分布式協(xié)作是未來的方向，其基礎(chǔ)是分布式業(yè)務(wù)共識。分布式業(yè)務(wù)共識實質(zhì)上是，在共識算法的支配下借助分布式智能系統(tǒng)來完成每個節(jié)點特定的任務(wù)。虛擬機（VM）就是一個典型的分布式智能系統(tǒng)，或。。.

分布式協(xié)作是未來的方向，其基礎(chǔ)是分布式業(yè)務(wù)共識。分布式業(yè)務(wù)共識實質(zhì)上是，在共識算法的支配下借助分布式智能系統(tǒng)來完成每個節(jié)點特定的任務(wù)。虛擬機（VM）就是一個典型的分布式智能系統(tǒng)，或者說是分布式AI的低級形式。分布在全網(wǎng)上的各個節(jié)點通過與VM的直接交互，來達到交易的目的。VM執(zhí)行交易的機制是預(yù)先得到全網(wǎng)共識的智能合約（代碼庫），這是在一個行業(yè)生態(tài)中較為簡單的業(yè)務(wù)共識。

VM運行的方式是通過執(zhí)行一套對應(yīng)的算法，完成具體的鏈上交易任務(wù)。但是，EVM（以太坊虛擬機）目前還不能做到專家系統(tǒng)，如不能夠給出股票投資策略專家級建議，只能夠完成股票交易操作指令的執(zhí)行，因此是不具備智能形態(tài)的。目前區(qū)塊鏈所起的作用是通過業(yè)務(wù)共識來達成自動交易，并同步交易信息，節(jié)約交易者時間，數(shù)據(jù)不可篡改，具有抗抵賴性和方便追責(zé)，同時降低資本市場穿透式監(jiān)管的成本。但是區(qū)塊鏈有以下缺陷：（1）數(shù)據(jù)來源的真實性依然要借助于中心化的平臺進行背書，例如股票交易數(shù)據(jù)的真實性依然要借助中心化的傳統(tǒng)證交所，所以并不能徹底解決節(jié)點間的信任問題；（2）僅僅能夠做數(shù)據(jù)留痕，不能利用數(shù)據(jù)進行系統(tǒng)訓(xùn)練，以更好地改進業(yè)務(wù)質(zhì)量。有鑒于此我們認(rèn)為區(qū)塊鏈未來的技術(shù)方向是跟AI技術(shù)相結(jié)合，其中最典型的是區(qū)塊鏈+分布式機器學(xué)習(xí)的綜合技術(shù)模式。

訓(xùn)練專家系統(tǒng)是機器學(xué)習(xí)（ML）的任務(wù)，簡單來說，ML工作所需數(shù)據(jù)是真實訓(xùn)練數(shù)據(jù)和最新預(yù)測數(shù)據(jù)，通過這些數(shù)據(jù)的對比不斷調(diào)整權(quán)值向量和學(xué)習(xí)參數(shù)，以提高ML預(yù)測的精度。這些訓(xùn)練數(shù)據(jù)并不是全都有用，AI需要從中挖掘出有價值的數(shù)據(jù)，并發(fā)現(xiàn)這些數(shù)據(jù)之間的關(guān)聯(lián)性，因此數(shù)據(jù)挖掘技術(shù)和ML是一體兩翼。進入到金融大數(shù)據(jù)時代，每秒鐘產(chǎn)生的數(shù)據(jù)量在傳統(tǒng)基礎(chǔ)上暴增，并且所構(gòu)建的模型需求也相對傳統(tǒng)有了質(zhì)的提升，比如微軟公司在2015年訓(xùn)練出的AI模型LightLDV，擁有多達200億個參數(shù)。數(shù)據(jù)的量越來越大，關(guān)系越來越復(fù)雜，也對模型的復(fù)雜度提出了超高要求，這使得單機進行ML訓(xùn)練的效率無法跟上，因此未來分布式機器學(xué)習(xí)（DML）就成為了趨勢。

DML需要借助云計算、大數(shù)據(jù)挖掘、機器學(xué)習(xí)等技術(shù)作為支撐，同時區(qū)塊鏈技術(shù)在其中也扮演著重要角色。舉例：股票市場的投資者的基本訴求是在控制風(fēng)險的基礎(chǔ)上，盡可能多地增加收益。那么如果有這么一個專家系統(tǒng)，經(jīng)過訓(xùn)練，可以對未來的收益和風(fēng)險進行較準(zhǔn)確的預(yù)測，股民就可以根據(jù)專家系統(tǒng)的建議，靈活選擇不同的投資品種進行組合。而訓(xùn)練專家系統(tǒng)的數(shù)據(jù)來自股民自己的歷史數(shù)據(jù)，和真實的預(yù)測數(shù)據(jù)。因為可以對AI進行訓(xùn)練，因此這些數(shù)據(jù)都是有價值的?？梢栽O(shè)計一套機制，股民貢獻自己的數(shù)據(jù)上鏈，可根據(jù)數(shù)據(jù)的價值給與股民節(jié)點相應(yīng)的token獎勵。分布式專家系統(tǒng)（或者AI投顧系統(tǒng)）的初衷是幫助大部分節(jié)點獲益，因此token可以與系統(tǒng)總的盈利能力的改進相綁定。DML在每個節(jié)點處都有最新的備份，且永久存在鏈上。只有區(qū)塊鏈能夠?qū)崿F(xiàn)這一套激勵機制，這就大大加快了AI專家系統(tǒng)學(xué)習(xí)的步伐跟效率。

有兩點機制可以確保原始數(shù)據(jù)是真實的：（1）從利益角度出發(fā)，每個節(jié)點都想減少風(fēng)險和提高系統(tǒng)預(yù)測能力，因此會貢獻出真實數(shù)據(jù)以幫助DML能力的快速提升；（2）真實數(shù)據(jù)是完全隨機性的，而造假的數(shù)據(jù)或多或少有一些非隨機的痕跡，這一點可以核實出來，系統(tǒng)自動舍棄掉非隨機的成分，因此使得造假的部分不能作為訓(xùn)練數(shù)據(jù)。

區(qū)塊鏈創(chuàng)立的初衷是節(jié)點間的民主、共責(zé)、共識、信任，其實還應(yīng)該在這些基礎(chǔ)上加上“激勵”。激勵必然跟錢掛鉤，而區(qū)塊鏈的特性已經(jīng)解決了雙花問題，這使得去中心化的激勵機制是可行的。區(qū)塊鏈網(wǎng)絡(luò)共同維護的是一個虛擬的分布式機器，是信任的機器。區(qū)塊鏈+DML的模式在資本市場上的成功也必然延伸到其他場景，代表了區(qū)塊鏈的真正價值——即“實現(xiàn)高效有序的大規(guī)模分布式協(xié)作”。

來源： 區(qū)塊鏈兄弟