卻很容易；其次，函數(shù)計算應具有一定強度，同時難度可以調(diào)整；第三，計算該函數(shù)時不需要傳遞大量數(shù)據(jù)，即不會給區(qū)塊鏈網(wǎng)絡帶來額外帶寬負載；第四，函數(shù)應具有公平性，也就是說，算力強的節(jié)點只是擁有較高概率獲得獎勵。

除此之外，挖礦函數(shù)應具有增值性或公益性，即挖礦能夠產(chǎn)生虛擬貨幣之外的價值。事實上，當前AI應用面臨算力不足的困境，如果能夠通過區(qū)塊鏈的獎勵機制吸引算力投入，的確可以獲得事半功倍的效果。

從提供算力的角度看，顯然訓練深度神經(jīng)網(wǎng)絡等機器學習模型的實際意義最大。不僅如此，訓練過程也確實具有單向性，即訓練過程強度高，但是驗證過程（即對已知結(jié)果數(shù)據(jù)做一次推斷）強度很低。不過，深度神經(jīng)網(wǎng)絡的訓練難度很難預測，因此也不容易控制，而且訓練時一般需要傳遞大量的訓練樣本數(shù)據(jù)，網(wǎng)絡傳輸壓力很大。由此可見，深度神經(jīng)網(wǎng)絡的訓練過程作為挖礦函數(shù)仍具有很大困難。

另一個可能的AI挖礦函數(shù)是馬爾可夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）算法。MCMC在貝葉斯學習和推理中具有極其重要的作用，被選為二十世紀十大算法之一。該算法建立在隨機采樣基礎至少，目的是從已知概率分布的隨機數(shù)出發(fā)，產(chǎn)生針對特定后驗概率分布的隨機數(shù)并推測該分布的特性。MCMC具有單向性，難度相對可控。但是，MCMC作為挖礦函數(shù)的缺點是在驗證時需要傳遞比較大量的數(shù)據(jù)。

圖4. 基于深度神經(jīng)網(wǎng)絡對抗攻擊的挖礦函數(shù)

Matrix AI區(qū)塊鏈提出了一種新的基于深度學習的挖礦機理，其來源是針對深度神經(jīng)網(wǎng)絡的對抗攻擊。當前，深度神經(jīng)網(wǎng)絡最成熟的應用領域是圖像識別。然而，近來人們發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡存在著「盲點」，即以一定方式修改圖片，此時人眼仍然能夠正常分辨圖片內(nèi)容，但深度神經(jīng)網(wǎng)絡卻會做出錯誤分類結(jié)果。圖4左邊圖片是單像素攻擊的例子，圖片只有一個像素變化，就可以成功「欺騙」深度神經(jīng)網(wǎng)絡。

那么，怎樣找到修改圖片的方法？目前大多數(shù)算法都使用隨機優(yōu)化方法，對圖片引入噪聲形成攻擊。該算法具有成為挖礦函數(shù)的潛力，在單向性、難度、帶寬等方面均能夠滿足要求。當然，該方法的公益性稍顯不足，主要是能夠利用區(qū)塊鏈算力尋找對抗攻擊實例，從而幫助我們更好地理解人腦和深度神經(jīng)網(wǎng)絡的區(qū)別。

4. 區(qū)塊鏈自動治理

任意復雜系統(tǒng)在全生命周期過程中都要經(jīng)歷自身和環(huán)境的變化，因此需要一組規(guī)則決定在變化發(fā)生時怎樣對系統(tǒng)自身進行改變。規(guī)則可以體現(xiàn)為代碼（例如智能合約）、法律、過程（例如X發(fā)生時必須執(zhí)行Y動作）和責任要求。系統(tǒng)治理就是創(chuàng)建、更新和放棄這些規(guī)則的決策過程。由于區(qū)塊鏈的去中心化特點，其治理過程涉及到平衡開發(fā)者、礦工、用戶和商業(yè)實體的利益平衡。

區(qū)塊鏈系統(tǒng)傳統(tǒng)上采用離線治理方式，即任何人均可以提出改變治理規(guī)則的建議，但是否采納某項建議則需要按照一定的協(xié)議對建議進行評估，最后通過多方投票的方式?jīng)Q定最終決策并修改相關代碼上線執(zhí)行。比特幣的相關治理通過BIP（ Bitcoin Improvement Proposal）協(xié)議進行，雖然決策速度較慢，但是很多人認為相應的漸變過程對比特幣的可持續(xù)發(fā)展是有利的。

另一方面，目前也有不少人認為基于人工智能的自主、在線治理更適合于高速變化的網(wǎng)絡環(huán)境。在這種情況下，治理過程可以通過基于AI的增強式學習實現(xiàn)，DFINITY區(qū)塊鏈甚至提出使用AI代理作為用戶代表自動進行投票。

治理過程的人工智能化確實能夠帶來一些好處，特別是在處理細粒度的糾紛處理（例如挖礦或者交易作弊）時效率可以很高。然而，近來的研究結(jié)果表明，由于目前AI技術(shù)大多基于人類標注樣本，因此同樣可能存在偏見，所以AI決策可能并不象很多人所想象得那樣公正。同時，AI決策體現(xiàn)為AI模型和算法，一般用戶很難理解，而且其安全性和公正性的驗證也是很困難的問題。