為了提高數(shù)字貨幣的可用性，有許多不同的路徑可供選擇。最近，我一直在關(guān)注“代幣性經(jīng)濟學(xué)”項目，因為我覺得更好的獎勵分配是前進的道路。例如，傳統(tǒng)的交換沒有給用戶提供足夠的獎勵;少數(shù)例外是Binance， Coss或ABCC。我特別喜歡最后一個，因為它真正關(guān)注的是通過其本地貨幣AT代幣（AT token）向用戶分配最大的收入。他們甚至實現(xiàn)了一個基于治理的代幣模型，該模型為代幣持有者提供了額外的權(quán)力。我真的很期待看到授權(quán)用戶的下一步，對我來說，這是去中心化的真正目的。

?

無論如何，我覺得是時候考慮其他假設(shè)了，比如人工智能（AI）在數(shù)字貨幣的全球應(yīng)用中所扮演的角色。我同意這不是一項簡單的任務(wù)，因為我們大多數(shù)人都不是技術(shù)人員，我們對技術(shù)如何工作以及如何與用戶交互的理解實際上是有限的。

盡管如此，我今天的目標(biāo)是分析一些AI工具，這些工具可以幫助數(shù)字貨幣項目部署更好的產(chǎn)品，具有更直觀的界面。我們將討論四種類型的工具，它們可以與自然語言處理相結(jié)合（既有已知的目標(biāo)，也有未知的目標(biāo)），目標(biāo)相對簡單：允許任何代理更好地與區(qū)塊鏈交互。

最后，我們認(rèn)識到數(shù)據(jù)可視化作為用戶更好地理解區(qū)塊鏈數(shù)據(jù)的關(guān)鍵因素的重要性。

就像頓悟一樣，現(xiàn)在看來，支持人工智能的工具對數(shù)字貨幣可用性的影響是顯而易見的。由于糟糕的用戶界面和智能合約代碼錯誤，出現(xiàn)了許多問題，我覺得圍繞智能合約審計或創(chuàng)建以用戶為中心的交互式機器人，實施自治的預(yù)防措施肯定會導(dǎo)致采用方面的重大改進。用戶如何最終受益？讓我們來看看下面的內(nèi)容吧！

這篇文章不應(yīng)該被認(rèn)為是財務(wù)上的建議，因為它僅代表了我個人的觀點。我有儲蓄投資于數(shù)字貨幣，所以不管我寫什么，都要持懷疑態(tài)度。不要投資你承受不起的東西，總是在投資前盡可能多地了解一個項目，這不會錯。永遠(yuǎn)不要忘記：權(quán)力越大，責(zé)任越大。成為自己的銀行意味著你總是對自己的錢負(fù)責(zé)。

什么是神經(jīng)網(wǎng)絡(luò)？

如果你想了解人工智能是如何學(xué)習(xí)和提高其知識的，你應(yīng)該先讀一下人工神經(jīng)網(wǎng)絡(luò)。這是關(guān)于機器學(xué)習(xí)的最新研究。

神經(jīng)網(wǎng)絡(luò)（和自然語言處理算法）允許機器像人類一樣學(xué)習(xí)。特別是，神經(jīng)元的行為和它們在輸入（如眼睛或手中的神經(jīng)末梢）、處理和大腦輸出（如對光線、觸摸或熱量的反應(yīng)）之間傳遞的電信號給它們帶來靈感。從某種意義上說，神經(jīng)網(wǎng)絡(luò)對機械學(xué)習(xí)采取了一種啟發(fā)式的方法，因為它把失敗作為獲得知識的一種方法。如果你想拓寬你對神經(jīng)網(wǎng)絡(luò)的理解，要學(xué)習(xí)的關(guān)鍵概念是博弈論、效用最大化和最優(yōu)化。

神經(jīng)網(wǎng)絡(luò)的類型

出于顯而易見的原因，我不會描述所有類型的神經(jīng)網(wǎng)絡(luò)，但是我想提到最重要的一個，它可以用于自然語言處理（NLP）。然后，支持人工智能的設(shè)備和算法可以使用NLP，通過使用常見的機器學(xué)習(xí)技術(shù)（如蒙特卡羅模擬和隨機游動的應(yīng)用）來學(xué)習(xí)如何從語言到語言、文本到語音、圖像到文本或語音到文本的翻譯。

神經(jīng)網(wǎng)絡(luò)的最終目標(biāo)是賦予機器通過嘗試錯誤來學(xué)習(xí)人類邏輯的能力。

多層感知器（MLP）

在MLP網(wǎng)絡(luò)中，每一層的每個節(jié)點都連接到下一層的每個節(jié)點，使網(wǎng)絡(luò)完全連接。例如，多層感知自然語言處理（NLP）應(yīng)用程序是語音識別和機器翻譯。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積層對輸入進行卷積運算，將結(jié)果傳遞給下一層。這意味著卷積神經(jīng)網(wǎng)絡(luò)在圖像和語音應(yīng)用（如翻譯器和機器人）中顯示出優(yōu)異的效果。

長短時記憶（LSTM）

簡單地說，LSTM網(wǎng)絡(luò)具有一些作為長期或短期記憶細(xì)胞的內(nèi)部前后狀態(tài)細(xì)胞。LSTM網(wǎng)絡(luò)的輸出由這些單元的狀態(tài)調(diào)制。我們需要神經(jīng)網(wǎng)絡(luò)的預(yù)測，并依賴于輸入的歷史背景，這是一個非常重要的性質(zhì)。

助手是什么？

既然您已經(jīng)掌握了可以實現(xiàn)哪種類型的學(xué)習(xí)過程，那么讓我們來解釋一下這些網(wǎng)絡(luò)是如何與普通用戶進行通信的。

通常，當(dāng)我想到助手的時候，我的腦海中會浮現(xiàn)出典型的90年代安裝向?qū)В@是一個幫助用戶安裝軟件的好工具。你還記得嗎？當(dāng)然，現(xiàn)在，我們簡單地稱它們?yōu)榻涌?。直到現(xiàn)在，隨著人工智能技術(shù)的進步，新型智能助手才被開發(fā)和引入到不同的產(chǎn)品中。我們可以通過查看在Telegram和一些使用通信機器人的網(wǎng)站找到一些例子——通信機器人是一種非?；镜膐racle或genie類型（取決于它的屬性）。

助手的類型

我們可以選擇四種主要類型的助手，它們賦予用戶與給定人工智能輕松通信的能力。

根據(jù)助手的不同，交互代理做出錯誤決策的幾率會更高或更低——這可能是任何違背最終用戶目標(biāo)的決策。正如我們之前看到的，每個人工智能預(yù)測的成功程度與數(shù)據(jù)集和機器學(xué)習(xí)算法有關(guān)。在深入研究每一種人工智能助手類型之前，有一件事值得一提，那就是了解輔助人工智能交互的優(yōu)缺點。

第一個問題是，在大多數(shù)情況下，智能體不能絕對確定地預(yù)測AI是否遵循所提議的編程邏輯，以達到可能的最佳結(jié)果;換句話說，人工智能的目標(biāo)可能會根據(jù)它的偏好而改變，因此，應(yīng)用正確的獎勵和激勵機制就像游戲一樣對任何人工智能的成功都至關(guān)重要。

第二個問題是，沒有一個AI開發(fā)者能夠創(chuàng)造足夠的故障安全裝置來防止愚蠢的用戶犯錯。原因是，專業(yè)知識來自于知識和實踐，也就是說，如果某個人工智能進化到人類理解的某一門檻以上，即使人工智能創(chuàng)造者也不會擁有足夠的技能來理解其目標(biāo)和邏輯。

好了，既然這些問題已經(jīng)解決了，讓我們集中討論每種助手類型。

1.Oracles：問答系統(tǒng)（只讀）

Oracles是用戶與機器之間的第一道界面。通常，Oracles的作用是向用戶提供關(guān)于某個程序機制的快速答案或指示。Oracles設(shè)計的領(lǐng)域是有限的，所以每個答案都是基于數(shù)學(xué)的;接下來是限制輸出的Oracles，這些Oracles代表的系統(tǒng)給出了一個具體類型的答案，最后，有一些Oracles會有故障保險，比如不回答進入災(zāi)難標(biāo)準(zhǔn)列表的問題。Telegram bots（在大多數(shù)ICO項目中都有）通常屬于這一類，因為用戶可以通過請求機器人關(guān)于與該項目相關(guān)的主題的信息來與特定的組進行交互。

2.Genies：命令執(zhí)行系統(tǒng)（讀寫）

Genies是工具助手的第二層，因為它們擁有一定程度的用戶感知智能。通常，這個助手會在一個基于用戶邏輯的系統(tǒng)上執(zhí)行操作——這可以通過自然語言（再一次，看看Telegram bot）。在大多數(shù)情況下，用戶通過指令（命令）或問題/答案與Genies交流，系統(tǒng)將根據(jù)用戶期望的結(jié)果執(zhí)行操作?？梢詣?chuàng)建故障安全機制，以防止代理促進不好的結(jié)果，盡管這個系統(tǒng)很容易出現(xiàn)人為錯誤，通常情況下，它比Oracles要開放得多。

3. Sovereigns：開放式自主經(jīng)營（有已知目標(biāo)或未知目標(biāo)）

Sovereigns通?？梢耘c自然語言技術(shù)相聯(lián)系，因為這些開放式的系統(tǒng)是在有限的指令下創(chuàng)建的，以實現(xiàn)特定的目標(biāo)。人工智能應(yīng)該學(xué)習(xí)使用模型，如蒙特卡洛（隨機游動），并通過嘗試和錯誤找到最有效的路徑。

4.人工智能工具：一種不用于展示目標(biāo)導(dǎo)向行為的系統(tǒng)

工具表示開放的搜索過程。創(chuàng)建一個支持AI的工具將意味著它的行為將是機械的，而不是基于基因的喜好，這可能是一個問題，因為打開的搜索框可能會產(chǎn)生意想不到的結(jié)果。工具允許用戶定義參數(shù)和上下文，它們通常與IBM Watson或谷歌Big Query之類的業(yè)務(wù)應(yīng)用程序相關(guān)聯(lián)。

你能想象在幾年后，當(dāng)人工智能完全開發(fā)出易于使用的界面時，我們能做些什么嗎？巨大的強大用戶將擁有超過數(shù)據(jù)分析，如預(yù)測行為和預(yù)防性監(jiān)測將是精美的。錯誤越少，性能越好。

數(shù)據(jù)可視化的重要性

既然您已經(jīng)了解了神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識及其用途，以及幫助用戶與機器（物聯(lián)網(wǎng)設(shè)備、網(wǎng)站、平臺、協(xié)議等）交互的各種助手，那么您能試著猜測一下缺失的部分嗎？

如果您考慮過數(shù)據(jù)可視化，那么您完全正確。

用戶和人工智能之間的最終邊界是如何表達數(shù)據(jù);通過添加圖形、信息圖形、圖像和圖表等可視化工具，人們可以更容易地記住信息。這就是為什么新的人工智能可視化工具能夠與機器人和NLP系統(tǒng)一起實現(xiàn)的原因。這是在機器和人之間傳遞信息的最快和最有效的方式。

區(qū)塊鏈、DappRadar、Ethplorer和Coin360等平臺在創(chuàng)建數(shù)據(jù)可視化方面做得非常出色，我們可以使用這些數(shù)據(jù)可視化來更好地了解數(shù)字貨幣市場;然而，我覺得需要更多的選擇。如果能夠教Oracles或Sovereigns與數(shù)據(jù)可視化交互，那么向所有數(shù)字貨幣用戶傳授復(fù)雜信息就會更容易。

已經(jīng)有很多有趣的區(qū)塊鏈項目有很多不同的用例了;下面的列表是我個人感興趣的AI項目。當(dāng)然，還有很多數(shù)字貨幣項目，其中很多我可能還不知道。