人工智能在�[db:标签]去[db:标签]��五六年里复活了。我使用“复活”这个词的原因是，当人工智能被认为迫在眉睫时，我们曾经有过这样一个时代。1950年，艾伦·图灵设计了以他自己在1950年的名字命名的图灵测试(Turing Test)，并让主流关注机器能够思考的可能性。1956年的达特茅斯研讨会是一个里程碑事件，标志着人工智能的诞生。约翰·麦卡锡当时提出了“人工智能”一词，代表了控制论、神经网络和符号推理研究的蓬勃发展。

20世纪60年代和70年代，自然语言处理、机器推理和机器视觉取得了重大进展。随着20世纪80年代日本所谓的第五代计算机程序的出现，随着反向传播的发明，在专家系统、基于案例的推理和连接主义神经网络的恢复领域取得了重大进展。机器学习在20世纪90年代获得势头，从早期的符号方法转向概率和统计的使用。最近，在早期和成熟初创企业的巨额投资之间；媒体预示了机器人杀手的未来。包括IBM、微软和谷歌；除了公众对Siri和Alexa的迷恋，人工智能似乎终于到来了。但它会就此停止吗？是机器学习还是人工智能？我们今天谈论的人工智能主要源于机器学习在海量数据中的应用。确切地说，正是所谓“深度”学习技术的应用，导致了语音搜索和语音激活助手(如Siri)的兴起，癌症诊断和治疗等领域的医学创新，AWS RekOGnition等人脸识别，以及图像和视频分析和识别、机器翻译(包括Bing翻译工具、语音识别工具)等更广泛领域的出现，以及所谓的自动驾驶汽车的出现。技术上，我们应该称之为深度学习的恢复，而不是人工智能的恢复。深度学习的历史可以追溯到1943年，当时人们在理解人脑神经网络的基础上创建了皮茨-麦卡洛克计算机模型。“深度学习”一词是在20世纪80年代末创造的。然而，深入学习的影响直到本世纪第一个十年才真正开始。始于2012年的所谓“深度学习革命”让计算机行业彻底崩溃。2019年3月，Yoshua Bengio、Geoffrey Hinton和yannlekun)因其突破性研究获得图灵奖，这使得深入学习成为主流。简而言之，深度学习是一种机器学习技术，它教计算机做对人类来说是自然的事情，比如从例子中学习。通过深入学习，计算机模型可以直接从图像、文本或声音中学习来执行分类任务。深度学习模型通过使用一大组标记数据和神经网络体系结构(有监督和无监督)来训练，该体系结构包括用于模拟人类神经元行为的多层软件。机器学习的致命弱点今天，为了训练一个深度(机器)学习模型，虽然这两种技术今天是有效的，但这两种技术最终将成为人工智能的祸害。首先，传统的学习方法要求培训数据集中在一个系统(或供应商数据中心)中。谷歌、亚马逊、微软、苹果和脸书等公司已经收集了大量用户数据，并将其存储在各自的系统中。然后，以一次性或连续的方式，他们运行自己的算法来挖掘和构建最终的深度学习模型。读者很容易发现这种方法侵犯了隐私。没有用户许可，这些系统通常使用敏感的私有数据来构建它们的人工智能应用程序。其次，同样有问题的是，集中方法通常取决于供应商，即供应商的选择算法、其实现机制(语言、库、工具)、首选硬件(内部、外部、对芯片制造商的依赖等)。)，其数据中心架构、人员(可能会受到危害、贿赂等。)，以及选择哪些工具来显示训练算法的结果。在计算机科学术语中，单个供应商的实现受制于所谓的拜占庭容错问题。这两种技术中的任何一种都对当今人工智能应用的寿命构成了致命的挑战。然而，它们加起来就是人工智能的致命弱点。如果这个行业不解决这些问题，今天的人工智能复苏势必再次停滞。区块链机器学习区块链平台在分散应用和系统的设计和开发方面取得了惊人的进展，并已应用于从加密货币到企业供应链的各个领域。更重要的是，由于区块链固有的偏心，区块链有两种能力。首先，区块链为用户提供了控制其数据的能力，并决定何时、何地、向谁以及持续多长时间，也就是说，区块链是一个本质上自动利用用户私人数据的系统的反面论据。此外，通过测试 尽管有各种一致算法，但它们在分布式节点(或系统)之间达成一致时都具有相似的特征。特别是，一个叫做拜占庭共识的变体解决了前面提到的拜占庭容错问题。区块链可以开发不依赖单一供应商的人工智能应用程序，并且存在所有风险和错误。总之，这两个关键功能可能会使今天的机器学习解决它们的致命弱点，并使人工智能应用程序既不侵犯隐私，也不容易受到单一供应商拜占庭式失败的影响。下一步是什么？区块链机器学习为主流人工智能开辟了一种新的破坏性方法，同时保护用户隐私并确保供应商中立的应用程序以降低风险。消费者及其设备在其一生中会产生大量数据。这些数据包含关于用户及其行为的有价值的信息:他们经常去的餐馆，他们访问的网站，他们喜欢去的地方，他们使用的社交媒体应用程序，他们观看的视频，等等。这些数据已经成为个性化服务(例如ala Siri)的基石，这些服务建立了有效的深度学习模型，以最大限度地提高用户体验。区块链提供了一个独特的选择，在不侵犯用户隐私的情况下构建这样的个性化模型。至关重要的是，广大行业应将用户隐私置于商业利益之上，并利用区块链函数建立机器学习模型，使其人工智能应用成为可能。人脸识别和其他应用正在被广泛使用(包括政府机构)；机器学习模型绑定到单个供应商的一系列问题导致的误报和漏报风险太严重，不能继续忽略。例如，波音和空客飞机上的航空电子系统几十年来一直在设计拜占庭容错技术。当移民部门和边境巡逻队使用AWS Rekognition等工具时，行业和监管政策机构必须重新考虑当今人工智能应用的原始性质(例如在航空电子系统中)。我们必须摆脱单一供应商的实现及其相关风险，转向使用计算资源(算法、语言、硬件等)的去集中化深度学习实现。)跨越多个供应商。未来是分散的，人工智能也不例外。否则，这将是又一个人工智能的冬天。

资料来源:互联网区块链知识