面向区块链的人工智能实用指南（一）

原文：zh.annas-archive.org/md5/58940cca7d2940f332e72159433da08b

译者：飞龙

协议：CC BY-NC-SA 4.0

序言

在过去的十年中，区块链及其相关技术已被用于增加透明度并去除涉及到关键流程中不必要的中间方。类似地，人工智能已被采用来优化过程并以准确且廉价的方式预测结果。人工智能和区块链的结合正在加速企业创新的步伐。预计这两种技术的融合将彻底改变我们今天所知的数字领域的某些方面。本书旨在帮助您理解区块链和人工智能的基本概念，分析它们的用例，并在诸如医疗保健、金融、贸易和供应链管理等各个行业中实施这些技术。本书还指导您使用以太坊、机器学习和 MóiBit 构建应用。

本书适用对象

本书适用于区块链和人工智能架构师、开发人员、数据科学家、数据工程师和传道者，他们希望将人工智能的力量引入区块链应用中。如果您想要理解如何在区块链解决方案中实现智能认知洞察的理论和实践用例的完美融合，那么本书正是您所需！需要对涉及到的机器学习和区块链概念有一定的了解。

本书内容

第一章，区块链入门，帮助您了解区块链的基础知识及各种形式和实现之间的对比。如果您已经熟悉区块链及其应用的基础知识，可以跳过本章，开始阅读第二章，AI 景观简介。

第二章，AI 景观简介，顾名思义，向您介绍了人工智能的基础知识和历史，并对其一些基本形式和实现进行了对比。如果您已经熟悉人工智能及其应用的基础知识，可以直接跳转至第四章，AI- and Blockchain-Driven Databases。

第三章，AI 和区块链的特定领域应用*,*，涵盖了一些知名的区块链和人工智能应用。

第四章，AI- and Blockchain-Driven Databases，是学习如何将区块链与人工智能相连接的关键。我们将介绍并对比传统数据管理工具和去中心化数据库，以及文件系统。

第五章，利用人工智能增强区块链，涵盖了一些专属应用，这些应用同时使用人工智能和区块链来解决一些现实世界的挑战。

第六章，加密货币与人工智能，探讨了人工智能在加密货币交易中的一些应用。

第七章，DIApp 的开发生命周期，向您介绍了 DIApp 设计模式，并概述了涉及的**软件开发生命周期（SDLC）**流程。

第八章，实现 DIApp，演示了如何构建一个实时应用程序，利用区块链、人工智能和去中心化数据库来解决真实世界的挑战。

第九章，区块链与人工智能的未来，通过建议新的用例分析和应用书中的学习内容来结束本书，以构建您自己的 DIApp。

为了充分利用本书

虽然我们不指望您对区块链和人工智能的基础知识有透彻的了解，但熟悉这些技术会很有帮助。此外，本书的学习目标之一是了解如何构建一个结合了区块链和人工智能优势的 DIApp。如果您有兴趣学习如何构建 DIApp，应该熟悉 Solidity 智能合约、机器学习和 Python 的基础知识。

书中涵盖的软件/硬件	操作系统要求

| 开发一款可以帮助追踪动物和物体 COVID-19 感染情况的 DIApp 需要以下工具：

• Python 3.7

• Node.js 12

• Firefox 或基于 Chromium 的浏览器并具有互联网访问权限

|

• macOS Mojave 或更高版本

• Ubuntu 18.04 LTS 或更高版本

|

如果您正在使用本书的数字版本，我们建议您自己输入代码或通过 GitHub 存储库访问代码（链接在下一节中提供）。这样做可以帮助您避免与复制粘贴代码相关的潜在错误。

下载示例代码文件

您可以从您在www.packt.com的账户中下载本书的示例代码文件。如果您在其他地方购买了本书，您可以访问www.packtpub.com/support并注册，将文件直接发送到您的邮箱。

您可以按照以下步骤下载代码文件：

1. 在www.packt.com上登录或注册。

2. 选择支持选项卡。

3. 单击“代码下载”。

4. 在搜索框中输入书名并按照屏幕上的说明操作。

文件下载完成后，请确保使用以下最新版本的软件解压或提取文件夹：

• WinRAR/7-Zip for Windows

• Zipeg/iZip/UnRarX for Mac

• 7-Zip/PeaZip for Linux

本书的代码包也托管在 GitHub 上，网址是github.com/PacktPublishing/Hands-On-Artificial-Intelligence-for-Blockchain。如果代码有更新，将在现有的 GitHub 存储库中更新。

我们还有其他代码包来自我们丰富的书籍和视频目录，可在github.com/PacktPublishing/获取。请查看！

下载彩色图片

我们还提供了一个 PDF 文件，其中包含本书中使用的截图/图表的彩色图像。您可以在此处下载：static.packt-cdn.com/downloads/9781838822293_ColorImages.pdf。

使用的约定

本书中使用了许多文本约定。

CodeInText：表示文本中的代码词、数据库表名、文件夹名、文件名、文件扩展名、路径名、虚拟网址、用户输入和 Twitter 句柄。这是一个例子：“将下载的 WebStorm-10*.dmg 磁盘映像文件挂载为系统中的另一个磁盘。”

代码块设置如下：

modifier onlyBy(*address* _account) {
       require(
           *msg*.sender == _account,
           "Sender not authorized to update this mapping!"
       );
       _; // The "_;"! will be replaced by the actual function body when the modifier is used.
   }

任何命令行输入或输出都写成如下形式：

just run-server

粗体：表示新术语、重要词或屏幕上看到的词。例如，菜单中或对话框中的词在文本中显示如下。这是一个例子：“创建区块的规则和区块的接受由称为 PoW 或 权益证明（PoS）的共识算法指定。”

警告或重要说明如下所示。

提示和技巧如下所示。

第一部分：区块链技术概述

在这一部分，我们将介绍区块链和人工智能的基本概念，并比较它们的各种形式和实现。

本节包括以下章节：

• 第一章，区块链入门

• 第二章，人工智能景观简介

第一章：入门区块链

“每天一块链，中心化远离我们！”

区块链和人工智能等新兴技术已经达到了可见性、接受度以及一些学术界和行业专家的猜测的顶峰。这两种新兴技术的共同目标是减少运营效率低下，并增加透明度，因此现在它们的需求非常高。从颠覆性的初创公司到大型企业，每个人都在竞相追逐成为基于区块链和人工智能的解决方案领导者的机会。本书旨在为您准备好迎接这两种技术的融合的下一个飞跃，并指导您在技术上能够构建这些解决方案。

本章简要介绍了当前区块链领域的概况。本章涵盖的主要主题如下：

• 区块链与分布式账本技术与分布式数据库

• 公共区块链与私有区块链与许可区块链

• 区块链隐私

• 了解比特币

• 以太坊介绍

• 超级账本介绍

• 其他区块链平台 – 哈希图、Corda 和 IOTA

• 共识算法

• 使用区块链工具构建 DApps

技术要求

本章假设您对区块链及其对传统交易系统的影响有基本的了解。

区块链与分布式账本技术与分布式数据库

关于如何区分区块链、**分布式账本技术（DLT）**和分布式数据库，已经进行了几场辩论。根据一些用户和应用级别的特性和启发，我们可以观察到以下差异：

特性	区块链	分布式账本技术	分布式数据库
不变性	存储在区块链中的信息无法在没有新标识符指向目标数据的情况下移除或更新。	尽管大多数分布式账本技术都倾向于支持不变性，但也有一些例外，不变性并非设计约束。	由于设计限制，大多数分布式数据库并不是不可变的。
逻辑执行	智能合约可用于对来自区块链的数据执行业务逻辑。	分布式账本技术提供对其中的数据以及用户输入进行逻辑执行的功能。	用户定义的函数和存储过程是常用的方法。
可访问性	公开区块链中的数据以交易或区块中的账户状态的形式存储，并通过中间件可见和访问。	在分布式账本技术中，数据是私有的，并且在某些情况下可能被加密在账本条目中。数据只能由参与者访问。	数据在分布在全球的分布式数据集群中持久存在，以便使用传统的客户端-服务器技术进行更快速的访问。
可验证性	所有交易在更改账户状态之前都经过验证。	大多数 DLT 不提供验证算法或模块，这是一种设计限制，适用于应用程序。	数据的可验证性不被提供，因为账户状态不是以特定结构持久化的。
激励	大多数区块链使用多种经济模型来激励他们的利益相关者。	DLT 组中的利益相关者托管节点，并自我激励地更加自信地运营他们的业务。	该公司管理数据以实现可持续性，因此不会观察到额外的激励。

现在让我们将这些技术与以下部分讨论的一个示例用例进行比较。

通过示例比较技术

以下场景供您理解前面三种实现之间的核心差异。

想象一下，您计划为库存摄影创建一个新的数字平台。如果您想邀请全世界的摄影师使用该平台，并允许他们上传作品，并通过消费者自动支付版税来激励他们，您将使用区块链来提供公共访问和激励，并将版税直接从消费者转移到摄影师，从而消除了第三方执行责任支付收费的需求，但需要支付服务费。

但是，如果您希望您的平台形成一个摄影师的私人联盟，他们的艺术作品专门提供给有限的观众，并与其他方式一起处理版税，您将使用 DLT。

最后，如果您打算利用您的平台展示一组全球可访问的合格摄影师的艺术作品，无论是否有版税（这是线下处理的），您都会形成一个托管这些数据和处理访问和支付逻辑的节点集群。因此，您将使用分布式数据库。

现在让我们进一步讨论不同用例的可用区块链类型。

公共区块链与私有区块链与许可区块链的比较

公共区块链的设计和开发重点是确保任意数量的利益相关方可以执行业务逻辑并访问交易信息。同样，任何感兴趣的方也可以验证和验证发送到网络的交易，并因此获得奖励。

私有区块链的实施旨在确保对业务信息的访问受到限制，并且仅对有限的参与者利益相关者可访问。

许可区块链是公共区块链和私有区块链所提供的混合实现。如果数据需要被特定的利益相关者访问，则实施许可区块链。这是通过利用私有网络和交易用户数据的加密来实现的，该数据也存储在可能包含与财团其他利益相关者相关的交易的区块中。

比较使用场景

下表显示了三种类型的区块链在各种场景中的使用方式。它们是：

属性与变体	公共区块链	私有区块链	许可区块链
网络屏障	访问网络不受限制。公共区块链中的详细信息对所有用户都是广泛可访问的。	访问网络受限于 IP 或 DNS。只有少数拥有合适凭据的人可以加入网络。	访问网络仅限于经过验证的参与者。只有选定的人可以加入网络，并具有有限的读取、写入或两者权限。
限制	用户可以执行许多不同的操作，如开发智能合约并使用它，作为验证者托管节点等。	实际上，在私有区块链中，成员只有两个常见角色——作为验证者的托管节点和 DApps 用户。	基于成员的角色，用户可以部署 DApps、使用 DApps、验证交易或同时执行这三种操作。
加密	区块中几乎所有用户数据都未加密，因为一般目标是向公众提供信息。	如果参与利益相关者之间存在信任因素，则可能不使用加密。	加密被广泛使用，因为它涉及网络中的各方利益相关者，可能存在利益冲突。

在接下来的部分，我们将进一步了解区块链中的隐私选项。

区块链中的隐私

区块链增加了诸如信息透明度和信息溯源之类的新价值。然而，许多人错误地认为所有交易都可以在区块链上公开查看。然而，事实上，并不是所有区块链都必然促进具有公开可视性的交易：

• 动机： 区块链上的几个应用不仅仅是为企业用例而构建的。现在，许多区块链应用都针对大众用户群体。近年来，互联网已成为各种保护用户隐私方法的试验平台。与互联网当前状态的任何其他趋势或改进不同，大多数区块链项目旨在通过利用匿名的加密钱包向用户提供隐私优先的操作模式，而不会透露发送方和接收方的身份。一些隐私优先的区块链示例包括 Monero、Quorum 和 Zcash。

• 方法： 正如我们已经了解的那样，公共区块链在隐私方面存在设计限制。由于全球访问用户数据是公共区块链的突出目标之一，我们在其中看到的密码学应用很少。然而，像 Zcash、Monero 等新兴区块链旨在为用户提供自己的加密货币的不可追踪、安全和抗分析的交易环境。这是通过利用零知识证明机制实现的，该机制防止了相同加密货币的双重花费，但同时保留了区块链的基本价值。

另一方面，私有和许可区块链将保护参与者隐私视为高优先级。一个众所周知的私有实现是 JP 摩根大通开发的 Quorum 区块链。Quorum 提供了交易级别的隐私，同时利用名为 Constellation 的隐私引擎提供了所有参与者的网络级透明度。Constellation 使用与交易相关用户的公钥/私钥对生成的特殊密钥对交易有效载荷进行加密。它还促进了在现有网络内部部署和运行私有智能合约。

现在让我们来探索比特币，这是最早的加密货币，市值最大。

理解比特币

比特币是一个基于点对点网络的虚拟货币，用户和验证者分布在网络中。借助比特币区块链网络，用户可以以真正分散的方式转移加密货币，而无需中央银行、清算机构或中介。用户之间比特币的转移以交易的形式记录，稍后经过验证、挖矿，并添加到区块链的规范链中。

比特币被认为是由一个使用化名 Satoshi Nakamoto 的团队创建的，其大部分特性和功能都是基于现有的加密哈希、点对点网络通信和不可变数据结构的技术。

在下图中，我们说明了比特币挖矿在单个节点以及池环境中的工作原理：

图 1.1：比特币区块链网络中的两种挖矿类型

您可以通过访问 git.io/JJZzN 和 git.io/JJZzx 查看详细信息。

比特币简要概述

本节提供了比特币加密货币的历史背景，以及市场专家对其当前状态以及技术和架构限制的事实信息。

我们现在将快速了解一些进一步章节所需的必要细节：

• 动机：这种加密货币的核心动机之一是，中央银行发布的货币可能不受真实抵押物的支持，因此不能信任。这导致采用了自由市场的方法来生产、分配和管理货币，对于每个产生的比特币都需要工作证明，从而消除了中央银行和其他中介的需求。

• 事实：虚拟货币于 2009 年开放源代码，最大供应量为 2100 万比特币。迄今为止，已经开采了约 1830 万比特币，并至少有三个分叉。

以下是知名的比特币分叉：

• 比特币现金（采用较大的区块大小）

• 比特币黄金（保留基于 GPU 的工作证明（PoW）挖矿而不是 ASIC）和比特币可调区块大小上限（ABC），区块大小为 32 MB）。

• 比特币中本聪的愿景（SV）采用了 128 MB 的增大区块大小

  在撰写本书时，每个比特币的价值约为 6,806.00 美元。比特币区块链网络通过向转移比特币的用户收取小费，来激励验证矿工，并按照 PoW 算法将其授予获胜的区块制造者。

• 批评：据称，这种加密货币被指控是非法交易的主要选择之一。此类使用的主要打击之一来自知名的暗网上的在线黑市丝绸之路。FBI 在 2013 年底关闭了该网站。

有关区块链的基本知识，现在让我们学习一下以太坊。

介绍以太坊

以太坊是一种公共区块链，于 2013 年由 Vitalik Buterin 设计，旨在增强现有比特币区块链，包括使用一种特殊用途的编程语言和称为以太坊虚拟机（EVM）的虚拟机进行基于交易的状态管理和业务逻辑脚本编写。

下图概述了以太坊区块创建的基础知识：

图 1.2：以太坊的区块创建

在下一节中，我们将简要介绍一下以太坊。

以太坊简要概述

本节提供了有关以太坊加密货币的历史背景，以及市场专家对其当前状态以及技术和架构限制的实际信息：

• 动机：以太坊的主要动机是支持在强大的区块链媒介上构建去中心化应用程序。未能说服比特币社区需要脚本语言，Vitalik 和一群志同道合的人创建了以太坊。

• 事实：该项目于 2015 年 7 月 30 日开源，初始版本发布。以太坊网络的研究和开发升级由以太坊基金会管理，该基金会的财政支持来自 2014 年 7 月至 8 月的以太币（ETH）代币的初始众筹。到目前为止，已铸造了约 1.05 亿个 ETH。以太坊有一个主要的分叉称为以太坊经典（原始的以太坊区块链，否定了 DAO 硬分叉，并保留了以太坊网络的原始未更改状态）。撰写本书时，每个 ETH 的价值约为 156.00 美元。以太坊区块链网络还通过向在 DApps 上进行交易或转移 ETH 的用户收取小费来激励验证节点，该费用将授予获胜的区块生成者。创建区块和接受区块的规则由称为 PoW 或 权益证明（PoS）的共识算法指定。我们将在本章的后续部分更详细地探讨 PoW 和 PoS。

• 批评：以太坊社区因团队做出的硬分叉决定而面临一些最早期的批评，这与一些区块链的意识形态和价值观相矛盾，如不可变性和免受人类政治动态的影响。随后，由于据称 ICO（首次代币发行）提供了没有稳定产品或服务的庞氏骗局，网络受到监管机构的批评和严格审查。

硬分叉被定义为对协议进行的重大更改，从而使一些先前的区块及其交易无效。

在对以太坊有了基本了解之后，让我们继续了解 Hyperledger 平台。

Hyperledger 简介

Hyperledger 是一个由 Linux 基金会与金融、银行、供应链、制造业等各行业领导者合作的开源项目，旨在创建标准的区块链技术。现在我们将更深入地了解 Hyperledger 及其旗下的一些项目。

项目概述

Linux 基金会于 2016 年 2 月 9 日宣布了 Hyperledger 项目，最初有 30 家创始企业成员，包括 Accenture、IBM、DTCC、Intel 和 R3 等。截至目前，全球 Hyperledger 治理委员会由 21 名委员和约 200 家企业成员组成。该项目托管了数十个区块链框架和工具的代码存储库。以下部分介绍了一些重要的例子。

Hyperledger Fabric

Hyperledger Fabric是最初由 IBM 和数字资产成员开发的区块链框架。Fabric 是一个旨在为开发人员提供模块化架构的 DLT，以便开发人员只使用必要的部分。该框架支持抽象为名为chaincode的容器的逻辑执行。使用 Fabric 可以轻松启用，因为可用于部署业务网络的大量文档，教程和工具。

Hyperledger Sawtooth

Hyperledger Sawtooth是一个区块链框架，为企业提供了网络中节点的安全领导选举，并提供了执行指令的特殊模式。Sawtooth 为大多数语言提供了强大的、开发者友好的软件开发工具包（SDK），用于编写和部署智能合约。值得注意的是，Sawtooth 是早期实验使用WebAssembly（WASM）作为智能合约执行的虚拟介质的生产项目之一。

其他 Hyperledger 框架和工具

Hyperledger 伞下孵化的其他一些值得注意的项目如下：

• Hyperledger Indy：一个区块链平台，专门处理内部或外部系统中的分散式身份

• Hyperledger Grid：一个基于 WASM 的项目，用于构建供应链解决方案

• Hyperledger Quilt：一个连接不同协议的区块链领域的区块链工具，使用Interledger Protocol（ILP）规范

• Hyperledger Caliper：一种区块链基准测试工具，用于评估特定区块链的性能和特定参数，如每秒交易（TPS），交易延迟，资源利用率等

有了对 Hyperledger 的基本了解，现在让我们探索开发人员可用的其他区块链平台。

其他区块链平台-Hashgraph，Corda 和 IOTA

Hashgraph是具有优越共识机制的 DLT，利用有向无环图（DAGs）。值得注意的是，该项目的实现并不是完全开源的。该算法由 Leemon Baird 设计和发布，并于 2017 年首次发布。

Corda是由金融服务联盟 R3 维护的开源 DLT。Corda 提供了一个智能合约平台，允许企业执行复杂协议，涉及多种资产类别跨不同业务领域，包括供应链、医疗保健和金融。

IOTA是一个开源 DLT，为物联网设备之间的支付自动化和安全通信提供支持。该项目由非营利性组织 IOTA 基金会维护。作为一种有前途的 ICO 之一，该项目提供了令人印象深刻的钱包、传感器数据的数据市场以及用于更快交易结算的支付通道，使用了一种名为Tangle的新特殊数据结构，消除了矿工和传统区块链中的交易数据的规范表示的需要。

有了对区块链平台的基本了解，现在让我们转而查看典型区块链网络的内部组件。

共识算法

人类社会依赖的法律在涉及计算机时要难以执行得多。共识算法 是编程在网络中的计算机上的特定指令，以便它们对对象和指令有一个共同的定义，并就变更达成一致意见。计算机中的崩溃、失败和拜占庭错误导致了在数字网络中形成协议的更好方法，因此共识算法在互联网的曙光之前就已崭露头角。这个概念得以重新审视，要归功于区块链领域的新飞跃。

接下来的部分将介绍区块链使用的一些重要共识算法。

工作量证明

工作量证明 (PoW) 是比特币的匿名创始人——中本聪引入的一种共识算法。 PoW 共识算法是区块链环境中最早使用的共识算法之一。它利用了加密学、P2P 网络通信和 Merkle 数据结构的组合，在比特币区块链中提供了分布式、不可变和累积的账户状态。第一个节点计算的解决方案由其余节点验证，并且区块生成者在网络中广播：

• 优点：PoW 算法在比特币区块链网络中经受了时间的考验，网络中的账户状态没有发生任何一次黑客攻击/妥协，从而导致双重花费。

• 缺点：由于 PoW 算法需要找到一个数学问题的解决方案，因此需要大量的 CPU 循环来生成哈希，因此这是一种能源密集型的技术。

权益证明

权益证明 (PoS) 是一种旨在解决 PoW 算法的一些权衡的新型共识算法，其设计和开发旨在通过应用涉及一些决定性因素的数学函数来确定区块生成节点，例如权益（例如，ETH）、节点的年龄以及符合条件的节点候选人的随机化：

• 优点：PoS 算法具有节能高效的特点，因为它需要较少的计算要求，并且不是基于解决方案验证模型选择区块生成节点。

• 缺点：虽然 PoS 算法在其区块时间方面是高效的，并且环保，但人们对该算法的批评主要涉及到该算法对节点所有者网络的资本主义攻击的脆弱性，以及试图通过押注大量加密货币来与其他候选人竞争，其数量远远超过其他所有候选人。

燃烧证明

燃烧证明（PoB）是一种共识算法，采用有趣的方法解决区块链中的加密货币从一种版本过渡到另一种版本的问题。通过 PoB 算法，旧的加密货币（或其先前版本）被销毁，以减少其供应量，并逐渐增加新加密货币（或其后续版本）的供应量。这种共识算法有多种形式，包括一种方法，用户可以将旧的加密货币转移到一个不可花费的钱包地址，以换取新的加密货币：

• 优点：如果系统信任参与实体，PoB 算法便在加密货币过渡和网络升级期间很方便。

• 缺点：PoB 算法通常适用于基于 PoW 的区块链，因此有适用性的限制。这是由于需要可验证的证据以及能够随时间衰减销毁的硬币，这是通过 PoW 算法自然能够实现的。

委托权益证明

委托权益证明（dPOS）是由 Block.one EOS 平台开发和使用的共识算法。根据 dPOS，代币持有者有权提名验证者（也称为区块生产者）。区块生产者的选择是一个持续的过程，并承担将用户交易打包成具有拜占庭容错安全性的区块的责任：

• 优点：dPOS 是拜占庭容错（BFT）准备就绪，在公共网络环境中容易扩展。

• 缺点：虽然 dPOS 高效，但容易受到资本主义的努力，以超越其他小股东的努力。

权威证明

如其名，权威证明（PoA）算法通过几个合格的可验证节点促进分布式共识，这些节点有权将交易添加到区块中，如果满足某些标准的话。PoA 算法有许多变种，在公共、私有和许可的区块链中使用验证节点的声誉或不使用验证节点的声誉：

• 优点：PoA 算法是节能高效的，不容易受到资本主义的陷阱，因为验证节点有权根据自己的声誉向区块中添加交易。如果观察到节点功能失常，其声誉将受到严重影响，无法继续作为验证者。

• 缺点：PoA 算法在一定程度上是中心化的，因为添加或拒绝交易的权力掌握在网络中很少的几个节点手中。

实用的拜占庭容错

实用的拜占庭容错（PBFT）是学术研究中介绍的复制算法之一。这个算法由 Miguel Castro 和 Barbara Liskov 在 1999 年拟定(pmg.csail.mit.edu/papers/osdi99.pdf)，它的主要目的是解决网络节点中由任意点故障引起的拜占庭故障。

值得注意的是，PBFT 算法是 Hyperledger Fabric 区块链框架使用的：

• 优点：PBFT 算法高效，交易处理快速，并在私人网络中可扩展到数百个节点。

• 缺点：该算法基于门卫技术，因此因其集中化方法而受到批评。 PBFT 不适用于公共区块链。

经过时间的证明

经过时间证明（PoET）是 Hyperledger Sawtooth 区块链框架开发和使用的一种共识算法。 PoET 算法确保了在大多数具有安全虚拟环境的高级处理器中可用的特殊 CPU 指令涉及验证节点领导权和随机性的安全性：

• 优点：PoET 允许任何具有合格硬件的人参与作为验证节点，从而允许合法验证领导选举的方式。

• 缺点：尽管 PoET 不涉及押注加密货币来形成一个验证节点，但负担得起专用硬件的成本并不便宜。 因此，有人批评这是进入网络的不公平门槛。

RAFT

RAFT 是由 Diego Ongaro 和 John Ousterhout 设计和开发的共识算法，其主要动机是提出一个比 Paxos 更易于理解的分布式共识算法。 值得注意的是，RAFT 确保安全的领导选举，在分布式方式下附加日志条目和状态机一致性。 RAFT 共识在 Quorum 区块链中实施，以继承前述的安全特性：

• 优点：RAFT 是处理复杂交易负载中最快的算法之一，并具有领导权和状态机一致性的安全性。

• 缺点：RAFT 仅适用于许可或私人区块链。

三元增强 RAFT 架构

三元增强 RAFT 架构（TARA）是专为大规模拜占庭分布式网络设计的一种共识算法。 它是 RAFT 共识算法的增强版本，通过利用 PBFT 加强和加密消息交换来处理其资产类别可识别的异构交易。 TARA 引入动态层次结构到网络，以确保其权力不集中在少数节点之间：

• 优点：TARA 提供服务集群，以确保高可用性、吞吐量和规模。 它具有各种形式因子的硬件，能够计算和存储交易。 TARA 可应用于公共、私人和许可的区块链网络。

• 缺点：领导选举并不是固有地依赖于节点的声誉，从而允许对系统的潜在攻击。 必须明确实施这些约束。

雪崩

Avalanche 共识是分布式系统的一种协议，引入了无领导的拜占庭容错，使用一种亚稳机制在节点之间实现了相同级别的安全性和一致性。Avalanche 依赖于 Snowball 系列来形成 DAG，该系列存储用户的交易数据，而不是区块：

• 优点：Avalanche 保证了网络的活跃性，并且对网络中的竞态条件具有免疫力。

• 缺点：领导共识可能不适用于所有区块链环境，因为没有经过仔细分析的启发式方法来确保一致性。

通过对共识算法的详细分析，现在让我们来看看区块链开发人员可用的开发工具。

使用区块链工具构建 DApps

区块链主流采用的主要原因之一是开发人员主导的技术传播浪潮。这体现在开发人员可利用的框架和工具的形式。在接下来的部分中，我们将介绍为公众消费提供的各种工具和平台，用于构建基于区块链的软件解决方案。

区块链工具链和框架

以下列表介绍了几个在开发人员和相关解决方案社区中受欢迎的区块链工具链和框架：

• Truffle：Truffle 框架是 ConsenSys 开发的一个开源项目，提供了一个针对 EVM 的智能合约开发、测试和部署的流程。

• Embark：Embark 框架是 Status 开发的一个开源项目，为以太坊智能合约开发人员提供了一个调试和集成环境。值得注意的是，Embark 与 IPFS 更紧密地集成，用于合约数据的分散存储。

• Hyperledger Composer：这是 Linux 基金会的一个开源项目，提供工具来帮助开发人员将需求转化为概念验证，用于 DevOps 流程，根据需要启动新网络。

• MetaMask：这是一个中间件，将在浏览器中运行的应用程序与以太坊区块链连接起来。这是一个受到广泛支持和消费的开源倡议，所有以太坊开发人员都广泛使用。用户可以通过 MetaMask 在 Web 应用程序中执行交易。

• Ethers.js：这是一个基于 JavaScript 的库，完全按照以太坊钱包的规范实现。开发人员使用这个开源库创建用户钱包，执行交易等。这个库还因其最近对以太坊名称服务（ENS）的支持而广受关注。

• Nethereum：这是一个用于在.NET 环境中构建基于以太坊的区块链解决方案的开源库。Nethereum 为.NET 开发人员提供了一个称为 NuGet 的 SDK，该 SDK 集成到 Visual Studio 集成开发环境（IDE）中，用于在 Web 和移动应用程序中使用 web3 功能。

接下来，让我们研究使用 IDE 和插件开发智能合约。

使用 IDE 和插件开发智能合约

传统的软件开发人员更熟悉并且更喜欢在集成开发环境（IDE）中工作，而区块链充满活力的开发者社区已经考虑到了这一点。在接下来的部分中，我们将观察一些著名的基于 Web 的 IDE 和独立 IDE 可用的插件。

Remix IDE

Remix 一直是智能合约开发和部署的事实标准 IDE。这个开源 IDE 被对以太坊网络开发、调试和部署 solidity 智能合约感兴趣的开发者所使用。值得注意的是，这个 IDE 在私有网络上表现良好，并提供定期更新。

EthFiddle IDE

EthFiddle 是 Loom Network 推出的一个开源倡议，旨在方便在线代码实验，并提供与开发者之间更轻松合作的实验性 solidity 智能合约代码片段共享功能。

Eclipse 的 YAKINDU 插件

一些企业开发人员渴望为当前的 IDE 提供插件，而这个插件正好提供了这个功能。YAKINDU 提供了基本的语法高亮和其他常见的 solidity 智能合约开发语言功能，用于 Eclipse IDE 中的开发。

Visual Studio Code 的 Solidity 插件

这个插件可以安装在Visual Studio Code上，这是最常用的 IDE 之一。它自称是用于 solidity 智能合约开发的领先插件之一。

Visual Studio Code 的 Etheratom 插件

Etheratom 是 GitHub 的 Atom 编辑器上的一个插件，提供诸如语法高亮等 IDE 功能，包括将接口部署到本地以太坊节点的部署界面。它使用 web3.js 与本地以太坊节点进行交互。

摘要

区块链受到了很多关注，我们现在正在观察到一些激情通过形成成熟的实践、框架、工具和实际应用来实现。了解当前区块链的现状及其当前的提供帮助我们评估将新兴要求转化为产品的能力，减少市场摩擦。

在本章中，我们探讨了区块链的概念，现在我们可以自信地区分分布式账本技术（DLT）和分布式数据库之间的相似之处和不同之处。我们还观察了开放和私有区块链中不同类型的设计模式，并提供了实际示例。我们列举了多个区块链项目、加密货币实现、框架和工具。

在下一章中，我们将向您介绍人工智能的当代基础知识，我们将观察不同类型和形式的人工智能，以及更多人工智能的应用。

第二章：人工智能景观介绍

“AI 看到了看不见的东西，触及到了不可触及的地方。**”

人工智能（AI）是早在计算机出现在全球各地家庭和办公室的桌子上之前就已经演变的基本概念之一。如今，AI 被应用于各个领域，以优化流程并解决人类能力和触角无法提供可行解决方案的问题。在本章中，我们将简要探讨 AI 的历史、分类以及企业中 AI 的应用。

本章提供了人工智能领域的详细概述，涵盖了以下关键主题：

• AI - 关键概念

• AI 的类型

• AI 的形式和方法

• 数字化转型中的人工智能

• AI 平台和工具

技术要求

本章假设您对各种形式的 AI 的一些基本概念有所了解，并具有一些了解 AI 如何影响日常生活的知识。本章对初学者解释了基本概念，因此不需要强制性的技术知识。

AI - 关键概念

人工智能（AI）根据其技术的性质、用途以及研究时间线而有许多定义。然而，最常见的定义如下——AI 是计算机展现的智能和能力，能够感知、学习和解决问题，并且具有最小的失败概率。

人工智能比人类更短的时间内计算和达到结果的能力使得计算机成为各行业自动化的基石。人类的计算工作往往容易出错，耗时，随着问题难度的增加而准确度下降。然而，计算机长期以来一直能够填补这一角色，从自动化的早期开始，在我们日常生活中可以观察到许多被动形式的自动化。这种自动化的最佳例子之一就是光学字符识别（OCR），它将图像或文档中的嵌入文本转换为可以进行计算的文本源。配备 OCR 设备的计算机比人类更准确，重现内容的时间更短。同样，条形码扫描器使得零售店的结账时间更快。尽管早期系统本身并不完全智能，但它们仍然因其效率而受到认可。

尽管在早期缺乏 AI 的普遍标准，但我们将在下一节考虑研究人员在过去八十年中所做的主要努力。

AI 的历史

我们可以在艺术、文学和计算机科学中观察到形式各样的 AI 描述，如机器人、人造人或人形机器人，可以追溯到公元前 4 世纪的希腊神话。20 世纪初，AI 研究与发展取得了主流进展。术语 人工智能 是在 1956 年新罕布什尔州达特茅斯学院举办的夏季研讨会上创造的。这个研讨会被称为 达特茅斯人工智能夏季研究项目，由麻省理工学院（MIT）的数学教授之一约翰·麦卡锡教授组织。这个研讨会导致了 AI 在数学和计算机科学重叠学科中成为一个特殊领域的发展。

然而，值得注意的是，在达特茅斯研讨会之前的二十年，英国数学家阿兰·图灵于 1936 年提出了图灵机的概念，这是一种可以处理算法的计算模型。他后来在一篇名为 Computing Machinery and Intelligence 的论文中（www.csee.umbc.edu/courses/471/papers/turing.pdf）提出了区分机器智能响应与人类响应的概念。这个概念今天被广泛称为 图灵测试。

在下图中，我们可以看到图灵测试是如何进行的，以测试 AI 的响应是否能被另一个人类区分开来：

图 2.1：由一个询问者（C）执行的图灵测试，介于 AI（A）和人类（B）之间。

您可以在 en.wikipedia.org/wiki/Turing_test#/media/File:Turing_test_diagram.png 上详细查看 Juan Alberto Sánchez Margallo 提供的上图。以下是图表的许可证，creativecommons.org/licenses/by/2.5/。

在达特茅斯学院夏季研讨会后的将近十年时间里，第一个名为 ELIZA 的聊天机器人于 1966 年由 AI 研究人员 Joseph Weizenbaum 在 MIT 展示。这是最早尝试图灵测试的几个聊天机器人之一。在 ELIZA 发明之后，一系列新的专家系统和学习模式在接下来的两个世纪直到 20 世纪 80 年代逐渐演化。

在我们对 AI 及其历史有了基本了解之后，让我们在下一节考虑一些早期 AI 研究人员面临的障碍。

AI 冬季

AI 冬季是 IT 行业中许多人用来定义一个时期的术语，这一时期 AI 研究人员面临许多挑战，导致资金大幅削减，以及 AI 作为一个专业领域的减速。

在 20 世纪 70 年代早期，由于一些不合理的人工智能猜测和随后的批评，美国和英国政府突然中断了在人工智能领域的学术研究与发展。当时复杂的国际形势也促使许多人工智能研究项目完全停顿。

人们普遍观察到人工智能寒冬始于 20 世纪 70 年代早期，但在将近两个十年后结束，原因是由于研究失败、动机受挫以及政府机构之间达成共识，以及一些最初设定的基础目标在几项研究项目启动前的崩溃。

现在我们已经了解了一点关于人工智能的历史，接下来，在下一节中，我们将探讨不同类型的人工智能以及人工智能呈现的不同形式。

人工智能的类型

人工智能有几种形式，每种形式都旨在解决不同的问题。人工智能可以按照各种不同的标准进行分类和归类，包括用于设计人工智能和预期用途领域的理论方法。

努力分类的行为受到一些参数的直接影响，如在没有监督的情况下学习特定任务的能力，获取认知能力，以及执行类似人类推理的能力。基于这些和一系列复杂的期望，我们将研究三种基本类型的人工智能。

弱人工智能

也通常称为狭义 人工智能，弱人工智能可用于执行狭窄和重复的任务。弱人工智能功能基于预先存在的逻辑和数据的组合。用户输入是根据相同的逻辑进行处理，因此，弱人工智能缺乏自我意识和进取学习能力。一些突出的弱人工智能实现的例子包括语音助手、聊天机器人和语言专家系统。由于逻辑的狭窄实现，弱人工智能适用于用户输入和期望输出定义明确的情况。

聊天机器人接收用户的文本输入并处理输入数据，以识别所需的信息，将文本输入转换为某种形式的动作。聊天机器人通常应用于电子商务和支持领域，在这些领域中，人类干预并不总是必需的。在在线购物的情况下，聊天机器人的存在为用户提供了个人化的体验，并为用户提供了一种传统的与系统进行交流的方式，而不是传统的搜索。同样，在支持的情况下，应用聊天机器人可以降低为产品维护支持团队的人均成本。还要意识到，新一代用户更倾向于通过消息传达而不是传统电话通话。聊天机器人可以利用这种文化转变，同时减少支持过程中涉及的潜在摩擦。

强人工智能

通常也称为人工通用智能（AGI），强 AI 可以应用进取的学习能力来解决多变量范围内的问题。强 AI 能够感知到所面临的问题，并借助其认知能力得到帮助。由于其在削减现有流程中的运营成本以及探索未知领域中的应用潜力，强 AI 已成为研究的一个更为突出的领域之一。

由于强 AI 具有推理和做出最优判断的能力，强 AI 的应用可以在商业领域中观察到。专家系统、机器学习和深度学习技术是一些最著名的强 AI 表现形式。由于它们能够根据给定的数据点进行预测和推理，这些表现形式通常被企业广泛使用。

在各行业中应用强 AI 的其他一些示例包括计算机视觉（CV）、自然语言处理（NLP）、自然语言理解（NLU）和强化学习（RL）。

例如，NLP 可以用于根据用户的心情调整系统，并帮助系统与用户进行更有效的交流，与弱 AI 实现相比，更为高效。同样，强 AI 也可以用于更准确地进行语言翻译，从而提高不同语言之间的转换准确性。

超级 AI

超级 AI，或人工超级智能（ASI），是计算机超越人类思维意识的假设能力。许多专家推测，一旦达到奇点，AI 可能会达到这个阶段。普遍认为，超级 AI 最终将导致计算机对人类思维的技术支配。尽管超级 AI 尚不存在，但有少数机构和组织正在准备从 AGI 进化到超级 AI，专注于基因工程、人工数字神经元和量子计算。目前，超级 AI 的应用尚不清楚，因为很少有人能够理解奇点之后可能实现的成果。然而，预计一些原始的超级 AI 变体将有助于探索太空、创建新语言，并预测战争中的意外后果。

奇点是约翰·冯·诺依曼提出的一个假设情景，在这种情况下，AI 的认知能力超过了人类思维。因此，人们认为奇点可能导致一系列不同的结果，其中人类灭绝被认为是可能的结果之一。

在理论基础上，对弱 AI、强 AI 和超级 AI 的前述理解，现在让我们看看 AI 如何在各种形式中实际显现。

AI 的形式和方法

由于预期应用的性质和可用解决方案的技术的不同，AI 的实现以各种形式出现。因此，AI 以各种形式的代码出现，在不同领域的各种开发人员中用于各自的问题。

在以下的维恩图中，我们可以看到各种形式的 AI：

图 2.2：AI 形式之间的关系

在上图中，我提到了所有主要形式的 AI，分为三种主要表现形式。每种形式在下一节中都会有详细的解释，分解为专家系统、机器学习和神经网络。

现在，我们将通过简要介绍它们的背景和应用来探索这些主要的 AI 方法和形式。

统计和专家系统

统计系统是最原始的人工智能形式之一，可以追溯到 1960 年代末。顾名思义，统计方法使用大量数据来得出最理想的结果。然而，很快就意识到结果与现实世界的场景几乎无关，并且仅基于 AI 的理性决策能力产生输出。这些限制导致统计人工智能的衰落，为 1980 年代早期的专家系统铺平了道路。

专家系统是一种成熟的强人工智能形式，具有挖掘数据集并得出更与问题背景相关的答案的能力。这一飞跃得到了信息理论的支持，结合了硬件方面的新能力。尽管专家系统是在 1960 年代早期开发的，但直到 1980 年代由于个人计算机革命才变得负担得起。与统计人工智能使用的科学方法不同，专家系统利用语义和语言编程以高概率得出期望的输出。

专家系统的一个使用示例如下图所示：

图 2.3：专家系统的使用照片

您可以在以下链接中查看 Michael L. Umbricht 和 Carl R. Friend 拍摄的前一张照片：en.wikipedia.org/wiki/Expert_system#/media/File:Symbolics3640_Modified.JPG。以下是该照片的许可证：creativecommons.org/licenses/by-sa/3.0/。

虽然专家系统为早期人工智能的采用打开了大门，但是机器学习才真正满足了行业的需求。在接下来的部分中，我们将了解机器学习。

机器学习

机器学习是一种依赖于预先存在的数据集作为输入的 AI 形式，有时输出会有所变化，以在给定数据上应用数学模型产生类似人类思维的结果。该术语由 IBM 的 AI 研究先驱之一 Arthur Samuel 于 1959 年创造。如果特定的机器学习算法系统旨在基于给定的预测数据推断结果，那么它被称为预测分析，这在各种新兴的计算机应用领域中得到了应用。

尽管在机器学习之前存在着类似的 AI 形式，但人们认为自 20 世纪 90 年代初以来，大多数研究现在都已经在这个标签下进行了整合，也被称为机器学习的黄金时代。机器学习概念的最早应用包括 CV、电子邮件垃圾邮件过滤和运营优化。

近期观察到的机器学习算法有三种方法，我们将在接下来的章节中进行讨论。

监督学习

这种方法中的模型直接依赖于作为训练数据输入的数据集，同时也依赖于预期的输出。该模型在训练阶段使用输入数据本身，通过学习与几个输入范围相关联的输出结果，这些输出结果以标记样本的形式出现。这些样本被馈送到算法模型中，以便成功地实现预期的结果。通常，预期的结果是分类、回归或预测的形式。

无监督学习

在这种方法下，模型提供训练数据作为输入，但缺乏最终用户指定的任何预期输出。这种方法的预期结果是获得对数据中存在的未探索的合理共性的可见性。

强化学习

这是一种基于奖励的学习方法，通过以累积的方式奖励成功的代理来实现全面优化，采用了广泛的技术。

现在我们对机器学习有了基本的了解，让我们继续研究神经网络。

神经网络

人工神经网络（ANN），也称为深度学习，是一组合成神经元形成的电路，用于解决困难问题。这是一种专门的 AI 形式，采用激进的策略设计来实现预期目标。然而，与机器学习算法不同，人工神经网络中的启发式和执行模式不是线性的，因此这种 AI 可以在广泛的应用中找到，如自动驾驶、文本和面部模式识别、交易决策软件、数字艺术和药物配方。

下图是神经网络的一般表示，以及三个层之间的基本关系—输入、隐藏和输出：

图 2.4：典型神经网络的图形表示

您可以在commons.wikimedia.org/wiki/File:Colored_neural_network.svg查看上述图表的前一张图表，这是 Glosser.ca 绘制的。这是图表的许可证，creativecommons.org/licenses/by-sa/3.0/。

进化计算

AI 长期以来一直被视为生物技术未来的关键推动力。进化 AI，如遗传算法等形式，也是这一领域早期的研究领域之一。AI 在分析、模拟和预测我们体内突变行为方面发挥了帮助作用。值得注意的是，一些基因组研究中的 AI 实践受到了积极的批评，人们担心在实验过程中对人类未来产生严重影响。

群集计算

除了以中心化方式行事外，AI 还明显改变了分布式和协作计算机系统的功能。群体智能是一组系统以有序方式合作实现共同目标的能力。群体智能被利用来理解群体行为，并在可能的情况下优化流程。

多个代理根据一组启发式规则共同工作，以消耗大量数据，并根据一个或多个计算设备之间的协调产生有意义的结果。可以在机器人技术、卡车编队等物流自动化领域观察到群体 AI 的应用。

以下照片是使用群集计算技术进行协调应用的真实示例：

图 2.5：一群协调机器人在群集中为充电。

您可以在commons.wikimedia.org/wiki/File:RechargingSwarm.jpg查看上述照片的前一张照片，这是 Serge Kernbach 拍摄的。这是照片的许可证，creativecommons.org/licenses/by-sa/3.0/。

有了对 AI 及其类型、形式和方法的基本理解，我们现在将在下一节探讨将 AI 应用于过程的程序。

AI 在数字化转型中的应用

许多组织已经为下一波数字化转型做好了准备。虽然少数数字解决方案已成功采用了 AI 技术并正在收获成果，但大部分数字解决方案空间正忙于为即将到来的 AI 飞跃做准备。我们将简要观察一些关键里程碑，AI 在其中可以实现未来数字化转型项目并解决主要挑战。

我们将从以下图表中观察由 AI 启用的数字化转型项目中涉及的一些关键里程碑：

图 2.6：使用 AI 进行数字化转型的重要里程碑

上图表示了 AI 主导的数字转型项目的所有重要里程碑。该图还表示了连接一个里程碑到另一个里程碑的流程。以下各节将详细介绍每个里程碑。

数据提取

在 AI 可以用于推动数字转型项目之前，必须收集和归档与流程和实践相关的基本信息，以便进一步进行适当的打包。

数据提取步骤涉及从现有系统的各个模块中严格获取原始数据和信息。提取的数据不仅有助于我们了解现有流程，还有助于我们量化并建立进一步分析的边界和检查点。

用于提取数据的方法是 AI 赋予数字转型项目的最基本步骤。因此，确保数据质量由团队与主要利益相关者共同审查和测量是至关重要的。

假设一家乳制品公司计划进行业务数字化转型，并有兴趣利用 AI 获得更好的见解。我们将通过识别产品和收入的概要信息来了解乳制品业务，然后是有关来自许多地区的原材料的具体信息。数据提取过程还包括识别具有关键检查点的业务流程。

考虑以下 AI 模型性能的图表：

图 2.7：AI 模型性能增长的通用说明

上述折线图是一个通用的示例，说明了随着新数据点的增加（由x轴表示），AI 模型的性能可以更好地提高，并在y轴上获得准确性。这意味着随着对不断增长的数据集质量的仔细审查，随着时间的推移，AI 模型可以变得更好。

数据转换

前一个阶段收集的数据可能是非结构化或半结构化的。这意味着当数据点放在一起时，数据点不一致的可能性更高，这可能会成为对收集的数据进行分析的障碍。

为了帮助 AI 理解给定情景，收集的数据必须根据主要利益相关者同意的标准格式进行结构化。然而，如果数据是从数据仓库中提取的，则所需的工作量可能很小。

如果数据是一系列非结构化数据流，则市场上有多种提取、转换、加载（ETL）工具可用于以最小的工作量结构化庞大的数据量，包括 Apache NiFi 和 Apache StreamSets (dzone.com/articles/top-5-enterprise-etl-tools)。

除了独立的和本地部署的软件之外，市场上还提供了云托管的 ETL 服务，例如 AWS Data Pipeline 和 AWS Glue。

一旦根据指定方案转换数据，我们就可以将其转发到数据处理。

假设我们已经从乳品公司获得了必要的信息。现在，我们可以通过识别数据集中的关键信息将数据与噪音分离。在数据转换过程中，我们删除不必要的列。我们还根据数据类型合并一些列，例如纬度和经度。如果当地乳品的纬度和经度数据分开保存在不同的列中，我们可以考虑将它们合并到一列中。同样，我们可以考虑跳过可能没有关键列值的行。

处理

来自各业务单元的结构化数据，以及训练数据，现在被用作挖掘、模拟和推断预期结果的输入数据，以更好地理解数字转型计划下计划的任何努力。

根据数据点的性质、来源和复杂性，您可以选择各种 AI 模型和技术。例如，如果数据是卖家和买家之间的对话，则可以使用自然语言处理（NLP）。

假设从乳制品业务中获取的数据已经清理干净，我们现在可以将数据提供给一个预测模型进行训练。一旦数据输入，我们可以与业务团队检查模型的结果，以确认结果是否符合给定的业务目标。例如，模型可能正在预测当地牛场的奶制品剩余库存。根据生成的剩余奶数据，我们也可能能够确定可以生产的乳制品。因此，通过处理数据产生的这些结果可以帮助我们获得更好的见解。

故事板

一旦计算出预期的结果，就应该将信息传达和分享以获得反馈。这有助于确定结果的相关性。

在乳制品示例中，我们可以使用预测来做出业务决策，及时为生产选定的乳制品分配剩余奶。通过市场上可用的可视化库和仪表板软件，可以在故事板中传达通过销售乳制品节省的成本和增加的收入。

数据利用

一旦对获得的结果达成共识，收集的见解就会转化为更新的实践，并通过网络、移动和物联网（IoT）设备在生态系统中的多个代理中投入使用。这种参与循环会重复，直到通过对数据采集、数据处理和算法设计的不断改进实现优化的期望结果。

在乳制品示例中，通过 AI 的帮助生成的见解和利润预测不仅通过故事板传达给关键人员。这些见解也可以通过对现有业务流程进行适当的更改进一步付诸行动。

现在我们已经了解了基于人工智能的数字化转型项目中的关键里程碑，让我们通过列举潜在失败的原因来探讨可能的失败场景。

失败场景

基于人工智能的数字化转型项目可能由于各种原因而失败，包括市场需求、适应性、技能差距以及业务流程中的意外变化。让我们在接下来的部分了解更多关于这些原因。

商业需求

在评估数字化转型项目中任何人工智能的应用之前，我们必须确保业务需求得到了一致的认可。必须列出所有那些会受益于改进其流程的利益相关者名单，以评估在过程中是否存在任何潜在风险以及其他利益相关者的参与。

适应能力

尽管技术已经为企业大多数组织提供了便利，但这并不一定意味着应用人工智能来进行转型能给企业带来益处。应用人工智能可能实际上会增加流程中的复杂性和问题。因此，我们必须对行业的士气敏感，并且只有在大多数利益相关者愿意接受新兴解决方案时才能做出坚定的决定。

技能差距

在一些行业垂直领域，不是所有涉及方都了解新兴技术。在向一群不习惯按照标准人工智能实践所要求条件下运作的涉及方介绍启用人工智能的数字化转型时可能会有严重障碍，而这些条件通常要求用户群具备分析能力。

流程改革

我们知道，人们往往对生活中的变化产生负面反应。与生活中一样，评估将这些新兴解决方案引入对业务变化非常敏感的利益相关方的风险非常重要。此外，数字化转型的重大突破可能会影响当前的商业模式，并影响涉及业务的利益相关方的隐私政策。必须进行仔细审查，以确保数据符合当地的数据法规和法律。

了解了人工智能数字化转型项目中涉及的流程的基本概览之后，让我们来探讨一些可用于支持此类数字化转型的工具。

人工智能平台和工具

人工智能生态系统成熟的主要标志之一是使用新工具和框架。其他指标，如创新、互操作性和准确性，同样对确定人工智能生态系统及其工具的成熟度起着重要作用。在接下来的部分中，我们可以看到许多工程师在世界各地使用的一些人工智能平台和工具的简短列表。

TensorFlow

TensorFlow 是由互联网巨头 Google 所支持的一个开源项目。它是一个用于机器学习项目的复杂框架。它提供了一个广泛的生态系统，包括全面的工具包、库和文档，使研究人员和开发人员能够轻松设计、构建和部署基于机器学习的应用程序。在 www.tensorflow.org 上了解更多关于这些工具的信息。

微软认知工具包

微软认知工具包（CNTK）是一个用于商业级分布式深度学习的开源工具包。它通过使用有向图将神经网络描述为一系列计算步骤。在 GitHub 上了解更多关于该工具包的信息，网址为 github.com/Microsoft/CNTK。

IBM 沃森

IBM 沃森 是一个开源的、多云平台，可以让您以更流畅、更简化的体验构建强大的模型并部署它们。这个 IBM 套件提供了企业级的人工智能服务、应用和工具，拥有丰富的支持。在 www.ibm.com/watson/about/ 上了解更多关于 IBM 沃森的信息。

摘要

人工智能一直处于创新的前沿，大多数商业应用程序在各个领域都采用了它。在本章中，我们能够观察到人工智能的关键概念、简要历史以及目前的进展。我们还涵盖了人工智能领域中使用的不同方法，并通过一个图表了解了人工智能中的多种实现和类别。然后，我们观察了将人工智能应用于数字转型计划以实现最佳结果所需的步骤。最后，我们介绍了全球人工智能社区积极使用的一些最新工具和平台。

在接下来的章节中，我们将探讨一些人工智能和区块链的有趣应用，以及一些真实场景的详细案例研究。

第二部分：区块链和人工智能

在这一部分，我们将讨论区块链和人工智能的应用。我们将观察一些使用区块链和人工智能结合的实时应用。我们还将了解去中心化数据库和文件系统。最后，我们将观察人工智能如何应用于加密货币交易。

本节包括以下章节：

• 第三章，人工智能和区块链的领域特定应用

• 第四章，人工智能和区块链驱动的数据库

• 第五章，利用人工智能赋能区块链

• 第六章，加密货币和人工智能

第三章：领域特定的人工智能和区块链应用

“区块链和人工智能：未来的掌握。”

区块链和人工智能已被用于构建许多解决方案。 在本章中，我们将展示一些区块链技术的应用。 我们还将展示一些使用人工智能技术的应用。 我们将分析面临的问题和提供的解决方案，并为您提供当前解决方案的视角。

我们将覆盖几个领域垂直的解决方案，如以下所示：

• 将人工智能和区块链应用于医疗保健

• 将人工智能和区块链应用于供应链

• 将人工智能和区块链应用于金融服务

• 将人工智能和区块链应用于其他领域

让我们开始吧！

技术要求

本章需要您能够分析人工智能和区块链的应用，基于其在应用领域的关键能力。

将人工智能和区块链应用于医疗保健

人工智能在医疗领域的实验性应用可以追溯到 20 世纪 70 年代初。应用于该领域的最早人工智能之一是一种称为Dendral的专家系统。 然而，Dendral 没有成为医疗保健领域的主流应用程序; 其后继者之一MYCIN则在医学领域的一些具有挑战性的问题上取得了一些治疗治疗。 如今，IBM，微软，谷歌和其他初创公司等顶级公司在医疗保健领域应用人工智能和区块链的应用受到热捧。

在以下屏幕截图中，您可以看到患者的电子健康记录（EHR）：

图 3.1：电子健康记录的示例视图

您可以在en.wikipedia.org/wiki/Electronic_health_record#/media/File:Electronic_medical_record.jpg查看图表。

现在，让我们了解一下医疗保健行业面临的一些问题。

领域中的问题

尽管人工智能的应用在医疗保健领域取得了重大进展，但它们未能解决一些困扰该领域的治理问题和一些非法行为。 区块链在这里起到了强大的作用，它辅助人工智能作为合法数据的存储支持，通过透明和可发现的行为。 让我们看一看：

• 电子医疗记录隐私和安全：电子医疗记录（也称为电子健康记录）是患者健康信息的数字副本，并由医生在治疗过程中填写。通常，电子健康记录由患者的病史、症状、诊断信息和实验室结果组成。电子健康记录使组织能够提供更加连接、高效和便捷的护理。在过去的几十年里，电子健康记录的应用已经受到发达国家的严格监管，主要是欧盟和美国，它们分别通过了跨境健康指令和 1996 年的健康保险便携性和责任法案（HIPAA）隐私和安全规则。尽管这些规则得到了严格的执行，但已经发生了多起影响数百万用户的电子医疗记录数据泄露事件。这在一定程度上可以追溯到中心化的信息架构，这导致黑客发现了门户级别的入侵。

• 药物配方：药物配方（也称为制药配方）是研究一组化学物质以形成新药物或药品治疗特定疾病的过程。寻找一种合乎道德的方法来共享临床试验记录以完善药物配方的分析过程是一个挑战。大多数药物配方中使用的新技术利用了基于药物递送和临床测试记录获得的数据的各种分析过程。与电子医疗记录类似，底层数据非常敏感。

• 预测性医疗：预测性医疗的共同目标是在患者出现症状之前提供治疗或通知。通过对患者的个人数据进行准实时的预测性分析，这变得可能。获取有关身体的前所未有的数据可能非常有用，但也必须谨慎处理。基于区块链数据的人工智能实践可以在诊断期间使用可验证的数据发现提供预防性治疗。

现在，让我们学习如何使用区块链或人工智能来解决医疗行业的问题。

医疗领域的新兴解决方案

以下列表包括一些由活跃的企业和初创公司在医疗领域启动的基于区块链的倡议：

• IOTA eHealth：IOTA eHealth 是 IOTA 基金会发起的一个解决方案倡议，提供远程患者监测、患者健康数据交换等功能，并确保 IOTA 账本支持临床研究数据的完整性。您可以在www.iota.org/verticals/ehealth了解更多关于 IOTA eHealth 的信息。

• IBM 区块链：据报道，IBM 区块链研究团队正在研究使用许可区块链以及特殊的移动界面来防止假药的解决方案。该解决方案据称托管了一个区块链网络，在该网络上的参与者经过认证并获得授权执行交易，并跟踪和验证它们。您可以在www.research.ibm.com/haifa/dept/services/bc-iot.shtml上了解更多关于当前工作的最新动态。

现在我们已经看过了关键的解决方案，让我们回顾一下当前的医疗保健行业现状。

回顾

利用人工智能和区块链可以帮助彻底改变医疗保健领域，监管机构和诸如世界卫生组织（WHO）和食品药品监督管理局（FDA）等国际机构据称渴望利用这项技术。他们正在积极与致力于此方向的企业合作。预计本十年健康和医疗保健领域将有显著增长，我建议您对此领域保持关注，以获取更多通过区块链和人工智能带来的创新。

现在，我们已经看过医疗保健行业的当前解决方案，让我们探索由区块链或人工智能驱动的供应链中使用的产品和解决方案。

将人工智能和区块链应用于供应链

供应链管理对于世界许多行业和增长中的经济体的成功至关重要；一些人认为供应链是贸易的神经系统。管理供应链是一种注重操作的实践，需要从计划、采购和仓储的早期阶段到从生产者到消费者的物流过程的效率和效力。

以下示例图表显示了涉及笔记本供应链管理的利益相关者：

图 3.2：笔记本供应链中的利益相关者

您可以查看 Andreas Wieland 制作的此图表，链接为en.wikipedia.org/wiki/Supply_chain_management#/media/File:Supply_and_demand_network_(en).png。这是该图表的许可证链接creativecommons.org/licenses/by-sa/3.0/。

现在，让我们了解供应链行业面临的一些问题。

领域中的问题

以下是供应链行业面临的三大问题：

• 运营成本和风险：供应链中高比例仍处于纸质工作模式。这意味着系统中的数据极易被篡改。供应链中的数据对于确定产品的价值至关重要，包括其基本属性，如有效性和保质期。如果货运文件被篡改，价值链中可能存在很大的差距。基于手工纸质工作的供应链也可能因潜在情况，如重复计费而吸引财务问题，从而在利益相关者之间制造更多的审计问题和混淆。虽然相对较新的供应链解决方案已经在数字化转变一些供应链交易的纸质本质方面发挥了作用，但在处理潜在的数据丢失或伪造方面，技术上能力较少的系统较少。区块链可以通过智能合约来缓解这些问题，并可以自动化几个关键流程。

• 安全性和真实性：尽管供应链的端到端流程利用传统企业软件进行数字化连接，但它们在各自之间并不严密定义和耦合。这意味着数据完整性并不被当作一流特性对待。这可以通过基于不可变性概念的区块链技术来解决，并确保没有记录可以被窃取、撤回或替换为不准确的数据。由于区块链上的交易数据是开放的，相关利益相关者可以访问信息并验证唯一的真相来源。

• 实时可见性：在与传统金融紧密耦合的本地数字平台上的交易也可能引发其他业务挑战，如结算延迟。供应链中的企业严重依赖营运资本，资本的主要来源是通过贷款或其服务的收入。在价值链上实现实时付款可以实现更快的支付处理，成本相对较低，而与传统金融相比。这对行业来说是一个改变者。

让我们利用区块链或人工智能来解决供应链行业中的问题。

供应链行业中新兴的解决方案

以下是一些应用，它们使用区块链或人工智能来解决前面提到的一些问题：

• IBM Sterling 供应链套件：由 IBM Watson 提供支持，这个基于云的数字化业务网络提供实时智能和可操作的建议。该套件提供了供应商管理、库存管理和订单管理等多种功能。值得注意的是，该套件提供了一个开放平台和一个开发人员中心，用于使用区块链和人工智能构建定制解决方案。您可以在这里了解更多关于他们的产品和服务：www.ibm.com/in-en/supply-chain。

• OpenText：OpenText 的目标是使供应链更加联通、协作、智能和安全，正在开发一个能够应用人工智能、物联网和区块链的自主智能供应链。您可以在这里了解更多关于他们的产品和服务：www.opentext.com/info/ai-iot/connected-supply-chain#form。

接下来，我们将看一下供应链行业的当前情况。

回顾

尽管人工智能和区块链正在被用于更有效地跟踪订单和管理库存，但仍然存在许多需要填补的业务空白。降低准入门槛至关重要，以吸引全球各地的多样化利益相关者，使他们能够参与一个具有全球可验证供应链网络的愿景，以提高质量和效率，并促进透明度。这可以通过暴露 API 来实现，以便不是所有供应商都必须在同一区块链或网络上运行；相反，他们可以简单地交换可信赖的数据，并将它们记录为跨网络的交叉交易，以实现更好的兼容性。必须努力使这些产品具有互操作性，以便全球供应链经济能够在区块链提供的多样性上蓬勃发展。

现在，让我们探讨由区块链或人工智能驱动的银行和金融服务行业（BFSI）中使用的产品和解决方案。

将人工智能和区块链应用于金融服务

正如我们所知，BFSI 是整个世界经济运作的支柱。随着数万亿美元的资产管理规模，有效管理数字化规模的资金已成为一个有利可图的机会，因此由于目前通常依赖于传统方法的系统存在一些低效率而需要重新审视。

以下图示了 BFSI 行业利益相关者之间的关系：

图 3.3：BFSI 利益相关者

如前图所示，我们这样的普通消费者通过银行、保险公司和非银行金融公司（NBFC）获得资本和服务。还要注意，向我们提供服务的公司和组织也依赖于这些金融机构。

现在，让我们探讨一下 BFSI 行业面临的一些问题。

领域中的问题

以下是 BFSI 行业面临的前三个主要问题：

• 资本获取：无银行业和未充分银行业者受到资格标准问题的严重影响，从而在市场上造成了巨大的漏洞，进而导致非正规经济的出现。如果资本获取变得更容易，我们可以规范非正规经济并最大程度地发挥其潜力。

• 欺诈和违约：据估计，金融欺诈和违约通过损失了全球经济 6000 亿美元。这是困扰 BFSI 行业的严重问题，特别是由于最近有关坏账的揭示，特别是在印度。在撰写本文时，根据彭博文章，印度在坏账排名中排名第二，累计达到 1600 亿美元。您可以在此链接了解更多信息：www.bloomberg.com/news/articles/2019-09-27/asia-s-640-billion-bad-loan-pile-lures-investors-deloitte-says。

• 缺乏适当的流程自动化：尽管已经进行了许多尝试来保障并自动化 BFSI 行业，但我们需要一个更好的模式，可以在行业透明度之间取得平衡，同时也保持机构之间的秩序。因此，使用区块链带来透明度，以及使用 AI 技术实现自动化的优化工作流程可能是改革该行业的关键。

现在，让我们浏览一些可用于解决 BFSI 行业问题的解决方案。

BFSI 中的新兴解决方案

以下是一些应用程序，它们要么使用区块链，要么使用 AI 来解决前面提到的 BFSI 中的一些问题：

• Teradata：Teradata 是一家总部位于加利福尼亚的公司，以其面向金融服务行业的数据分析产品而闻名。有一个有趣的案例研究，在一家著名银行利用深度学习和 AI 来检测复杂的欺诈并减少虚假阳性。与据报道检测到总欺诈的传统规则引擎相比，Teradata 的分析解决方案将该比率提高到 80%。该解决方案还大幅减少了虚假阳性 60%，并增加了真正的阳性 50%。使用冠军/挑战者方法来确保实时使用最佳的深度学习模型来检测欺诈。

您可以通过阅读 Teradata 的案例研究文档了解更多有关解决方案的信息，网址为，www.teradata.co.uk/Resources/Case-Studies/Danske-Bank-Fight-Fraud-With-Deep-Learning-and-AI。

• Nuo Network：Nuo 是一个点对点的出借人和借款人网络，可以实现抵押加密货币贷款。出借人可以以利率提供他们的加密货币，借款人可以以抵押品抵押贷款，抵押品以折价价出，贷款期末需支付溢价。截至目前，许多用户已经通过 Nuo 网络筹集了高达 3000 万美元的贷款。此外，需要注意的是，Nuo 网络是非托管的，意味着拥有资金的钱包不受公司的直接或间接控制。这是通过使用以太坊区块链实现的，智能合同用于交易**以太币（ETH）**和 ERC20 代币。您可以在这里了解更多关于他们的产品和服务：nuo.network/index.html。

接下来，我们将回顾当前 BFSI 行业的情况。

回顾

一些新兴解决方案已经解决了 BFSI 行业的关键问题。然而，如果我们能够将这些点连接起来，可能会取得解决方案空间的飞跃。人工智能解决优化问题，区块链实现透明度，但主要是这些技术被部署在可能无法跨越价值的独立隔间中。因此，必须以一种允许用户和机构发现超越其自身系统的价值的方式来连接这些隔间，以便他们可以发现新的潜力和收入来源。

现在我们已经看了回顾提供的当前 BFSI 行业解决方案，让我们探索在其它领域使用的产品和解决方案，无论是由区块链还是人工智能驱动。

将人工智能和区块链应用于其他领域

尽管今天大多数解决方案主要商业部署在供应链和金融服务上，然而很多新型解决方案正在被应用于各个领域。我们将观察这些解决方案如何利用人工智能和区块链来解决企业当前的问题，并释放其真正的潜力。

现在，让我们探索在知识管理领域使用的产品和解决方案，无论是由区块链还是人工智能驱动。

将人工智能和区块链应用于知识管理

大多数人，包括我自己，在开源知识库（如维基百科）上获得了对互联网的了解。本书中的一些内容在到达您手中或设备时也可能已经过时，这一代的事物发展迅速。在这个迅速变化的世界中，对于任何互联网知识库来说，灵活性维持准确性非常重要。如果知识库涉及多个主题，并且每个主题都在维护多个子主题和文章，那么这将是一个巨大的问题。

现在，让我们探讨一些知识管理领域面临的问题。

领域内的问题

知识管理中面临的主要问题之一是信息的准确性。

在维基百科的文章中保持任何过时信息的准确性和相关性都需要大量的时间和人工编辑的几轮手工努力。作为全球最大百科全书之一存储和提供数百万篇文章，维基百科还必须保持事实正确性。此外，这些开放信息不应随着时间而变得容易受到虚假新闻或宣传的影响。

现在，让我们来看一下解决知识管理领域问题的解决方案。

知识管理领域的新兴解决方案

让我们看一个应用示例，该示例使用区块链或人工智能来解决前面提到的一些问题。

马萨诸塞理工学院（MIT）计算机科学与人工智能实验室（CSAIL）的一组研究人员已经创建了一种自动文本生成系统，该系统可以准确定位和替换维基百科句子中的特定信息，以满足需要，同时保留人类的语法和风格。

尽管今天存在许多基于规则的机器人可以进行某些预定义或程序化的更改，但机器人通常缺乏推理能力，因此无法以人类可读的格式连贯地将两个事实联系在一起。这不仅可能会打断文档的流程，还可能导致加倍努力来解决此类问题。此外，在更新任何文档时进行事实检查变得至关重要，以确保虚假新闻或宣传不会改变概念的看法，导致偏见。据报道，研究人员使用增强数据集，通过让模型查看同意-不同意对中的证据和样本，成功将假阳性减少了 13％。您可以在news.mit.edu/2020/automated-rewrite-wikipedia-articles-0212了解更多关于这项研究的信息。

现在，让我们回顾一下知识管理领域的当前情况。

回顾

知识管理系统的实践正在重新思考，云端不断进行创新。我认为现在是培养区块链技术和人工智能技术的有效性，以丰富用户体验，降低总体成本并保持数据安全的主要时期。

现在，让我们探索由区块链或人工智能驱动的房地产领域中使用的产品和解决方案。

将人工智能和区块链应用于房地产

在过去的几十年里，印度经济的增长导致了许多大都市的崛起和新购买市场的活跃。然而，由于糟糕的记录保存做法和/或腐败，已经发生了激进的土地占有等严重问题。在交易任何房地产之前验证所有权是一个繁琐的过程。我们还可以观察到一些历史案例，其中在印度的一些地方仍然存在有关土地所有权的种族冲突。

尽管我已经解释了印度房地产的当代问题，但这些都是困扰许多发展中国家的常见问题。

现在，让我们探讨一下房地产领域面临的一些问题。

领域中的问题

以下是房地产行业面临的两个主要问题之一：

• 土地记录不一致：与财产相关的销售或转让涉及多个部门。不幸的是，这些部门像孤岛一样运作，如果相同的数据不可供所有当局使用，就会产生差异。这可能导致土地所有者的法律立场复杂化。

• 缺乏即时可追溯性：如果买方希望购买特定的房产，必须有一种方法在几秒钟内通过产权证书或其他符合条件的文件追溯所有权的转移。今天，地方政府提供的服务通常需要一些时间，可能需要付出相当大的代价。

现在，让我们看一下解决房地产领域问题的解决方案。

房地产领域的新兴解决方案

在这一部分，我们将看一下一款名为 emBlock 的应用程序，它使用区块链来解决前面提到的一些问题：

基于 Hyperledger Fabric，emBlock 是 eMudhra 的 emLabs 构建的解决方案。emBlock 是为企业和政府设计的，以从即时共识、实时信息共享和智能合约中受益。eMudhra 成立于 2008 年，是印度和毛里求斯颁发数字签名证书的认证机构。他们是印度的市场领导者，曾与大型银行、金融服务公司以及印度的几个政府机构合作，实施基于数字签名的解决方案。

这个解决方案建议记录销售契约，使其存储在区块链上，从而允许各个政府部门访问，如登记和印花税部门、测量和解决部门、税务部门和法院，以及银行等企业实体。你可以在www.emudhra.com/us/case-studies/blockchain/emBlock_land_records_case_study.pdf了解更多关于 emBlock 土地记录的案例研究。

现在，让我们回顾一下房地产领域的当前情况。

回顾

尽管有一些基于区块链的解决方案可能符合现有要求，但人工智能也应该被用来识别潜在的欺诈行为或感知数据的任何腐败。此外，政府机构和相关监管机构必须鼓励使用这些新技术作为试点项目。

一些印度邦已经接受了这种技术变革，但需要更广泛的思考来建立一个适当的数字战略，以实现 100%的数字记录保存实践。就我个人而言，我相信这将在未来 5 到 10 年内实现。

现在，让我们探讨媒体领域中使用的产品和解决方案，无论是由区块链还是人工智能驱动的。

将人工智能和区块链应用于媒体

过去几年，虚假新闻已经成为一个严重问题，导致许多国家发生政治动荡。最近爆发的冠状病毒疫情也引起了赛里斯以外一些社区的异常反应，传播了恐惧和污名。

现在，让我们来看看媒体领域面临的一些问题。

领域中的问题

让我们来看看这个领域面临的最重要问题。

假设你每天都从一家知名报纸上读新闻。你可能信任那家报纸的信息，也可能是因为它的历史和记者的声誉，所有这些都可以社会认同。现在，考虑一下你从一个在线杂志上读了一点内容——情况已经完全对你不利了。尽管你可能是那个网站的忠实读者，但并不能保证文章是由一个可信赖的作者发表的。有时，很有可能是一个骗子发布了一篇文章，同时使用了一个有良好声誉和读者信任的记者的名字。在这些情况下，无论是读者还是发布新闻的网站，都很难评估信息的有效性，因为这类文章的数量如此之大。区块链不仅可以用于帮助验证故事是否来自你喜欢的记者，还可以通过实时学习的事实核查人员来验证主张。

现在，让我们看看可以用来解决媒体领域问题的解决方案。

媒体领域的新兴解决方案

在这一部分中，我们将看看一个可以解决前文提到的一些问题的解决方案：

Civil 是一个基于区块链的网络，传播社区所有的新闻报道，实现信任和透明。Civil 允许读者和记者都设定一定程度的信任。记者可以获得声誉和赞同，使他们的内容值得信任。读者可以决定信任哪家新闻社作为他们的新闻来源。这使用户可以根据自己的偏好和信任程度定制他们的新闻源；这不是由传统上挖掘用户行为数据的供应商决定的。这也意味着新闻社发现了一种筹集资金或产生收入的新方式，因为传统的订阅模式已经衰退。在撰写本书时，Civil 允许用户直接支付记者，不抽成。此外，Civil 自豪地宣布在 28 个国家和 6 大洲拥有 1000 多名记者。不幸的是，在本书出版时，Civil 已关闭他们的运营。然而，你仍然可以在github.com/joincivil找到 Civil 背后的代码。

现在，让我们回顾一下媒体领域当前的情况。

回顾

Civil 等许多公司都能帮助读者区分噪音和信号。这是由于区块链在内容质量上的根本进步。然而，如果设计严格且极其倡导隐私，则变得难以个性化故事。我们应该鼓励 DApp 仅在用户选择加入时使用人工智能来定制信息流。

现在，让我们探索身份管理领域使用的产品和解决方案，其动力来源于区块链或人工智能。

将人工智能和区块链应用于身份管理

在互联网出现之前，我们可能唯一的身份证明是政府发放的照片 ID，它被用于获取一些服务，如配给等。在互联网的第二代中，我们使用的大多数数字服务都与我们的电子邮件 ID 相关联。这缓解了照片 ID 的需求，但并未脱离。由于传统 ID 和我们 ID 的数字版本在某种程度上被滥用，今天用户很难管理这个问题。将身份绑定到分散式标识符（DID）一直是过去几年中研究的前沿领域之一。

DID 是一种提供可验证数字身份的新类型标识符。这些标识符是自主性质的，意味着数字身份不依赖于集中式身份提供者。因此，用户控制自己的 DID。

以下图表描述了企业用户身份管理领域的利益相关者：

图 3.4：企业身份管理领域的利益相关者

如前图所示，企业用户（如员工、客户和供应商）通常通过单点登录（SSO）认证机制访问应用程序。这个 SSO 需要一个来自一组白名单域或提供者的企业 ID。将由参与行业合作的所有公司管理。

现在，让我们探讨一些身份管理领域面临的问题。

领域中的问题

让我们来看看身份管理中面临的主要问题。

我们大多数人都使用手机，因此在某个时候使用过我们的照片 ID 来验证自己，以便在获得手机服务之前进行身份验证。虽然这是为了保持责任和保持我们社会的安全性所必需的，但一些不良分子可能会滥用您的身份证明，并在未经您同意的情况下冒充您。

现在，让我们来看看可以帮助解决身份管理领域问题的解决方案。

身份管理中的新兴解决方案

让我们来看看使用区块链的分散式身份应用程序之一，以解决之前提到的一些问题。

使用去中心化标识（DIDs），Sovrin 网络允许用户安全验证和发行自己的数字凭证，控制它们，并使用一种称为零知识证明（ZKPs）的安全标准进行管理。假设您需要在银行账户中有超过 1,000 美元才能进入赌场。今天，如果有这样的规定，验证您的余额给赌场的唯一方式是出示您的账户报表，该报表也已由银行经理证明过。您可能不想这样做，因为这暴露了您的银行余额，这可能会导致某些社会和个人风险。ZKPs 以一种创新的方式解决了相同的问题 - 只要您的余额超过 50,000 美元，您就不必展示您当前的余额。您不必透露您的银行余额，但服务提供商，例如上述例子中的赌场，仍然能够验证您的余额超过 1,000 美元的事实。这对于用户隐私来说是巨大的胜利，因为诸如您当前的银行余额之类的敏感数据未被共享。同样的情况可能适用于验证居住地址、出生日期等。您可以在 sovrin.org/the-sovrin-network-and-zero-knowledge-proofs/ 查找有关 ZKP 概念的更多信息。要了解更多关于 Sovrin 的信息，您可以阅读他们的白皮书，链接如下：sovrin.org/wp-content/uploads/2018/03/Sovrin-Protocol-and-Token-White-Paper.pdf。

现在，让我们回顾一下身份管理领域的当前情况。

回顾

采用是 DID 和 ZKP 的关键问题。在用户试用它们之前，发行方需要使用 ZKP 的服务提供商来验证它们。今天，在参与的三个层面都存在瓶颈：

• 发行方：政府机构和当局需要了解使用基于 ZKP 的 DID 的好处，以降低自己管理成本和潜在数据泄漏的风险。

• 用户：用户需要了解隐私，并开始使用一些当今可用的社交可验证证据。

• 验证者：服务提供商也应该受到激励，利用这些技术，避免数据泄漏。

现在，让我们探讨在版税管理领域使用的产品和解决方案，无论是由区块链还是人工智能提供动力。

将人工智能和区块链应用于版税管理

内容创作者和出版商花费了大量时间创作各种形式的新颖艺术，如音乐、视频和游戏等。用户通过应用访问这些内容，但通常不会直接支付内容创作者。虽然这并不是期望的，但公司会代表所有用户定期支付他们的消费。正如你可能已经注意到的，这里的中间人是通过平台提供内容的应用。然而，并不能确定这些平台是否以合理的方式向内容创作者支付版税。

以下图表突出了版税管理涉及的主要利益相关者：

图 3.5：版税领域的利益相关者

正如前面的图表所示，当用户通过分发平台访问他们的作品时，艺术家会得到版税。很明显，用户和资助者是艺术家的收入来源。

现在，让我们来研究版税管理领域面临的一些问题。

领域中的问题

在本节中，我们将看一下版税管理面临的一个主要问题。

如果组织不是公开的，内容创作者将无法完全了解销售统计数据。产品可能并不总是提供完整的对账或证明金额的合理性，使贡献者或内容创作者一直处于黑暗中。

现在，让我们看一下可以帮助解决版税管理领域问题的解决方案。

版税管理中的新兴解决方案

让我们看一个应用程序，该应用程序使用区块链来解决前面提到的问题。

微软公司与安永（EY）合作开发了一种基于区块链的解决方案，允许 Xbox 游戏发行商几乎实时地访问他们的版税报表，而无需等待数天进行调和。该解决方案使用了微软 Azure、Azure 区块链服务、Azure Cosmos DB 和 Microsoft Power BI。您可以通过查看微软网站上的案例研究文档来了解更多关于此解决方案的信息：customers.microsoft.com/en-us/story/microsoft-financial-operations-professional-services-azure。

现在，让我们回顾一下版权管理领域的当前情况。

回顾

在过去的几年中，我们看到越来越多的人订阅了 Hulu、Netflix 和 Amazon Prime 等点播内容服务。一些人估计，在未来 5 年内，点播内容服务的总市场规模将增长到 1000 亿美元。这一重大转变意味着最终用户对内容（如音乐和视频）的感知已经从免费转向付费。尽管用户愿意为这些服务付费，但我们尚未看到内容创作者和艺术家在平台上将如何支付的重大改革。

现在，让我们探讨在信息安全领域使用的产品和解决方案，无论是由区块链还是人工智能提供支持。

将人工智能和区块链应用于信息安全

我们可能听过这句话信息就是新的石油。信息无处不在。作为读者，与您与世界的离线关系相比，今天大部分数字身份和您的互动都是在线持久存在的。称之为人类历史上的一次重大转变并不夸张。因此，我们必须注意保护我们的信息安全。在过去的几十年中，我们已经观察到许多无法保护我们在线身份和互动的低效架构。今天，我们可以通过应用人工智能来纠正这一问题，因为它可以用于密切监视系统中的任何后门漏洞。但从根本上说，数据的所有权大部分仍然掌握在供应商手中。这必须改变，而且，多亏了区块链，我们可以很容易地建立一些关于信息隐私和所有权的基本规则。

现在，让我们看看信息安全领域面临的一些问题。

领域中的问题

让我们看看信息安全行业面临的一个主要问题。

存储、读取、更改和持久化信息都是有成本的。今天大多数区块链和去中心化文件存储服务都使用波动的加密货币来收取您管理的数据费用。这意味着许多用户面临进入门槛较高的问题，要么是因为波动影响了他们持久信息的预算，要么是因为加密货币的使用在一些国家受到严格限制或严格禁止。因此，我们必须找到一种方法，提供一种去中心化的文件存储服务，可以使用传统方式收费，即用法定货币收费，但也提供对所拥有数据的完全控制。

现在，让我们看看可以用来解决信息安全领域问题的解决方案。

信息安全领域的新兴解决方案

让我们来看看 IPFS 的一个特殊应用，解决了我们之前提到的问题。

MóiBit 提供了一个个性化的、去中心化的安全存储网络，由区块链系统的不可变性和溯源性驱动。法语中的 Mói 意味着“我”。Bit 是两个单词“binary digit”的合并，它指的是数据的一个单位。MóiBit 提供给企业和 DApp 开发者使用区块链和去中心化文件系统所有优势的能力，在一个可预测的成本环境中。要了解更多关于 MóiBit 的信息，请访问 www.moibit.io。如果您对在 MóiBit 之上开发应用程序感兴趣，请参考此链接：github.com/moibit/Moibit-Sample-DApp/tree/matic-dapp。

现在，让我们回顾一下当前信息安全领域的现状。

回顾

企业对于安全文件存储系统尚未表现出浓厚兴趣，因为它们大多是去中心化的。我们必须明白，说服企业采用这种系统是一场非常重要但艰苦的斗争。尽管 MóiBit 和其他解决方案已经解决了这个问题，但问题在于集中化的低成本与去中心化中数据复制或复制的成本相比。正在努力通过使这些操作在应用程序级别和网络级别更加原子化来定制数据复制的控制，以适应独立系统。

但是，这可能会再次导致信息孤岛的产生。因此，必须注意在生态系统中创建平衡，一方面保证了成本的独立系统，另一方面保证了去中心化的问责制和安全性。

现在，让我们探讨一下在文件管理领域使用的产品和解决方案，这些解决方案由区块链或人工智能驱动。

将人工智能和区块链应用于文件管理

最近，文档和纸质记录变得必不可少，用于确立真实性、出处和法律优先性。尽管大多数业务操作现在都是在线进行的，但我们需要找到方法来实现不可变和可验证的机制，以保护我们免受敏感业务数据的黑客攻击或泄露。

下图描述了文档和知识管理系统中的利益相关者：

图 3.6：文档和知识管理系统中的利益相关者

如前图所示，文档管理主要包括贡献内容的用户和寻求此内容的另一组用户。这些功能由访问控制管理，然后存储在数据库中。

现在，让我们看一下文档管理领域面临的一些问题。

领域中的问题

在文档管理中面临的前两个主要问题如下：

• 权限管理：虽然有几个应用程序可以为文档提供存在证明，但很少有应用可以自定义文档的访问权限。这在很大程度上是由于区块链的性质，在其中数据对所有人都是可访问的。

• 报告：在共享敏感业务数据后，必须准确报告对其的访问。监视此访问并寻找异常仍然是一项在公司中尚未解决的问题，这些公司可能会因为员工作为企业间谍的一部分而遭受数据泄露。

现在，让我们看一下可用于解决文档管理领域问题的解决方案。

文档管理中的新兴解决方案

在本节中，我们将介绍一个应用程序，该应用程序使用区块链和人工智能来解决前面提到的问题。

Signy 是一个基于区块链和人工智能的应用套件，允许用户提交任何类型的申请表格，数字签名和共同签署证书，创建和自定义自己的智能证书，并以完全安全的方式分享数字证书并具备审计追踪功能。它利用区块链的透明性、安全性和文件、证书和资产的安全性。它还利用人工智能和机器学习技术来创建创新产品和服务，并增强其区块链解决方案，使其更具适应性和智能化。您可以在signy.io/certificates了解更多关于 Signy 在客户入职、证书和文件管理方面的用例。

现在，让我们回顾一下文档管理领域的当前情况。

回顾

尽管去中心化文档管理的采用速度正在加快，但有必要为业务所有者提供精细的控制。仅靠区块链的设计范式并不能提供足够的能力来构建这样的系统。将这些技术与现有的身份和访问管理（IAM）系统结合起来是未来整合和发展的关键。

摘要

在本章中，我们确定了一些大型产业中的最佳用例，确定了这些产业面临的问题，并阐明了人工智能和区块链在多个领域的真实应用。我们涵盖了知识管理、房地产、媒体、身份管理和版税管理等多个领域的这些方面。我们还涵盖了信息安全领域面临的一些特殊问题以及如何使用 IPFS 来解决这些问题。我希望你在本章学到的知识能够让你在观察、分析和开发相关案例方面发展实践技能，并帮助你提出更广泛的想法，以便你能够制定更好的解决方案并培养批判性思维的能力。

在下一章中，我们将了解去中心化数据库概念的基础知识，并更多地了解去中心化数据服务提供商及其提供的服务。

第四章：AI 和区块链驱动的数据库

“从价值存储…到存储的价值”

数据库一直是应用程序开发中的关键组成部分，在网络的各个时代都是如此。尽管数据库的出现始于集中式设计模式，但在过去的三十年中已经有了多次创新的迭代。这些新模式解决了集中式数据库的关键痛点。

在本章中，我们将深入探讨基于创新设计模式的新一代分布式数据库和文件系统。其中一些设计模式启发了传统应用程序融合人工智能（AI）和区块链技术。我们将观察不同类型的分布式数据库，并了解它们如何在区块链旁边协助进行更好的 AI 分析。

在本章中，我们将涵盖以下主题：

• 集中式与分布式数据

• 区块链数据——AI 分析的大数据

• 全球数据库

• DAO 中的数据管理

• 新一代数据库解决方案的新兴模式

技术要求

本章假设您熟悉数据库设计的基础知识以及 AI 技术在相关场景中的应用。

集中式与分布式数据

自 20 世纪 60 年代中期以来，数据库从最早期的应用程序开始主要以集中式方式被使用。数据库旨在为用户或客户端应用程序提供所请求的信息的直接 访问。这种集中式方法主要受早期引入的客户端-服务器架构的影响。这种设计范式在市场上广泛受到追随，成功的商用和消费级数据库产品如 DB2 和 dBASE 分别采用了这种设计模式。基于关系数据库管理系统（RDBMS）的数据库遵循了客户端-服务器模型。这些集中式数据库通过定期在磁盘和磁带上制作数据副本来管理数据冗余。

然而，2000 年代 NoSQL 的出现被认为是分布式数据库的开端，它具有横向扩展、更高的容错性和更低的数据损坏几率。NoSQL 数据库能够在没有模式的情况下管理数据，并在多个节点之间实现快速操作，同时保持合理的数据一致性。相比之下，关系数据库管理系统需要模式，并在客户端和服务器之间维护点对点的关系。备份对客户端不可见，如果发生潜在的数据丢失，必须由数据库管理员发起回滚来读取任何潜在丢失的数据。较新的基于 NoSQL 的数据库，如 MongoDB，解决了其中一些问题。

基于 NoSQL 的数据库也可以通过将业务数据持久保存在由所有倡议方主持的计算机网络上，支撑伪分散项目，但这种设置的主要局限性在于这些数据库缺乏透明的记录保留。此外，这些数据库不允许在具有网络固有的加密安全性的情况下进行投票和执行业务逻辑。为了能与区块链竞争，必须在外部构建这些功能。

在掌握了关于集中式和分布式数据库的重要背景信息后，让我们在下一节中了解使用分散式数据库的动机。

使用分散式数据库的动机

过去三十年来，互联网上的大多数用户数据都以集中式或分布式方式存储。这两种方法的共同问题是很少有利益相关者管理和有时拥有所有数据。最近一些知名社交网络网站和在线聚合服务的数据泄露和滥用事件凸显了我们已不再掌控自己数据的事实。数据的草率管理可能导致这样有害的事件，并在用户和业务利益相关者中造成恐慌。

在过去几年中，多起数据泄露和滥用事件的发生促使人们对如何定义、存储、访问和管理数据进行根本性创新。在过去十年里，这促使全球许多个人和组织建立了分散式数据库。

分散式数据库的常见属性如下所述：

• 允许任何人在跨界存储和访问信息

• 允许任何人参与持久化数据

• 持久保存更新后的数据并以可追踪的方式记录对数据所做的更改

• 允许所有用户通过促进加密数据的持久化来控制和管理他们的数据

这些价值与传统数据库有很好的代表性，并与下图所示的传统数据库形成对比：

图 4.1：比较传统数据库模式与分散式数据库模式的价值

在前面的图表中，我们可以看到代表访问业务数据或用户数据模式的y轴。沿着x轴，数据的可变属性被表示出来。第一象限定义了数据是否是不可改变的并且可被大众访问。第三象限定义了数据是否是可变的并且对大众不可访问。正如我们从前述图表中所看到的那样，分散式数据库和文件系统属于第一象限。我们还可以看到大多数传统和分布式数据库属于第三象限。

不可变性并不意味着永久性——提供不可变性的去中心化数据库可能不会永久存储所有版本的更改。数据可能会被垃圾收集，最近的更改可能会被持久化。

通过对去中心化数据库的动机和其价值的基本信息了解，现在让我们对比数据管理技术并分析消费模式。

对比和分析

去中心化数据库以一种新的方式组织信息，通过允许用户指定数据存储位置以及有效的治理，使用户重新获得了控制权。

在我们进一步分析在 Web 2.0 和 Web 3.0 中使用数据库之前，让我们总结一下所有三种类型数据库（集中式、分布式和去中心化数据库）之间的主要区别，如下表所示：

	集中式数据库	分布式数据库	去中心化数据库
所有权	由一家公司拥有和托管。	一家或多家公司可以托管数据库。	任何拥有足够系统资源的人都可以加入和托管数据库。
数据定义	大多数集中式数据库都是基于 RDBMS 的，因此数据定义是强制性的。必须使用模式来存储数据。	大多数分布式数据库都是基于 NoSQL 的，因此数据定义不是强制性的。模式是可选的。	大多数去中心化数据库使用内容寻址，因此不需要模式来存储数据。
故障	单点故障。应用程序与数据库之间的点对点连接将无法工作，直到数据库被修复为止，应用程序无法运行。	没有单点故障。如果数据库无法提供来自一个节点的信息，应用程序可以从另一个节点读取。	没有单点故障。如果数据库无法提供来自一个节点的信息，应用程序可以从另一个节点读取。
冗余管理	数据的备份存储在磁盘和磁带上，安全地保存在物理位置上。	数据的复制是固定的，并且所有节点可能都遵守数据库管理员设置的复制策略。	在公共网络中没有复制策略。只有在激励的情况下才有复制保证。然而，在用于财团的许可去中心化数据库中可以建立政策。
访问和透明度	与数据库的连接是关闭的。只有专用应用程序可以使用凭据访问数据库。	与数据库的连接既不关闭也不开放，但是它是有权限的。只有获准的应用程序才能访问数据库。	用户可以公开访问数据，只需文件或数据的哈希。关心隐私的用户需要在存储数据之前加密数据。

在前述表格中进行对比后，分析继续进行如下。

在 Web 的第二代（Web 2.0）中，应用程序主要依赖于集中式和分布式数据库来利用市场中的新燃料，即用户信息。 经过多次数据泄露、丑闻和数据滥用的报道后，互联网公民对数据存储位置以及应用程序应该具备的控制程度更加警惕。

随着我们进入 Web 3.0，大多数分布式应用程序可能不考虑使用传统数据库，因为它们不支持分布式数据库的属性。 此外，重要的是要意识到，各个领域在 Web 2.0 上运行的一些传统应用程序正在考虑使用分布式数据库，以确保满足来自有意识用户的新需求。

理解了 Web 2.0 和 Web 3.0 之间的基本差异后，现在让我们了解如何使用分布式数据库上持久化的数据来执行分析。

区块链数据 - 供 AI 分析的大数据

正如您可能已经了解的，由于其交易性质，区块链生成了大量数据。 撰写本文时，一些知名区块链网络的大小如下：

区块链	区块链的总大小（GB）（约）
比特币	323
以太坊	4,233

业内一些专家推测，由于用户数量的增加和企业间网络（B2B）中公共网络的采用，区块链的规模将增长 10 倍。

区块链数据的不断增长为数据科学开辟了新的增长途径。 在区块链中对这一庞大的交易数据进行人工智能和分析实践的应用可以对大多数当前的区块链产品产生巨大影响。 来自诸如区块链之类的合格数据源的分析也可以引导新的数字转型项目。 为了促进这一点，我们需要一个可以持久保存用户数据、企业数据以及区块链生成的交易数据的辅助信息来源。 分布式数据库可以以加密安全和可验证的方式保存这些数据。

以下图表描述了 AI 模型如何利用分布式数据库：

图 4.2：使用分布式数据库进行 AI 建模的通用示例

如前图所示，存储在分布式数据库上的数据有资格用于训练适当的 AI 模型。 存储在分布式数据库上的大多数交易数据本质上都可以被视为数据点，这意味着交易是由用户钱包签名并具有意图的。 因此，这些交易的性质并不是微不足道的。 当使用这些交易数据训练适当的 AI 模型时，它们可以产生更好的结果。 使用这些合格数据训练的 AI 模型生成的结果可以在各种系统和应用程序中使用。

现在让我们探讨一下通过使用去中心化数据库可能实现的改进。

使用去中心化数据库构建更好的 AI 模型

随着更多的数据即将驻留在区块链上，可以安全地假设 AI 建模变得更容易且更符合伦理。通过使用私钥确认的交易数据和用户支付的费用，可以增强 AI 训练。这些数据不需要从第三方继承，而是可以从以太坊等区块链和次级去中心化数据库网络（如星际文件系统（IPFS））中访问。这也使得当前模型，例如预测性分析模型，在有效地检测欺诈企图和 Sybil 攻击方面具有更强大的能力。

数据的不可变性 - 增加对 AI 训练和测试的信任

清洁结构化数据近十年来一直受到数据科学的需求。在数据丑闻之际，由于遵循一些跨境数据托管规则的合规问题，获取合法访问完美数据几乎总是很复杂的。通过使用区块链，一个公钥基础设施（PKI）自然地来到我们的救援，通过数据供应商和用户之间的联合签名保护用户数据的隐私。这可能作为同意证明，并在人工智能行业中保持责任感，以构建准确但符合伦理的模型。

更好地控制数据和模型交换

诸如 Ocean Protocol 这样的项目，在接下来的部分将会讨论，一直积极致力于建立公平开放的数据市场，既为数据提供者，又为消费者。区块链使得这些交易或数据的购买可以在不自觉地泄露隐私元素的情况下以道德方式进行。

现在让我们在以下部分中探讨更多关于区块链分析的细节。

区块链分析

公共区块链上的大多数应用都是基于网络实现的交易透明度而获得价值的。最近，这一支持功能已经被各种机构利用，从盈利实体到执法机构，用于跟踪用户行为。虽然一些分析能力有助于社会，但许多其他能力被各种规模的企业视为战略性知识产权（IP），通过使用这些智能算法来提高用户体验（UX）以获取市场份额。

回顾起来，区块链分析实践也受到了不受欢迎的批评，认为它们通过深入挖掘交易对用户隐私的影响过大。Chainanalysis、Neutrino 和 Elliptic 是这一领域的早期开拓者，他们拥有积极的社区和客户群体。

在下图中，我们可以观察到区块链预言机和去中心化数据库的应用，以有效地运行模型：

图 4.3：使用预言机的区块链数据分析

现在让我们在下一节中更深入地探讨全球分散式数据库。

全球数据库

在本节中，您将了解一些最受欢迎的分散式数据库。这些数据库使用创新的加密和网络技术来解决一些关键问题，如审查、监视和许可访问机密信息。下文所概述的项目正在努力为公共领域和企业领域的数据处理带来新秩序。

现在让我们了解一些顶级的全球分散式数据库。

IPFS

IPFS是一种允许用户以点对点（P2P）方式托管和接收内容的分布式文件系统，消除了存储或访问来自世界各地任何角落数据的中间商。IPFS 允许用户以无法审查的方式存储和提供数据。只要网络中的某人重视数据，数据就会持续存在于网络中。尽管对于在其计算机上持续数据的用户可能没有经济动机，但数据对网络中的其他用户可能具有价值且可重复使用。因此，在 IPFS 上的数据可以永远进行虚拟托管，只要网络中存在对数据的需求。值得注意的是，IPFS 已被 DApp 开发人员之一视为许多事实上分散式数据库之一，用于其应用程序。在 IPFS 上由任何人访问的内容都经过了加密验证，确保信息没有被篡改。

IPFS 已被用于许多情况下以规避透明度方面的挑战，其中全球信息的访问受到了阻碍。以下列举了 IPFS 作为全球数据库的一些显著用途：

• 2017 年加泰罗尼亚独立公投文件在 IPFS 上进行了主机托管，绕过了加泰罗尼亚高等法院封锁原始网站的命令。

• Filecoin，一个分散式存储网络，利用 IPFS 来利用计算机中未使用的存储空间，并鼓励用户以费用托管数据。通过小额支付以 Filecoin 代币的形式收取用户的费用，以便从托管计算机中提供较小的数据块。这些代币通过智能合约支付给托管数据的计算机所有者。据报道，Filecoin 曾是有史以来最大的ICO之一，总额达 2.5 亿美元。

• 维基百科在 2017 年 4 月 29 日无法在土耳其访问时在 IPFS 上进行了镜像。这种规避提供了对维基百科的访问，而无需访问被屏蔽的官方网站。

以下截图显示了维基百科在土耳其无法访问的情况：

图 4.4：2017 年 4 月 29 日，无法在土耳其访问维基百科页面的截图

你可以在以下链接查看 Chidgk1 提供的这张截图：upload.wikimedia.org/wikipedia/commons/1/18/Wikipedia_from_Turkey_in_Chrome.png。这是截图的许可证，commons.wikimedia.org/wiki/File:Wikipedia_from_Turkey_in_Chrome.png。

以下图示展示了 IPFS 的内部组件以及它们之间提供存储和访问数据的依赖关系：

图 4.5：IPFS 的所有内部组件和依赖关系

你可以使用以下缩短链接查看这张图示：git.io/Jf03g。

要了解更多关于 IPFS 支持的底层协议，请访问 IPFS 的官方文档，网址为 docs.ipfs.io/。

在基本了解 IPFS 的基础上，现在让我们来了解 MóiBit。

MóiBit

MóiBit 是一个具有不可变性和区块链系统来源证明能力的个人去中心化安全存储网络。它提供了软件定义的去中心化文件存储服务，并采取了突破性的措施来降低在区块链上存储数据的不必要成本，然而应用程序可以将其数据存储在 IPFS 提供的可靠安全环境中。简而言之，MóiBit 将一些企业功能扩展到 IPFS，从而使应用程序能够快速开发并集成到 MóiBit 中，就像你将应用程序与云数据库集成一样。

与 IPFS 不同，MóiBit 通过部署一组无法被公共网络发现和使用的节点提供了许可网络。这使企业能够专用基础设施，并与他们的利益相关者以联邦方式享受 IPFS 的技术优势。MóiBit 还通过其软件开发工具包（SDK）支持客户级别的加密和许多其他灵活功能。

要了解更多关于 MóiBit，请访问官方网站 www.moibit.io/。MóiBit API 文档也可在 apidocs.moibit.io/ 上找到。

Solid

Solid 是互联网时代三个强大词汇的巧妙组合—社交链接数据。Solid 是一个去中心化的数据存储，融合了一些去中心化的关键概念，如身份、用户数据的所有权、与应用程序的无缝集成，并提供向后兼容性。值得注意的是，该项目由万维网（WWW）的发明者蒂姆·伯纳斯-李爵士领导。Solid 旨在通过 P2P 网络和链接数据的强大组合让用户重新获得对其数据的控制。

所有与用户相关的数据都存储在个人在线数据存储库（POD）中。POD 可以托管在个人电脑上、本地服务器上，或者是云中管理的虚拟机（VM）上。这个决定由用户自行决定。依赖用户信息的应用需要用户的主动同意才能访问个人数据。一些个人数据的例子包括健康记录、财务信息等。

欲了解更多关于 Solid 的信息，请访问官方网站：solidproject.org/。Solid 的详细规范也可在github.com/solid/specification找到。

Ocean Protocol

Ocean Protocol是一个具有为用户提供存储和计算服务的去中心化协议。该协议展示了一个信任框架，提供了以安全方式共享用户数据的服务，通过可追溯性和隐私来实现。与之前讨论的全球数据库类似，用户可以对其个人数据进行细粒度控制。简而言之，用户可以提供对其数据的访问并赚取收入，而消费者通过购买数据来访问数据。

值得注意的是，Ocean Protocol 还提供了许多第三方市场和服务，允许用户商业化其数据。这意味着有兴趣的节点可以通过同意成为数据提供者并从数据消费者那里获得收入。所有这些商业活动都是通过保管者智能合约实现的。数据市场和服务由一个提供计算、存储空间和同意用户数据出售的代币化层支持。

欲了解更多关于 Ocean Protocol 的信息，请访问官方网站：oceanprotocol.com/。Ocean Protocol 的详细文档也可在docs.oceanprotocol.com/找到。

Storj

Storj，发音为storage，是一个去中心化的云存储平台，声称没有审查，没有用户监控或停机。Storj 平台通过 Storj API 为普通用户和开发人员提供服务。该平台由 Storj 协议提供支持，这是一个 P2P 存储智能合约，其中愿意共享未使用存储量的供应商可以以一定价格将其系统的存储租给任何 Storj 客户，而不需要彼此了解。一旦就存储的价格达成共识的合约签署后，该合约定期监视主机中的信息是否仍然可用。存储主机可以通过可验证的加密证明回应，以确保合约中的数据按约定提供。如果回应有效，则用户向节点所有者支付费用，所有这些都是通过智能合约自动完成的。

Storj 还拥有一组愿意通过复制和提供相同数据来帮助存储主机的节点网络，以期望获得奖励。 这为较小的存储提供商的自由市场开辟了巨大潜力。 与其他云数据服务提供商类似，Storj 还为开发人员提供 API，以便以灵活的方式以较低的价格将其应用程序与 Storj 集成，与大多数传统供应商的复杂锁定合同相比，存储应用程序和用户数据。

要了解更多关于 Storj 的信息，请访问官方网站 storj.io/。Storj 的详细文档也可在 documentation.storj.io/ 上找到。

Swarm

Swarm 是以太坊原生的分布式数据存储平台。 Swarm 项目的目的是促进以太坊历史公共数据的持久性，并为 DApps 提供存储。 与以太坊网络类似，Swarm 还允许任何人通过集中存储资源参与网络。 作为回报，Swarm 网络中托管节点的个人将获得以太币 (ETH) 代币，作为奖励，以换取他们的基础设施。

Swarm 声称其 P2P 存储网络具有分布式拒绝服务 (DDoS) 抵抗能力和容错性，以及无法审查性。 其协议，类似于 http://，由 bzz:// 表示。 用户可以通过 Swarm 公共网关访问网络。 Swarm 依赖蓬勃发展的以太坊网络进行采用和增长。

要了解更多关于 Swarm 的信息，请访问官方网站 swarm.ethereum.org/。Swarm 的详细文档也可在 swarm-guide.readthedocs.io/en/latest/ 上找到。

DAO 中的数据管理

去中心化自治组织 (DAO) 是代表一组利益相关者和实体的计算机程序，并不受外部环境影响。 DAO 由一组规则和治理协议编程，以确保各方之间的交易发生而没有任何冲突的机会。 Dash 和 BitShares 是一些最早的 DAO 实现。 在过去的几个月里，许多 DAO 已经在以太坊和比特币等区块链上启动。

Aragon

Aragon 是在以太坊区块链网络上运行的开源 DAO。 Aragon 利用 Solidity 智能合约进行业务逻辑，并使用 IPFS 进行分散文件和治理记录管理，从而为全新一代组织创建了真正的 P2P 操作系统，称为aragonOS。用户可以使用Aragon Network Token (ANT)执行操作并管理他们的 DAO。

Aragon 将 IPFS 与其命令行界面（CLI）程序紧密集成。IPFS 守护进程可以通过 Aragon 的 CLI 启动，并管理钉住操作以确保关键组件和文件的可靠存储。

要了解更多关于 Aragon，请访问官方网站aragon.org/。有关在 Aragon 中使用 IPFS 的详细文档可以在hack.aragon.org/docs/cli-ipfs-commands找到。

Bisq

Bisq是在比特币区块链网络上运行的 DAO。它提供无公司或机构控制的 P2P 加密货币交易服务。用户和贡献者对提出的更新进行投票。BSQ 代币持有者向 DAO 做出治理决定。通过以下两种方法使 Bisq DAO 变得可持续：

• 通过与 BSQ 代币持有者分享交易费用的收入分配，与贡献者共享网络的部分所有权，平衡了交易者和贡献者之间的权力。

• 通过 BSQ 代币的所有者——交易者和贡献者进行投票决策。由于他们共同负责发行，因此不存在可以帮助任何一方取得多数的集中化矢量。

在撰写本文时，Bisq 社区正在初步努力使用去中心化存储 IPFS 来托管软件二进制文件、文档、网络和交易统计数据。还提出了存储治理提案数据的建议，以确保 DAO 信息的访问始终可用，没有单点故障。

要了解更多关于 Bisq，请访问官方网站bisq.network/。您可以在github.com/bisq-network/bisq/issues/2845上观察 Bisq 在使用 IPFS 方面的当前努力。

在对为什么 DAO 可以使用去中心化数据库有基本了解后，现在让我们了解一些应用于一些领域的新兴模式。

数据库解决方案的新兴模式

很少有公司能够同时融合技术并解决各自行业的关键问题。在本节中，我们将探讨各领域的关键问题，并探索解决它们的模式，以及理想的例子。

现在让我们来了解企业软件领域的当前问题，并探索适用的新兴模式。

企业

由于可扩展的系统，如企业资源规划（ERP）软件，知识管理软件（KMS）和库存管理软件（IMS）等，企业和大型组织已经成功地扩展。然而，不断增长的需求和数据管理方式的突破性革命已经导致了区块链应用和人工智能技术的发展。

技术障碍

企业软件领域正面临着在可靠方式中管理大量数据方面新挑战。以下是可能会使企业软件变得无关紧要的三个挑战，如果它们不会尽快解决的话。

• 数据保护： 许多 ERP 软件架构将组织的信息存储到一个集中的数据管理平台。还有更弱或未使用的访问管理模块的应用。这可能会导致严重风险，如内部公司间谍、恶意攻击、勒索软件或后门漏洞。据报道，我们可能记得 2017 年 5 月恶名昭彰的 WannaCry 恶意软件攻击，据称已造成英国国民健康服务（NHS）超过 5 亿英镑的损失来修复系统。类似的攻击可能很容易将目标对准 ERP 数据，潜在地影响利益相关者、组织以及长期以来一直依赖该系统的数百万消费者。

• 互操作性和透明度： 超过 1000 家大型组织使用 ERP 来处理他们在制造、会计、库存管理、物流、客户关系管理（CRM）和报告方面的操作。这些大型组织的操作由一个以上的软件供应商处理，因此必须实现数据互操作性。这是通过 API 和其他后端软件程序来优化这些情况的。这在组织内部在 IT 团队和运营团队之间造成了太多的复杂性，以便一起做出关键决策。

• 报告： 通过 ERP 系统的报告已简化管理并以集成方式进行决策。报告还可以使管理人员对运营中即将到来的趋势有良好的可见性，并指导他们做好准备。然而，缺乏透明度和清晰度可能导致思维混乱和效率低下的决策。

新兴模式摘要

在深入研究当前企业软件景观中的一些关键问题后，我们将观察一些处理这些问题的设计模式，利用人工智能、区块链和分散式数据库。把这些技术融合在一起是一种艺术的交响乐，其主要目标是为组织获取有意义的商业成果。人工智能应用于来自分散式数据库的数据，其溯源由区块链支持。这样的模式可以在利益相关者之间的决策中引入新的效率。

金融服务

金融服务和整个银行、金融服务和保险（BFSI）行业支持大多数行业的交易经济。因此，BFSI 可被视为经济的金融支柱。

技术障碍

以下是与 BFSI 软件相关的三个主要问题：

• 缺乏充分的透明度：尽管已经努力为个人和公司提供更多透明的服务，但这一流程仍需进行更多的改进。金融服务业的各种计划，如费用和贷款申请的状态，是一些日常活动，金融服务提供机构提供更多透明度可能会吸引更多顾客的忠诚追随。

• 结算延迟：尽管企业和个人都在积极尝试和采用新技术，但金融服务业更加保守地以更频繁的方式应用新技术和做法。跨境支付和贸易交易最终导致业务流程周转时间延长。延误对企业和个人都有很大影响。

• 错误的合规报告：金融服务业一直是欺诈的受害者，并以不及时提供服务和报告异常而闻名。这导致当地监管机构对金融机构处以高额罚款。然而，技术应用很少被视为改变这一不利局面为行业带来积极风向的主要力量。

新兴模式总结

AI 应用和区块链技术可以帮助金融服务业组织以更加透明的方式组织其风险要素，简化交易，并确保优质的客户服务。许多尝试在金融服务业组织之间分散流程，以确保用户更顺畅的体验和工作场所更高的生产力。

供应链管理

供应链管理完成了对于各行业利益相关者的价值交付曲线，成本可预测且具有灵活性，以响应不断变化的需求。但是，各行业垂直领域的供应链都面临着多重挑战，阻碍了利益相关者实现最佳的终端消费者价值。

技术障碍

关于供应链软件的三个主要问题如下：

• 缺乏更深层次的透明度：最近供应链领域的解决方案旨在促进实时交易，但存在关于如何持续存储如此大量交易的问题。公共区块链在长期内持久化如此大量数据是相当昂贵的。然而，使用公共区块链有助于实现最终性，并在长期内保持其完整性。私有区块链只能以较小且可预测的成本来完成相同的工作，但价值远远不及，除非联盟足够大，分布足够广泛。

• 成本不可预测：由于需求动态变化和不断变化的要求，供应链行业在固定成本上运营困难。尽管变量在规划过程中得到优化，但国际监管环境和气候深深影响了计划成本。这是由于在规划阶段缺乏智能所致。尽管气候条件几乎总是可预测的，但并不是所有的物流系统都有能力适应情况并以类似成本范围内的资源作出响应。除了变化的运营成本外，供应链的利益相关者在物品由于灾难或意外自然情况而丢失时也遭受到保险不足的影响。

• 缺乏完全的灵活性：供应链运营无法控制气候条件、监管影响和客户需求变化等外部因素。然而，保持系统足够灵活以维持和继续运营至关重要。供应链中的少数操作采用尖端技术，以确保对此处涉及的动态提供灵活支持。

新兴模式总结

通过人工智能、全球数据存储和区块链驱动的更智能供应链可以改进现有流程，从而实现对需求更灵活的响应，并推动新的商业价值。将交易数据迁移到诸如 IPFS、MóiBit 或 BigchainDB 等离线大规模全球数据库，可以实现网络间的异常可见性。这使得相关利益相关者能够完全看到变化的审计追踪，由区块链上的实体签名支持。通过这种方式，可以将人工智能模型应用于大量历史交易数据，以预测成本和中断，并实现灵活性。

医疗

医疗创新逐渐从专有药物转向开放的基于研究的倡议。通过交换关键信息，从个人健康信息到实验室检测结果，可以加强这种方法。在过去几年中，医疗数据交换实践在行业中受到严重批评。然而，值得注意的是，信息的互操作性对医疗保健行业的增长至关重要。通过互操作性，行业迎来了一系列讨论的问题。

技术障碍

以下是医疗软件方面的前三大问题：

• 受控版本管理：需要一个透明的系统，可以为医疗记录的所有更改创建快照。对健康记录的正确跟踪也是为保险索赔提供符合条件证据的一部分，从而为有效的自动化和受益患者的更好体验铺平了道路。

• 身份问题：在治疗或药物试验期间传播患者身份可能在生态系统中引发恐慌，并阻碍动力。因此，涉及医疗数据的身份必须严肃对待，采用成熟的方法，并由标准机构积极监管。

• 中心化：少数机构通过形成联盟进行健康数据交换，使行业其他部分落后。这也可能潜在地导致其他利益相关者在不久的将来创建双重标准，持续在个体隔离中存储健康数据。这些做法自然而然地有利于数据窃取、间谍行为和黑客攻击。

新兴模式摘要

匿名化和加密的医疗记录，以及与治疗和药物试验相关的医疗数据可以存储在去中心化数据库中，以确保所有相关利益相关者都能共同访问。此外，患者是其医疗数据的自有者。这意味着患者可以通过在区块链上签署交易来控制和限制对其个人健康信息的访问，要求接收方在尝试访问数据之前验证自己的身份。因此，这一新兴模式可以在原子级别确立隐私，以及严格执行的实践。

总结

在本章中，我们通过引入中心化、分布式和最后的去中心化数据库的概念，着眼于存储领域。此外，我们还对比了 Web 2.0 和 Web 3.0 应用的数据消费模式。我们还更加深入地了解了在应用和 DAO 中使用去中心化数据库的核心动机和需求。最后，在本章末尾，我们探讨了可以分析和应用的各种新兴模式。

在下一章中，我们将观察这些新兴模式如何应用于利用区块链和人工智能构建去中心化经济的智能应用。

第五章：利用人工智能赋能区块链

“结合信任和智能，打造更美好的互联网时代”

本章探讨了多种方法和设计模式，通过利用人工智能（AI）模型和技术提升区块链解决方案的质量。您将看到人工智能如何与区块链结合在多个垂直领域中应用。此外，您将能够识别白色空间，采用引导方法解决它们，并通过使用区块链和人工智能设计解决方案。在本章中，我们将涵盖以下主题：

• 结合区块链和人工智能的好处

• 关于 Aicumen Technologies

• 结合区块链和人工智能在疫情管理中的应用

• 结合区块链和人工智能在社会金融中的应用

• 结合区块链和人工智能来人性化数字互动

• 人工智能的民主化与去中心化

结合区块链和人工智能的好处

简而言之，使用人工智能的商业利益是降低成本，使用区块链的商业利益是使流程透明化。当两种技术一起使用时，你可以将一类新的解决方案应用于今天缺乏透明度和成本效益的各种问题。在接下来的章节中，我们将观察使用区块链和人工智能共同解决实际挑战的产品和解决方案。我认为以下产品和解决方案是使用两种技术的第一代应用程序；在下一波数字转型中可能会有更多的产品。

关于 Aicumen Technologies

Aicumen Technologies（www.aicumen.com）是一家领先的数字创新工作室，致力于通过使用区块链和人工智能构建受信任的分散式智能应用（DIApps）来赋能数字经济中的价值创造，并于 2017 年成立。

利用新兴技术提供解决方案的关键挑战之一是实施针对现实问题的有意义解决方案的能力。在诸如区块链和人工智能之类的技术变革中，这一挑战更加明显。为了应对这一挑战，Aicumen 开发了一种独特的数字重塑过程，既具有创新性又具有可行性，以利用区块链和人工智能等颠覆性技术提供有意义、有价值的商业解决方案。

数字重塑过程是一个自下而上的过程，技术上由凝聚的协议层、分散式网络、智能传输和可适应应用所定义。在整个过程中开发和使用的协议是Krama 智能协议（KIP）。像 MóiBit 和 MoiFi 这样的分散式网络是建立在 KIP 之上的，嵌入了智能传输，如社交信任指数（STQ），以创建 DIApps，如 FINETs、Tracy 和 REBECA。

这个过程也可以定制和重复使用于其他一起构成数字重塑技术栈的区块链和人工智能技术。

在接下来的章节中，你将了解到一些由 Aicumen 构建并由区块链和人工智能驱动的产品。

结合区块链和人工智能进行疫情管理

最近，我们经历了一场名为COVID-19的新型流行病，这场流行病影响了许多人的生活。全球经济几乎停滞不前，因为人们担心感染。为了复苏我们的经济，我们需要管理当前的感染并防止它们再次发生。这对于政府、当局和公民来说是一项具有挑战性的任务，他们被期望在这些不确定时期遵守一套新规则。因此，疫情管理软件正在成为一种重要的促进经济负责任复苏的工具。

数字接触追踪当前问题

虽然政府和当局正尽力借助接触追踪应用程序来管理最近的 COVID-19 大流行，但我们可以观察到一些关键问题：

• 缺乏用户隐私：尽管接触追踪应用程序有助于恢复正常，但用户的隐私受到严重威胁。这可能导致短期内的数据泄露，并在长期内升级为社会不平等。

• 低质量数据：设计不合理的接触追踪应用程序导致了低质量的数据。在一些情况下，我们还可以看到位置欺骗和其他形式的欺骗正在执行，以欺骗当局。这是可能的，因为用户缺乏公共密钥基础设施（PKI），而应用程序正在使用传统的客户端-服务器模型。

• 验证时间延长：使用这类应用程序收集的非结构化数据，将需要更长的时间来决定一个公民或一个社区是否处于感染风险之中。没有准确和高质量的数据点，很难决定是否对一个地区进行隔离。延迟或假阴性结果可能进一步导致灾难性后果和社会动荡。

有了对数字接触追踪当前限制的公平理解，让我们看看一款名为 Tracy 的产品是如何克服这些挑战的。

案例研究：Tracy 是一个隐私保护的用于疫情管理和安全移动的应用程序，它通过数字化方式使政府、公民和医疗专业人员能够在一个无忧无虑和风险缓解的模式下生活。Tracy 可根据当地地区的需求进行定制。你可以在 www.gettracy.app/ 了解更多关于 Tracy 的信息。

现在让我们观察一下在社会金融中使用区块链和人工智能的产品。

结合区块链和人工智能在社会金融中的应用

今天的合作金融世界需要采取更具包容性的方式来为最需要资金的人们提供资金。在后 COVID-19 时代，跨越边界的资本访问可以帮助在富人有意借出资金和需要资金的人之间创建均衡。

融资当前问题

尽管许多应用力求朝着包容性和智能驱动决策的方向发展，但下面是它们面临的一些关键问题：

• 无法获得资金的无银行账户或无银行业者：在疫情后的时代，许多人失去了工作。此外，许多小型和微小规模企业所有者因资金短缺而无法继续日常运营业务。

• 无法个性化贷款和借款：尽管一些国家可能推出了刺激计划以支持创业和促进经济增长，但中央银行和金融服务机构提供贷款的利率可能对借款人无效。因此，有必要直接将贷款人与借款人联系在一起，双方可以达成协议并完成融资。

• 无法衡量借款人还款意向和能力：社会可验证的数据可以作为证据来创建信用评分。人工智能可以衡量借款人的还款意向和能力。在许多贷款平台上我们缺乏这一功能，而一些平台可能在极端水平上实践这一点，从而损害了借款人的隐私。因此，有必要在借款人的隐私和应用程序追踪借款人清还贷款能力之间取得平衡。

通过对社会融资当前限制的充分理解，让我们观察一下一个产品是如何克服这些挑战的。

案例研究: FINETs 是印度第一个专门从事合作金融模型的去中心化金融（DeFi）应用，使印度普通人可以参与到去中心化的世界中。作为同一 DeFi 倡议的一部分，Aicumen 还一直在开发基于资产和本地货币的 DAO，以通过与卢比支持的稳定币（RuCoin）支持金融包容性。您可以通过访问他们的网站www.finets.us/了解更多关于 FINETs 的信息。

让我们来看一些使用区块链和人工智能来使数字互动更加人性化的产品。

结合区块链和人工智能来使数字互动更加人性化

随着区块链和人工智能模型的几个实施正在帮助世界走向更好，去中心化软件社区一直致力于设计最高效的去中心化协议、网络和软件。这种思想和技术的革命最近受到了过去 10 年 AI 和区块链领域前所未有的研究的推动。

数字互动中的当前问题

虽然寻求更好的区块链仍在继续进行中，但以下是区块链技术在成熟和人性化数字互动方面所面临的一些关键问题：

• 可扩展性：大多数去中心化网络预计要运作在大量节点上。因此，网络以最佳形式运作的能力受到网络中节点数量增加的影响。

• 缺乏上下文: 尽管大多数区块链协议和框架都受到去中心化运动的启发，但它们未能捕捉到评估网络生成价值所需的上下文。这在理解和解释大多数传统区块链网络创建的代币的价值方面造成了障碍。

• 应用受网络限制: 网络行为严重限制了应用的范围。这种限制阻碍了大规模采用区块链，因为其结构过于僵化。

对于数字互动的当前局限性有了公正的理解后，让我们看看一个产品是如何克服这些挑战的。

案例研究：Aicumen 正在领导Krama 智能协议（KIP）的研发，这是一项试图使互联网人性化并将权力和控制权交还给用户的倡议。您可以通过访问www.kip.foundation/网站了解更多关于 KIP 的信息。

了解 Aicumen 如何在其产品中应用人工智能和区块链后，让我们现在观察一下将区块链和分布式数据库应用于去中心化人工智能的情况。

去中心化赋能人工智能的民主化

在过去的 10 年里，我们在人工智能领域取得了进步和颠覆性发展，区块链也是如此。随着对大量用户数据的获取，科技公司现在能够为其客户提供内置的人工智能助手。银行和保险公司正在使用聊天机器人来降低运营成本并保持客户参与度。投资公司和交易应用程序正在使用智能顾问来获取股票市场的最新买卖趋势。类似地，我们看到了虚拟助手的引入，如亚马逊 Alexa、Google Home 和苹果的 Siri。这些虚拟助手不再仅限于安装在手机上。最近，这些助手已经与多个第三方服务紧密集成，以在外部应用程序中执行用户命令。

对于用户来说，一个单一的语音助手或聊天机器人技术集成在多个服务中，需要为每个独立的上下文保持 AI 响应的质量。为了确保这些助手和聊天机器人的一致响应质量，我提出了一个更好的测试模型。

正如在第二章中介绍的，AI 景观简介，人工智能也是软件，因此需要严格测试以确保软件质量。最早的人工智能测试方法之一是由艾伦·图灵提出的。他称之为图灵测试。

在图灵测试中，一个人类评估者的任务是仔细检查两组文本。 评估者被告知两个文本片段中的一个来自机器，另一个来自人类。 在最初的图灵测试的理念中，审问将仅限于文本。 如果评估者不能可靠地确定人类生成的文本和机器生成的文本，那么机器被认为成功地躲过了评估者并通过了测试。 需要注意的是，测试不关注 AI 是否能够正确回答问题。 测试只关注文本与人类可能产生的文本的相似程度。 我强烈建议您通过阅读维基百科文章了解更多关于图灵测试的信息：en.wikipedia.org/wiki/Turing_test。

基于此，我能够在 2016 年和 2017 年为不断增长的聊天机器人开发者社区构建一个更新的接口。 这导致了开源框架图灵测试扩展架构（TEXA）的开发，如下一节所述。

案例研究 - TEXA 项目

图灵测试的最初版本面临着来自 AI 领域的许多专家和人工心理学的哲学思想家的批评。 这些批评可以总结如下：

• 机器智能的非量化： 最初的图灵测试没有提供一个由受测试的机器展示的智能梯度。 这一批评需要得到解决，以确定一个基于将其功能分类和分数分级的 AI 是否合格。

• 人类经验的非量化： 最初的图灵测试没有为执行和操作测试的询问者提供开放的知识库。 这一批评需要得到解决，以确保测试的价值以及所涉及的人类智能和人工智能的潜力。

人工心理学： 尽管人工心理学一词有许多含义，但通常被描述为对 AI 的心理加工的研究。 这样的研究可以帮助我们理解机器如何理解对象、数据和模式。

为了与近年来的新型 AI 模型进行交互、评估和评价，需要一个增强的框架，以解决与近期聊天机器人和语音助手的发展相关的批评。 前述两种批评与当前尖端 AI 开发的现状相关，因为许多使用这种 AI 模型的产品针对的是与多个应用程序相连的用户，这创造了丰富的背景。

尽管一些测试框架试图为开发人员提供全面的测试能力，但也存在着保持 AI 性能透明度的需求。这将防止公司在丰富上下文环境中对其 AI 算法的安全性和质量做出大胆声明。总之，我们需要一个全面的测试框架，也能保持测试结果的透明度。这些要求由 TEXA 框架实现。

TEXA 是一个新颖的测试和基准框架，支持简单的数学理论。它可用于与在多语境环境中工作的 AI 进行交互、评估和评价。简单来说，TEXA 通过允许测试人员为与机器的每次互动分配二进制分数来增强了图灵测试的概念。这将使我们能够量化我们模型的质量，并比较它们在多个情境下的性能。

这个测试框架基于新的数学模型，允许测试人员以粒度级别提供他们对人工智能性能的反馈。AI 和测试人员之间的每次互动都可以得分。测试人员提供的分数是以二进制格式，即 1 或 0。这些分数被称为量子分数。每个量子分数代表测试人员对与 AI 的互动的满意度。TEXA 框架中量子分数的增加是一项可以帮助量化用户主观体验的功能。

除了量子分数外，TEXA 框架还提供了在多个语境中测试 AI 的机会。假设一个聊天机器人被建立来满足对资本市场、衍生品和股票进行适当推荐的需求。这个聊天机器人可能被插入一个数据接口，可以为三种不同类型的用户提供见解。所有这些用户都需要及时且清晰地获得关键信息。因此，重要的是聊天机器人不要将与股票相关的查询误认为与衍生品相关的查询。在传统的测试情况下，会创建三个单独的测试会话来测试实现。然而，我们必须理解，在生产中只会运行一个聊天机器人实例，支持三种类型的用户。因此，如果测试被孤立，很难观察到异常。为了观察到上下文切换时的异常，TEXA 框架允许测试人员创建板条箱。基本上，板条箱是一个参数，代表了询问者和 AI 之间交互的上下文。在交互测试会话期间，测试人员可以在为 AI 的响应分配量子分数之前选择适当的板条箱，从而提供粒度化的有针对性的反馈。

分配给属于板条箱的每次互动的量子分数用于计算分数并比较 AI 的响应速度和准确性。

一旦测试会话完成并提交分数，测试分数将计算并存储在本地数据库中。一旦存储在本地数据库中，测试分数将发布在公共 星际文件系统 (IPFS) 上。发布后，为测试者生成一个公共链接以查看结果数据。随后，公共 IPFS 网络返回的 内容标识符 (CID) 用于在以太坊区块链的 Kovan 测试网络上签署交易。交易链接也生成并返回给测试者。交易是公开数据，具有可由普通公众和感兴趣的爱好者访问的审计轨迹。这为 AI 的开发和测试提供了透明的社区，减少了未来任何人干扰评分和排名 AI 过程的可能性。

TEXA 项目为上传聊天机器人数据提供了简单而交互式的用户界面环境，并允许用户在集成流程中与上传的聊天机器人进行交互、评估和评价。您可以通过阅读以下 GitHub 链接提供的文档了解 TEXA 的更多功能：github.com/TexaProject/texa-docs/blob/master/TEXA%20-%20Project%20Report.pdf。

TEXA 的功能

有了对 TEXA 理论及其为聊天机器人和语音助手开发人员提供的特性和功能的基本了解，让我们逐步观察其功能的运作：

1. 测试 AI 实施的人被称为询问者或测试者。询问者在欢迎屏幕上上传聊天机器人数据：

图 5.1：TEXA Web 应用程序的屏幕截图，询问询问者上传聊天机器人数据文件

1. 上传完成后，框架要求测试者用名称标识他们的 AI：

图 5.2：TEXA Web 应用程序的屏幕截图，询问询问者为正在测试会话中的 AI 指定一个名称

1. 提供名称后，屏幕上会打印确认信息。确认屏幕底部有一个按钮，可用于继续测试：

图 5.3：TEXA Web 应用程序的屏幕截图，确认将聊天机器人数据存储在本地服务器中

1. 现在，框架要求测试者输入 AI 实施需要测试的板块或类别的总数：

图 5.4：TEXA Web 应用程序的屏幕截图，要求用户输入板块数量

当板块数量被量化时，测试者被要求为每个板块输入名称。

1. 一旦输入名称，我们进入主要的询问窗口。屏幕提供了一个简单的界面，允许测试者在许多上下文中与 AI 进行通信。在以下屏幕截图中，您可以观察到我们正在测试一个聊天机器人以响应三个上下文，称为股票、衍生品和资本市场：

Fig 5.5: TEXA web 应用程序中的询问窗口的屏幕截图，询问者与 AI 进行交互

现在，测试者将与上传的 AI 进行交互，并通过选择正确的上下文并根据他们的满意度分配分数来评估每个交互。

1. 测试完成后，分数将被提交。现在，我们收到来自框架的确认，分数已被计算并发布到公共 IPFS。给出了访问结果数据的链接。此外，还提供了访问区块链交易的链接：

Fig 5.6: TEXA web 应用程序的屏幕截图，显示结果数据已发布到 IPFS，并提供了区块链交易链接

1. 通过点击第一个链接，我们可以观察结果数据：

Fig 5.7: IPLD 浏览器的屏幕截图，显示存储在 IPFS 上的结果数据

在此屏幕截图中，您可以观察到 AI 的名称、测试者的名称以及 TEXA 框架计算的测试会话结果。

1. 通过点击第二个链接，我们可以观察交易和已签名的数据：

Fig 5.8: 以交易中签名的 CID 散列值作为输入数据显示在以太坊区块链浏览器的屏幕截图

在上述屏幕截图中，您可以看到 AI 的名称和结果的 CID 已作为输入数据提供。这是可在公共区块链上获取的不可变数据，用于证明测试已进行。

1. 最后，通过点击结果屏幕上的访问 /result 按钮，您可以转到以下表格：

Fig 5.9: TEXA web 应用程序的屏幕截图，显示在服务器上对所有本地测试的聊天机器人进行了汇总的结果

上述屏幕截图显示了我在本地 PC 上测试的所有聊天机器人的结果。您可能看不到所有条目，而只能在每个表中看到一行。这是预期行为，因为表从本地数据库读取数据。

要在您的本地计算机上运行此应用程序，您可以按照以下链接中的文档中的说明操作：github.com/TexaProject/texa/blob/master/README.md。

概要

在本章中，我们看到了如何利用区块链和人工智能技术赋予应用程序能力。您已经了解到了 Aicumen Technologies，这是第一批利用区块链和人工智能解决问题的公司之一。我们介绍了几个领域的挑战，例如疫情管理、社会融资和人性化数字互动。我们还介绍了使用区块链和人工智能解决其中一些问题的应用程序。您已经了解到了图灵测试的概念及其在测试聊天机器人中的应用。您还能看到区块链在聊天机器人测试框架 TEXA 中的应用。

本章展示的示例应该能帮助您分析人工智能和区块链在下一代互联网应用中带来的透明和强大应用的好处。

在下一章中，我将向您介绍人工智能在加密货币中的应用，您将能够尝试一些加密交易中的新技术。

第六章：加密货币与人工智能

“用人工智能让加密货币更近我们。”

在本章中，我们将重点介绍加密货币在交易中的应用，以及在加密货币交易中应用的经过验证的人工智能（AI）技术。我们还将确定解决行业内现有市场白色空间的解决方案。您将了解到使用各种类型的替代币进行加密货币交易的钱包的好处。您将学习如何在加密货币和加密货币经济中应用人工智能、预测分析、情感分析和自回归积分滑动平均（ARIMA）等技术。最后，您将通过与加密货币相关的人工智能应用的案例研究获得更多经验。

在本章中，您将涵盖以下主题：

• 人工智能在加密货币中的作用

• 加密货币交易

• 使用人工智能做价格预测

• 做市商

• 加密货币在印度的未来

技术要求

本章需要您能够分析人工智能和区块链在提到的应用领域中的关键能力的应用。

警告：与传统金融市场相比，加密货币市场是高度不受监管的市场，因此被许多国家视为零售投资者的高风险市场。本章中确定的技术不应视为金融建议。在尝试这些技术之前，您必须了解交易策略及其利弊。我们不建议您在没有金融建议的情况下使用任何这些技术。在未经咨询财务顾问的情况下，执行任何这些交易策略可能会损失您的本金投资金额，并且可能还会导致市场出现意外的修正。作者和出版商不对尝试本章中提到的技术而导致的任何财务损失负责。

人工智能在加密货币中的作用

加密货币使全球用户能够以个人身份和机构身份进行商业操作。这减少了价值链上的依赖，并在某些情况下使利益相关者的角色被排除在外。比特币、以太坊和瑞波等加密货币（在某些限制下）使大量人员能够排除中介或探索经济中的新白色空间，包括概念如非同质化代币（NFT）、首次代币发行（ICO）和去中心化自治组织（DAO）。

另一方面，人工智能已经被应用于银行、金融服务和保险（BFSI）行业，以减少跨境运营风险，从而促进机构之间的有效盈利。两种技术的融合对人工智能和加密货币都有益。

在我们深入探讨人工智能在加密货币中的作用之前，让我们通过以下对比表简要观察加密货币在世界中的新兴需求：

法定货币	加密货币
这些大多数是由政府根据部分准备金银行或量化宽松模式铸造的。	由矿工或验证节点根据网络费用模型的投票方案铸造。
并非所有法定货币都以数字形式存在，因此很难追踪和征税。	大多数加密货币都是数字形式，具有透明的交易，这有助于理想的税收合规。
通常由国家级联邦银行通过积极的货币政策进行监管。	加密货币是分散式的。因此，通过国家监管所有这些货币是具有挑战性的。
货币转账和结算可能需要数天时间。	货币转账几乎是即时的，几分钟内即可完成最终性。
由于中心化，数字货币可能不太安全，因此容易受到网络威胁的影响。	在管理一致性方面非常有效。黑客可能无法入侵托管开放分类账的所有节点。
与加密货币相比，可能不太容易波动。	由于投机，与传统货币和货币市场相比，波动性很高。

通过对使用加密货币的潜在好处有了简要了解，现在让我们来了解一下当今加密货币的使用情况。

加密货币交易

交易加密货币已成为全球财富创造的替代途径，除了为各自区块链平台的用户提供流动性外。从小型加密货币交易所到亿万美元的对冲基金，几个实体都直接或间接为其客户提供交易服务的财富管理服务。

在多个区块链上流通的超过 2000 种加密货币，以及购买、使用和交易的途径，使得互联网上持有加密货币从未如此简单。 2018 年，所有加密货币中的市值最高超过了 5000 亿美元（USD），因此加密货币被视为长期的替代财富创造媒介。

现在让我们来了解一下加密货币交易的实际工作原理。以下图表是有帮助的：

图 6.1：分散式交易所中加密货币交易的工作示意图

上图是演示加密货币交易所内两名用户进行买卖代币的示例。第 2 方愿意以预定成本在特定日期和时间出售加密货币或代币。在下达 PUT 期权时，会提及方愿意出售的代币数量。同样，第 1 方有意按照 CALL 期权中设定的理想费率购买相应的加密货币资产。交换每次运行的算法来识别双方同意的买卖价格，从而执行交易。因此，匹配引擎足够高效和有效，可在短时间内执行最佳交易。

在对加密货币交易如何运作有基本了解的同时，让我们现在继续了解该技术所带来的问题。

问题和特别考虑事项

尽管使用加密货币交易创造财富的增长令人印象深刻，但由于以下原因，市场仍然存在效率低下的问题：

• 难以确定市场中的剧烈波动

• 缺乏智能的订单匹配引擎，允许用户估算其持有的资产的正确价值

• 由于市场反应不一，难以计算可预测的风险

• 对保护钱包免受攻击的弱网络安全策略，导致价值超过 10 亿美元的加密货币丢失到黑客攻击中。

人工智能在加密交易中的好处

在加密交易领域可以应用多种人工智能技术，如基于定量（时间序列等）和非定量（新闻、社交声誉等）数据的机器学习（ML）和深度学习（DL）。其好处在于，它可以帮助投资更加成功，更敏锐地发现交易趋势中的异常，并在交易机器人的情况下在关键情况下快速反应，建立代表买家和卖家情绪的聚合信号。此外，应用人工智能还可以在密码生成、检测虹膜、视网膜等生物特征识别等方面为加密货币交易所或对冲基金组织和管理的钱包带来显著的安全增强。这意味着用户资金也不易受到登录异常的影响。

在了解加密货币交易及其潜在好处的概述后，让我们现在向加密货币市场进行价格预测。

使用人工智能进行价格预测

传统市场以及加密货币市场被认为是有效的，如果市场资本化的增长随时间逐渐增加。市场中一个值得关注的维度一直是价格预测。在传统市场中，预测性分析概念已经被投入实践，用于通过算法交易赚钱。

几个带有时间戳的数据集作为模型的输入，该模型能够根据诸如新闻、公告以及市场对特定加密货币的任何监管行动的反应等动态来分类股票或加密货币价格是否上涨或下跌。

现在让我们试着了解一下加密货币价格预测市场面临的一些主要问题。

价格预测存在的问题

让我们来看看关于加密货币价格预测的两个主要问题。它们详细如下：

• 无法调整算法以适应加密市场情绪

• 无法维持和衡量流动性

在预测公开交易的加密货币价格方面，越来越多地应用了 AI 技术，例如神经网络。与股票市场中的价格预测相比，加密货币市场波动性较大，技术进步、公告以及新兴竞争等各种属性会相对更高地影响价格。因此，在这些场景中，机器学习可能不太有效。

尽管用于训练模型的数据特征与传统股票市场相似，但在选择 DL 技术时会考虑到前述因素。我们将探讨在通常称为长短期记忆（LSTM）的架构中应用人工循环神经网络（RNN）的应用。

以下图表是 LSTM 单元的表示，以及如何将函数应用于其的描述：

图 6.2：LSTM 单元中的重复模块包含四个交互层

你可以查看 Guillaume Chevalier 制作的图表，链接如下：en.wikipedia.org/wiki/Long_short-term_memory#/media/File:The_LSTM_cell.png。这是链接的许可证，creativecommons.org/licenses/by/4.0/。

采用 LSTM 方法，将加密货币交易数据分组到基本的共同属性下，如开盘价、收盘价、最高价、最低价和成交量，详细如下：

• 开盘价（Open Price）指的是一天开始时加密货币的价格。

• 收盘价（Close Price）指的是一天结束时加密货币的价格。

• 最高价格（High Price）指的是当天记录的最高价与美元的比值。

• 最低价格（Low Price）指的是当天记录的最低价与美元的比值。

• 交易量指的是该特定日子交易的总数量。

可以从大多数加密货币交易所通过 OpenAPI 规范提取任何给定日子的前述五个属性。提取的信息可以根据个人或工具的喜好样式剪裁为数据集。通常，数据集必须分为三个部分：60%的数据点用于训练，20%用于验证，20%用于测试。LSTM 模型具有在处理数据时识别模式的独特能力，并且在数据集中忘记任何不必要信息。现在，这些信息与必要的激活函数一起通过多个门馈入 LSTM 单元。

让我们探索 LSTM 在加密货币价格预测中的应用示例。以下示例是维洛尔理工学院（VIT）的研究助理阿比纳夫·萨加尔（Abhinav Sagar）的工作（github.com/abhinavsagar/Cryptocurrency-Price-Prediction）。该模型由三个基本层组成：输入层、隐藏层和输出层。因此，神经网络将由这些层组成，具有线性激活函数。该模型使用 Adam 作为优化器，均方误差（MSE）作为损失函数进行编译。

下图显示了基于 LSTM 的比特币价格预测算法的输出：

图 6.3：基于数据集的加密货币线性图

您可以在以下链接查看此图：github.com/abhinavsagar/Cryptocurrency-Price-Prediction。

下图比较了比特币的预测价格值与同一时间轴上比特币的实际价格：

图 6.4：应用 LSTM 模型的实际与预测价格对比

您可以在以下链接查看此图：github.com/abhinavsagar/Cryptocurrency-Price-Prediction。

有了对 LSTM 的基本理解以及它如何在价格预测中使用的了解，让我们在下一节中了解其好处。

预测中的人工智能的好处

对交易数据应用分类模型和预测性分析实践可以为交易员提供经过良好训练的决策，并帮助实现效率。它还可以帮助交易员从更好的市场交易中获利，尤其是在全球运行 24/7 的加密货币交易中，这类交易类似于传统的高频市场，如外汇（Forex）。

有了对 LSTM 如何对价格预测有益的基本理解，现在让我们来探讨时间序列。

时间序列简介

时间序列是一系列随着时间逐渐变化的数据点，与加密货币的价格相比，以离散级别进行索引。这个想法并非新颖或专门适用于加密货币。事实上，传统金融行业存在刻度数据库。加密货币行业借鉴了这种方法，以利用量化金融（也称为算法交易）的好处，在加密货币中获得更高的回报。

以下图表表示比特币加密货币市场中最长的一次涨势的价格时间序列：

图 6.5：比特币价格与美元之间的时间序列信息，以对数刻度表示，在崩溃发生之前

您可以在以下链接查看此图表：commons.wikimedia.org/wiki/File:BitCoin-USDollar_2011-19_(Bitstamp,_Mt._Gox).png.

时间序列通常以刻度数据的形式存储，并以图表的形式表示。从时间序列获得的数据也可以用于分析商品的非量化价格趋势。

现在，让我们探讨在时间序列预测中应用 AI 的应用。

使用 ARIMA 进行时间序列预测

由于加密货币价格受到各种因素的影响，使用简单的 ML 模型来分析和预测价格并不容易。因此，使用 ARIMA 模型来预测价格。考虑比特币的时间序列示例，如前图所示。我们无法将变化归因于单个参数并开发满足我们对价格预测的要求的线性回归模型。因此，ARIMA 被广泛使用，以便我们可以应用模型，注意预测中的误差，对模型进行必要的更改后重新测试模型，并再次计算 MSE。

通常，ARIMA 模型提供合理的价格预测，误差率在 3%至 5%之间。ARIMA 的关键优势在于，模型相当简单易于校准，这鼓励数据科学家大幅减少加密货币价格的预期值与预测值之间的平均误差。

以下图表是一个校准后的 ARIMA 模型输出，用于预测比特币价格：

图 6.6**：** 使用 ARIMA 进行比特币价格预测

您可以在以下链接查看此图表：www.kaggle.com/ayushi2/bitcoin-price-ar-ma-and-arima.

现在让我们探讨在高频交易环境中 AI 的其他应用。

算法或量化交易在加密货币中的应用

您知道全球发生的大量交易呼叫中有相当多的呼叫并非由人类进行吗？相反，它们是由操作程序编程和自动化到一定程度的。这种类型的交易涉及对大量呼叫的利润的敏锐关注，从而在非常短的时间内取得良好的利润。这被称为算法交易。顾名思义，这些机器所做的交易呼叫被优化为查看图表和报告无法感知的利润。这些呼叫发生在毫秒之间，并被预测将接管我们所知的金融市场。

让我们现在了解一些针对加密货币进行利润优化的基本算法应用。

套利

如果您不活跃于金融领域，术语套利是指利用两个不同地点相同资产的不同价格来从资产的交易交易价值差异中获利的做法。简单来说，套利是一种利用两个或更多市场上相同资产的不同经济价值的交易策略。您可以在价格更低的市场购买，然后将其出售给需求更高的市场。

套利的历史可以追溯到公元前 650 年（www.sfu.ca/~poitras/EQF_ARB%24%24.pdf），当时在波斯以较低的价格购买银币，并以较高的溢价在希腊出售是一种常见做法。

需要注意的是，这种策略对加密货币并不新奇。套利从上世纪 80 年代初的现代金融就适用于传统金融工具。即使在今天，它仍然是一种活跃的交易策略。

在我们深入了解算法交易应用如何帮助进行比特币套利之前，让我们先了解一些基本背景。在撰写本文时，比特币（通常用其代币符号比特币（BTC)）在 100 多个交易所上市（coinmarketcap.com/currencies/bitcoin/markets/），不同交易所的价格略有不同。

在下面的截图中，您可以观察到多个交易所的比特币的两种不同价格：

图 6.7：2020 年 2 月 26 日记录的 10 个不同交易所上一比特币的美元价格

您可以在以下网站查看前面的截图：coinhills.com/。

如果有一种方法可以即时购买比特币，并将同样的比特币卖给交易用户，你可以简单地应用基本数学来理解获利 2 美元的潜在机会。然而，假设这两笔交易都能够在近乎瞬间完成以从这笔交易中获利是天真的。如果这笔交易能够成功实现，那么就已经成功建立了一种加密/法币套利交易。

然而，重要的是要记住，从交易所提取法定货币取决于各自国家的商业便利程度。因此，我们需要了解这些交易可能并不总是即时盈利的。

已开发出算法，以实现两种加密货币之间的即时套利交易。假设在交易所 1 中，1 BTC的成本是 50 以太币（ETH）。假设在交易所 2 中，相同数量的 1 BTC 的成本是 60 ETH。在这种情况下，算法交易将确定最适合的加密货币交易对，并执行交易，从而在几秒钟内赚取最大利润，从而赚取 10 ETH。如果这样的交易能够成功实现，那么就已经成功建立了一种加密/加密套利交易。

旧金山开放交易所（SFOX）是一家由 YCombinator 支持的交易平台，自 2015 年以来已为超过 175,000 名交易者提供服务。该平台多年来的总交易价值接近 110 亿美元，为客户在 20 多个市场上探索套利机会。SFOX 提供行业领先的算法交易，例如以下内容：

• 龟：适用于交易较少比特币的优化订单路由，但比其他算法更慢。

• 兔：比龟更好的价格目标，而且速度毫不妥协。

• 大猩猩：优化以执行具有适当控制市场波动的大额交易订单，以确保市场不会移动。

• 北极熊：优化以执行用户设置的最佳限价的隐藏订单。一旦算法确定了订单簿中的最佳价格，它将立即以该价格执行订单，而不会深入订单簿。

尽管存在适用于套利的良好支持算法，但这并不总是能够确保低风险的交易策略。算法还必须足够高效，能够在一瞬间抓住机会，以弥补在不同市场的多个交易所进行的所有交易的总费用，因为这些被一些专家视为隐藏边际成本。

现在让我们探讨如何利用人工智能来改善做市商活动。

做市商

市场做市是加密货币交易业务中的关键过程，其重要目标是为市场中的加密货币提供流动性。让我们详细探讨这一点，如下所述：市场中的买方放置一个出价（bid）以购买特定的加密资产。有意出售相同类型的加密资产的卖方可以放置他们的要价（ask）来出售该资产。通常，买方和卖方的价值不匹配，因为买方通常报价较低的价值，而卖方报价较高的价值。这可能导致双方期望之间存在差距，从而产生一个价差。

当共同价格分歧加剧时，价差值扩大，导致产生了流动性不足的代币或加密货币。流动性不足的代币基本上是不可交易的，因为期望没有得到满足。因此，较低的交易量会减缓代币的流动性，降低相应代币的市场资本化。这对业务是有害的。因此，需要流动性提供者帮助买家和卖家在中间达成一致。

市场做市商通过收购大量代币并在多个市场为交易者提供流动性来解决这个问题。

以下图表有助于您了解市场做市周期：

图 6.8：市场做市周期的通用示意图

简单来说，市场做市是一种批发购买 ICO 代币并为较小的投资者提供零售价值的过程。市场做市商的收入模型是通过以较低价格批量购买代币，并将来以较高价格销售给未来的接受者来构建的。

再次强调，市场做市并不是加密货币的新概念。这是一种在多个市场上应用到几乎每一种传统金融工具的庞大运营业务。

尽管这种模型在传统金融中相当有利可图，但在加密货币交易领域识别流动性需求是一个巨大的挑战，因为有超过 1000 种加密货币在没有边界或时区的情况下进行活跃交易。因此，必须应用一些深度学习技术，如进化算法，来识别特定目标加密货币列表可能需要流动性的所有可能情景。

通过对市场做市的基本理解，现在让我们来了解所面临的问题以及人工智能如何解决这些问题。

问题和特别考虑

市场做市商面临的主要问题之一是，传统系统中捕获的数据缺乏完整的上下文。

交易数据中人工智能的益处

在区块链交易的半结构化数据上应用人工智能可以为更好的分析铺平道路，并提供更深入的洞察，以做出高效的交易决策。来自多个区块链的实时高吞吐量可以通过应用人工智能模型进行分析，从而在不同的区块链领域中做出明智的决策。

印度加密货币的未来

印度长期以来一直是少数几个对加密货币立场不确定的发展中国家之一。2018 年 2 月 12 日，来自印度储备银行（RBI）的通知建议所有银行和受印度储备银行监管的机构不支持任何涉及虚拟货币的个人或实体。尽管印度的交易所无法支持与银行账户相关的存款或提款，但这被视为对与加密货币相关的所有活动的全面禁令。

2020 年 3 月 6 日，印度尊敬的最高法院的裁决推翻了印度储备银行的通知，因此撤销了印度储备银行对金融机构提供服务于这些交易所和交易者的禁令（main.sci.gov.in/supremecourt/2018/19230/19230_2018_4_1501_21151_Judgement_04-Mar-2020.pdf）。

尽管这对加密交易行业是暂时的缓解，也是许多其他发展中国家和经济体的榜样，但周围的生态系统仍存在较大的不确定性。撰写时，据报道印度储备银行已提出复审请愿，以挑战该国最高法院的裁决。值得注意的是，为了支持这些业务而不损害国家经济，反洗钱（AML）和了解您的客户（KYC）法规将被更新。

在规定与为行业提供正确教育之间取得平衡，有助于印度在这一行业中蓬勃发展，并成为下一波数字经济的全球领导者。在那之前，印度的这种不确定性仍然存在。

摘要

本章重点介绍了人工智能在加密货币及其新兴经济中的作用。从法定货币和加密货币之间的主要区别开始，我们向您介绍了加密货币市场中的各种实践，如交易、预测、套利和市场做市。我们不仅介绍了基本概念，还确定了行业交易者面临的关键问题。最后，我们介绍了一些利用人工智能解决问题的方法，并利用诸如 ARIMA、LSTM 等多种人工智能技术，旨在打造更好、更高效和更具盈利性的模型。

我们希望本章通过分析今天常见的一些实践，使您能够识别将人工智能技术应用于加密货币市场的关键空白。在下一章中，我们将了解构建和部署此类应用程序所需的正式软件开发生命周期。

第三部分：开发区块链产品

在本书的最后一节中，我们将了解 DIApp 架构，了解如何开发 DIApp，并观察一些示例用例，以进一步研究区块链与人工智能融合的可能性。我们还会提到一些关键的互联网资源和社区链接，这些资源可以在技术上进一步帮助您。

本节包括以下章节：

• 第七章，DIApp 开发生命周期

• 第八章，实施 DIApps

• 第九章，区块链与人工智能的未来

• 第十章，附录 – 向前迈进 – 为您提供的资源

第七章：一个 DIApp 的开发生命周期

“快。好。便宜。选择其中两个。”- 未知；被许多软件项目经理使用*

在本章中，我们将探讨一系列新的模式，可以用于区块链和人工智能启用应用程序的软件开发生命周期（SDLC）。它将帮助您构建现代应用程序，解决前几章讨论的各个行业面临的问题。在介绍 SDLC 方面之前，我们还将比较传统的区块链应用与下一波智能分散式应用之间的区别。我们还将探讨可以在修订后的 SDLC 下构建的新类型应用程序的架构方面。

在本章中，我们将涵盖以下主题：

• 在区块链中应用 SDLC 实践

• DIApp 简介

• 比较 DIApp 和 DApps

• 设计一个 DIApp

• 开发一个 DIApp

• 测试一个 DIApp

• 部署一个 DIApp

• 监控一个 DIApp

技术要求

本章需要您能够分析在软件开发过程中应用 AI 技术以及区块链技术的好处，涉及几个应用领域。

在区块链中应用 SDLC 实践

距区块链技术问世已有十多年，需要新兴模式将区块链技术和人工智能技术应用于不断扩张的互联网中，有效地管理各个行业垂直领域的软件开发实践需求。

让我们逐步探讨 SDLC 的所有主要方面。

从构思到产品化

存在许多构建新应用程序的想法，但是很少有想法被转化为设计。尽管在设计分散式应用程序方面做出了努力，但只有少数设计实际上对现实世界足够实用。这是由于产品期望与开发者手头可用技术的准备不足之间的不匹配造成的。在某些情况下，技术和功能可能已经可用，但由于这些区块链最近和不稳定的增长，它们可能得不到足够的支持。因此，普遍存在这样一个认识问题，即区块链中并非所有想法都能转化为产品。

除了平台本身的限制之外，还存在一种倾向，即由于害怕错过机会，将每个现有解决方案“区块链化”。一些公司甚至在可能不适合其目的的情况下也想尝试，这也可能导致问题。

根据我过去三年在区块链和人工智能领域的积极开发经验，这些问题可以通过采取以下一些步骤来解决：

1. 理解业务流程：

在我遇到的大部分基于区块链的用例中，对业务流程的清晰理解至关重要，因为大多数区块链解决方案将影响业务的运营和财务方面。因此，在对复杂步骤或所需方法的危险假设之前，重要的是在更大的细节上教育所有利益相关者关于业务流程。

例如，如果正在开发一种使用区块链和人工智能数字化转型乳制品公司的新解决方案，团队中的每个人都必须对将牛奶从牛场带到餐桌的端到端流程有舒适的了解。

1. 建立清晰的要求：

在任何新兴技术中都很常见的是，大部分努力往往被夸大了，从而缺乏构建应用所需的客观清晰度。在我们能够确定潜在的集成点之前，我们必须明确了解应用区块链或人工智能解决方案时解决了什么问题。所有利益相关者必须尽力在这里清晰地传达功能和非功能需求。这在未来管理期望方面会很有帮助。

例如，组织的决策者或所有者可能确定了需要从生产原奶的当地牛场获得更好的透明度和责任制。所有者可能还确定了需要分析所有乳制品的当前销售趋势，以确保根据需求提供牛奶用于进一步加工制造必要的乳制品。

1. 识别业务流程中的关键检查点：

一旦需求被确定并澄清，对于区块链来说，直接跳入设计是至关重要的。我们必须确定当前的实施情况并理解关键的商业组件以及技术必须应用和集成的检查点。

例如，在牛群中识别每头牛可能是团队的最基本和根本的检查点之一。另外，理解当地生产商收集的原奶是否是通过数字称重秤手动输入到系统中，还是自动化的。在为其他乳制品保留一定数量的牛奶的情况下，了解是谁决定或批准了从储备牛奶生产乳制品的重要。

1. 检查技术集成是否可行：

一旦确定了检查点，我们现在可以确定解决问题的各种技术方法，并检查其是否适应更大的过程。很多时候，与传统解决方案不同，区块链开发人员受到限制，要么是受到基础设施和平台的限制，要么是受到所给定的区块链平台支持的功能的技术稳定性的限制。

例如，假设我们想通过射频识别（RFID）标签来识别牛群中的每头牛。现在，每头配有 RFID 标签的牛必须通过状态变量在区块链中虚拟表示。在这里，开发人员必须不要假设 RFID 标签的值能够在区块链上持续存在。大多数区块链平台对可以存储的数据类型有严格的限制。它们还对可以通过智能合约在区块链上持久化的数据类型的长度和范围施加严格限制，这是由于区块链的去中心化性质所决定的。在这种情况下，我们可能需要识别 RFID 标签的结构，并尝试将其存储在诸如 MóiBit 之类的辅助存储网络中，以识别牛群中的所有牛。

类似地，在测量产奶量的情况下，有必要确定数字称重秤是否能够在区块链上进行智能合约调用。如果奶牛的奶是从非常偏远的地区收集的，则还必须确定此类操作上的障碍。

最后，确定如何将应用于区块链上收集的信息的 AI 模型应用于解决用户需求也非常重要。也就是说，设计师、架构师和开发人员必须了解区块链的交易信息及其数据结构。必须首先努力了解交易信息可以以确保 AI 模型能够充分训练以预测销售趋势并留出必要的奶制品储备的方式进行处理。

1. 建立受影响组件之间的技术依赖：

一旦我们确定了潜在的集成点，就应仔细建立技术依赖关系。这些依赖关系可以是内部依赖关系或外部依赖关系。如果解决方案的开发取决于其设计、架构、用户故事或验收标准，则技术依赖关系是内部的。给定解决方案的设计不良或信息流的不完整可能会导致许多问题。不完整的架构决策也可能导致实施问题。

以下图表总结了在所有方面提供更清晰的需要，以利用区块链和人工智能构建理想解决方案：

Fig 7.1: 代表各种结果和解决方案质量的图表

总结一下，如前面图中所述，只有在需求非常明确和具体，并且具有技术能力优势的情况下，才能实现理想的解决方案。然而，如果需求没有完全记录、理解或传达，则结果是一个部分解决方案，无法提出解决完整问题集的解决方案。左侧四分之一中的另外两种解决方案由于缺乏技术能力而变得贫乏和无效，这些解决方案中有一些没有充分记录需求的地方，以及在建立依赖关系方面存在无效的文档记录。

在了解开发区块链或人工智能解决方案之前必须考虑的基本原则后，现在让我们继续了解这些解决方案是如何定义的。

DIApps 介绍

在了解我们所说的DIApp之前，让我们先了解什么是真正的去中心化应用。去中心化应用或 dApps（也写作 DApp 或 Dapp）是在分布式方式下由多个节点托管的平台上运行的用户应用程序。DApps 作为一种解决方案架构出现在区块链之上，其中可以用一种特定支持的语言编写自定义业务逻辑。一旦逻辑被解释为代码，我们就在相应的区块链平台上部署该代码。一旦逻辑部署到平台上，我们就进一步将逻辑程序与前端应用程序集成，以进行用户交互。

与 DApps 相比，去中心化智能应用（DIApp）是 DApp 的增强模式，可以在区块链平台上更加强大地应用人工智能（AI），为所有利益相关者提供价值。虽然在解决方案中加入人工智能的概念并不罕见，但**DIApps **是一种可理解的方法和一种新颖模式，对于使用区块链和人工智能构建的未来解决方案更有意义。

正如其名称所示，DIApp 是一种提供去中心化和智能功能的应用。由于它是从 DApps 继承的模式，因此默认情况下是去中心化的，这要归功于当前所有区块链平台遵循的实现方式。然而，DIApps 有更智能的独特能力。这是通过一个中间的离线数据库实现的，该数据库赋予 DIApps 从应用程序或通过运行在区块链上的应用程序的用户那里收集大数据的能力。

以下图表提供了本节中所解释的 DIApp 的一般概要图：

Fig 7.2：DIApp 模式的综合视图

前面的图表描述了 DIApp 模式中 DApp 的综合视图。通过这种方式描述模式，帮助您理解对现有模式进行的增强，以便能够应用人工智能。

有了对 DApp 和 DIApp 设计模式的基本理解，现在让我们对它们进行对比，权衡模式之间的利弊。

比较 DIApp 和 DApp

在本节中，我们将概述企业在开发和使用 DApps 时面临的问题。此外，我们将概述企业场景中 DApp 和 DIApp 模式的解决方案架构，并概述其主要区别。

企业面临的挑战

尽管几个区块链平台代表了新的实验方法，但这些方法大多基于全面淘汰业务流程中涉及的所有实体，从而使解决方案纯粹成为点对点的。大多数新兴模式全面淘汰的原因是因为区块链的最大化本质是将世界去中心化。与此思想相反，企业解决方案基本上依赖于在关键利益相关者之间保持责任。因此，需要一种增强的模式，适合企业采用。

DApp 的解决方案架构

DApp 的解决方案架构主要包括以下关键点：

• 业务逻辑是用智能合约中的领域特定语言（DSL）编写的。

• 智能合约部署在区块链网络上，并由一个地址标识。

• 如果要在大多数区块链平台上更新业务逻辑，则智能合约将获得一个新地址。

• 开发一个 web 或移动应用程序作为客户端来访问并执行业务逻辑操作。

• 几乎所有关键数据都存储在区块链之上，几乎没有分析能力的余地。

DIApp 的解决方案架构

DIApp 的解决方案架构主要包括添加技术能力，使该模式更适合企业使用。以下是主要亮点：

• 业务逻辑通常由任何高级语言编写，例如 C、Python、Java 或 Golang，等等，这些语言由低级虚拟机（LLVM）编译器支持。此外，也可以使用普通的智能合约语言。

• 大多数智能合约都是可升级的，这意味着代码可以在不更改地址的情况下更新。

• 传统客户端应用程序也可以与这些类型的智能合约集成，因为与新的中间件集成的需求较少。

• 重要的业务数据不仅存储在区块链网络中，还存储在分散的数据存储系统中，以确保数据的完整性。

主要区别

深入探讨 DIApp 模式的方面后，现在让我们识别一些两种模式之间的主要区别。

以下表格提供了您必须了解的两种模式的高级比较：

DApp	**DIApp **
在区块链平台上部署了所有核心逻辑元素的应用程序。	核心逻辑元素部署在区块链平台上，但同时也由 AI 驱动的见解并行提供支持。
数据大部分存储在区块链平台上，检索所需的费用和时间较高。	重要的溯源数据存储在区块链上，但其余数据存储在更便宜的链下存储系统中。
并非所有的 DApps 都可升级，因此每次更新逻辑都需要新的地址。这可能会破坏系统。	大多数应用程序都可以轻松升级而不改变地址，因此系统不会发生任何故障。
由于在区块链平台上读写的成本，以及训练 AI 模型所需的结构化数据的缺乏，几乎不对数据进行分析。	数据可以很容易地在链下存储系统中进行结构化，并与区块链平台以及 AI 模型紧密耦合。

对于两种模式的详细了解后，让我们现在探究 DIApps 在设计、开发、测试和部署阶段的生命周期。

设计 DIApp

对 DIApps 的设计方面经常被认为是有些具有挑战性的，并且受到不断变化的几乎所有区块链平台引入的技术复杂性的限制。人们普遍认为，解决空间缺乏定义关键组件的共同结构，导致应用程序的设计策略不一致。

例如，基于以太坊的 DIApp 用户所需的工具与 Hyperledger Fabric 以及 EOS 的工具非常不同。这是因为各自区块链的 UI/UX 框架设计迥然不同，深深依赖于其自身的设计范例。因此，在开始未来步骤之前，确定应用程序的设计约束非常重要。

在为 DIApp 制定设计之前，我们必须了解以下部分中解释的研究工作。

研究

在选择将使用的区块链技术或平台之前，了解用户需求、分析它们，并在设计的早期阶段进行更好的研究至关重要。与其问哪种区块链技术可以帮助满足需求，不如考虑这些情景：

1. 解决方案是否要求在对等互动的公共网络上进行完全分散化？

2. 由于数据的极度敏感性和业务逻辑的最小曝光，解决方案是否需要在私有网络中实施？

3. 解决方案是否可以在公共网络上实施，所有敏感数据都加密在公共分散式存储系统中？

4. 同样的解决方案是否可以在公共网络上实施，所有敏感数据都存储在私有虚拟分散式存储服务中？

5. 解决方案是否需要一个授权节点的权限网络，跨越共同体的多个利益相关者？

根据前述指针，我们可以进行以下分析。对于上述列表中的第 5 种情景，最好选择像 Hyperledger Fabric 这样的区块链。然而，在第 3 和第 4 种情景的情况下，您将需要 IPFS 或基于 IPFS 的服务提供商，他们将加密数据并将其存储在安全介质中，通过辅助网络提供安全性和冗余性。在情景 2 中，您可能再次最适合使用 Hyperledger Fabric。最后，在情景 1 中，可能是大多数情况，以太坊可能最适合您的解决方案要求。

概念化

制定概念验证是利用新兴技术开发解决方案的重要步骤。对于去中心化应用程序的概念验证的开发也很重要，因为它们确保了需求和解决方案的交付之间的一致性。这有助于在开发的早期阶段就保持功能和设计的一致性。

还值得注意的是，由于区块链领域的设计和架构变化的浪潮，概念验证的规范可能会发生变化。因此，概念验证应更多地关注开发人员可用的兼容模式的功能可行性。

产品市场契合度

开发概念验证和原型化应用程序的关键方面形成了一个递归的实践，直到我们能够看到产品市场契合度。DIApp 的产品市场契合度的定义和约束不能是通用的，因为每个 DIApp 可能针对特定领域的特定问题。然而，一些共同的特征可能有助于确定 DIApp 的产品市场契合度。

它们如下：

• DIApp 是否解决了行业中各种利益相关者面临的独特问题？

• DIApp 是否使当前流程中效率低下的当前实体变得无关，或者为流程带来更多秩序？

• 只有利用区块链和人工智能的组合才能实现 DIApp 的好处吗？

• DIApp 是否通过使用 AI 模型帮助用户利用 DIApp 获得洞见？

通过回答前面的问题，我们可能能够确定 DIApp 是否已经达到了合适的产品市场契合度。对于您的 DIApp，除了前述的一般属性之外，识别其他关键指标也很重要。

在我们掌握了设计方面的基本知识和关键要点后，让我们现在在下一节中了解 SDLC 的开发方面的关键亮点。

开发 DIApp

DIApp 的开发可能会棘手。由于人工智能和区块链尚未在开发中受到广泛关注，行业中的一些做法尚未被所有人看到。在本节中，我们将重点介绍 DIApp 的关键开发方面。

在探讨技术细节之前，让我们了解组织中开发能力的一个基本方面。由于区块链和人工智能处于创新的最前沿，一个公开的事实是许多组织仍在努力建立各自技术的综合专业知识。话虽如此，建立一个由智能合约开发、Web 或移动应用程序开发以及人工智能或数据科学建模等技能互补的团队成员组成的团队也是至关重要的。以下部分概述了理想的 DIApp 团队。

团队组建

在企业设置中，我建议为概念验证开发采用以下团队格式。假设团队成员具备定期的技术和解决方案专业知识：

• 两名具有良好的 Solidity、Rust 和 Golang 编程语言实践知识的智能合约开发者至关重要。由于一些区块链基于函数式编程语言提供智能合约，因此也更倾向于具备 Haskell 知识。其中一位智能合约开发者可能专注于功能开发，而另一位可以负责故障修复、内部审计、代码质量审查等工作。

• 一个具备基本区块链知识的全栈 Web 开发者用于开发前端 Web 应用程序。如果目标受众是移动端用户，可能需要相应选择一位移动应用程序开发者。

• 可能需要一位 SMACK-stack 开发者来搭建所需的分析平台，以构建解决方案中的人工智能功能。

• 可能需要一位机器学习或深度学习工程师来构建所需的模型。如果应用程序需要深度学习或神经网络，则应相应做出选择。

• 最后，您可能需要一位 DevOps 工程师来编排基础架构，并通过明确定义的持续集成/持续交付（CI/CD）管道在供应商或云平台上部署所有必要组件。

一支由六名具备互补技能的全明星团队可以帮助开发概念验证并建立所需的技术功能。两名智能合约开发者可以由一名具有端到端经验的高级智能合约开发者取代。

通过适当的团队设置，我们将在下一节讨论一种最佳的项目管理实践，以交付概念验证。

敏捷开发

一旦团队建立并且需求清晰记录，我建议尽可能为概念验证和随后的构建制定清晰的发布计划。如前所述，在 DIApp 设计部分，区块链技术的技术方面变化非常频繁。为了跟上变化的步伐，管理客户期望非常重要。否则，可能会在技术问题之上导致另一层复杂性。

让我们看一下以下图表：

图 7.3：将发布计划分解为团队可行任务的示意图

如前图所示，需求需要非常具体地记录并分解成三个层次的项目。经理和产品所有者都会在发布计划中处理功能，而产品所有者独自指定每个概念验证或任何发布的要求，以用户故事的形式。一旦用户故事以期望的输出记录下来，团队就可以共同将其分解成许多工作项目或任务。您还可以将任务分解为多个子任务，以便在概念验证发布之外的大型项目中更好地记录努力。任务可以分配给个人，可以是与区块链相关或与人工智能相关。

如果需求清楚地记录下来，您可以组织迭代计划。根据敏捷开发，您可以组织至少 2 到 3 周的迭代。概念验证发布可以规划在一个或多个迭代中。在每个迭代结束时，团队必须组织一次回顾会议，以审查进展并反思当前的实践。

与传统应用的回顾相比，您还可以识别组件产生的风险或问题。由于生态系统仍在发展中，观察到的不足之处可以转化为问题。这些问题可以被分离并在相应依赖项的存储库中进行归档。大多数依赖项都驻留在 GitHub 上。因此，开发人员必须对该平台有足够的了解，以便浏览平台、与他人合作并解决问题。

这个流程会在多个迭代中重复进行，直到所有功能、需求和错误修复都按照发布计划得到解决。

了解了开发 DIApp 的关键方面的基本概念和概述后，现在考虑测试 DIApps。

测试 DIApp

由于这些应用很可能管理高价值资产和敏感信息，测试 DIApps 在部署所有网络模块之前和之后都是流程中的一个至关重要的步骤。确保应用程序的正确性和持久性对企业至关重要，因此，将严格的测试实践重新引入到开发生命周期中成为了非常重要的一个方面。

让我们现在来看一下 DIApp 的测试和部署过程的重点亮点。

撰写测试用例

在软件部署之前，我们可以尝试确保软件的正确性，同时通过运行一些关键测试来确认运行时环境的适应性。通常，这些测试是在源代码中实现的，以单元测试文件的形式，其中包含将虚拟输入值传递给函数，然后通过断言来检查软件在相对新的环境中的正确性。每个测试用例都代表了一个逻辑执行和提供预定输出场景的场景。我们将在第八章，实现 DIApp，中进行更多关于单元测试用例生成的实践。

测试用例在两个测试级别上执行：单元测试和集成测试。

单元测试

DIApp 模式中的每个组件都为解决方案提供独特的价值。因此，确保解决方案中每个组件的正确性至关重要。通过执行单元测试可以实现这一点。在单元测试下，我们可以在将其与其他模块集成之前测试每个模块的核心功能。单元测试通过将实际输出与期望输出进行比较，有助于正式验证这些模块的正确性。每次对模块进行更改时，该过程都会重复，从而在每次更改模块时保持模块的正确性。

一旦模块经过单元测试和集成，我们就可以执行集成测试，如下一节所述。

集成测试

如前面所述，DIApp 是许多技术的混合体。因此，测试每个异构组件的行为以确保它们提供准确的结果至关重要。这通过执行集成测试来实现。一旦组件集成完成，我们可以运行一些测试用例，正式验证依赖一个或多个异构组件提供输出的一些关键组件的正确性。

测试 AI 模型

尽管传统软件可以通过单元测试和集成测试进行测试，但我们需要不同的措施和方法来测试 AI 系统。测试 AI 模型和能力可以分为两个阶段。测试的一个阶段是在模型进入生产之前。另一个测试阶段是应用于生产后。在将 AI 模型投入生产之前，可以通过验证训练数据的正确性和完整性来进行测试。同样，一旦部署了 AI 模型，我们可以经常测试其准确性和可用性。还可以进行图灵测试，以了解 AI 模型是否已能够充分替代人类对任务的响应。

通过对 DIApp 开发中测试的基本理解，现在让我们来了解一下 DIApp 的部署过程。

部署 DIApp

在本节中，我们将讨论在混合环境中部署基于区块链的应用程序的常见做法。与其他新兴技术不同，区块链平台需要相对更长的时间来设置网络并使整个生态系统运行起来。因此，几个区块链平台已经意识到 DevOps 作为开发这些平台的一个组成部分的必要性。因此，值得注意的是，DevOps 知识在使用这些平台开发应用程序和部署解决方案时也是必不可少的。

为了投入生产环境，需要对 DIApp 进行扩展。

DIApp 的部署是生命周期中的最后关键步骤。除了正确性外，还必须确保应用程序在设计、架构和开发上支持以可伸缩的方式部署应用程序。规模不仅仅是以用户数量来衡量，还取决于成本、形式因素和可能直接影响运营的其他经济属性。

有几种工具可用于部署 DIApps 及其依赖项，例如 Docker、Kubernetes、Ansible、Terraform 和 Mesos。我们将在第八章，实施 DIApps中进一步探讨 DevOps 工具，并提供一些示例。

监控 DIApp

在本节中，我们将讨论许多人用于监视区块链应用程序交易的常见做法。

浏览器

大多数去中心化解决方案部署在公共区块链网络或数字账本上。在大多数公共网络中，都可以使用区块链浏览器查找有关交易或区块的信息。然而，如果 DIApp 解决方案在私有或许可环境中实施，这些公共区块链浏览器可能无法提供有关属于私有网络或私有账本的交易的信息。因此，我们必须能够部署现有的区块链浏览器，并将它们连接到私有服务的端点。这是在私有环境中方便用户监视其交易的唯一方法。有几个开源的区块链浏览器实现可供下载，并可连接到私有服务。

公开区块链浏览器的一些示例包括 Etherscan、EthStats 和 BlockScout。我们将在下一章中讨论它们。例如，BlockScout 是一个开源的浏览器，您可以使用它创建一个针对您的私有以太坊网络的特定浏览器。

总结

在本章中，我们探讨了 DApp 和 DIApp 的基本定义。我们还对比了这两种技术的解决方案架构和设计模式。基于 DIApp 的优势，我们进一步探讨了从构思到发布或部署的 DIApp 的 SDLC 方面。区块链和人工智能的新经济需要重新定义的 SDLC，包括涉及的新技术。我们已经概述了在开发 DIApp 之前需要考虑的步骤和流程。

在下一章中，我们将专注于应用 SDLC 的开发方面，通过在各种区块链平台上开发示例应用程序，以及常见的人工智能技术。