人工智能在數(shù)字貨幣的全球應(yīng)用中扮演著怎樣的角色

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(jì)學(xué)”項(xiàng)目，因?yàn)槲矣X(jué)得更好的獎(jiǎng)勵(lì)分配是前進(jìn)的道路。例如，傳統(tǒng)的交換沒(méi)有給用戶提供足夠的獎(jiǎng)勵(lì);少數(shù)例外是Binance， Coss或ABCC。我特別喜歡最后一個(gè)，因?yàn)樗嬲P(guān)注的是通過(guò)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(shí)現(xiàn)了一個(gè)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(duì)我來(lái)說(shuō)，這是去中心化的真正目的。

?

無(wú)論如何，我覺(jué)得是時(shí)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(xiàng)簡(jiǎn)單的任務(wù)，因?yàn)槲覀兇蠖鄶?shù)人都不是技術(shù)人員，我們對(duì)技術(shù)如何工作以及如何與用戶交互的理解實(shí)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(xiàng)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(yǔ)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(duì)簡(jiǎn)單：允許任何代理更好地與區(qū)塊鏈交互。

最后，我們認(rèn)識(shí)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(lái)，支持人工智能的工具對(duì)數(shù)字貨幣可用性的影響是顯而易見(jiàn)的。由于糟糕的用戶界面和智能合約代碼錯(cuò)誤，出現(xiàn)了許多問(wèn)題，我覺(jué)得圍繞智能合約審計(jì)或創(chuàng)建以用戶為中心的交互式機(jī)器人，實(shí)施自治的預(yù)防措施肯定會(huì)導(dǎo)致采用方面的重大改進(jìn)。用戶如何最終受益？讓我們來(lái)看看下面的內(nèi)容吧！

這篇文章不應(yīng)該被認(rèn)為是財(cái)務(wù)上的建議，因?yàn)樗鼉H代表了我個(gè)人的觀點(diǎn)。我有儲(chǔ)蓄投資于數(shù)字貨幣，所以不管我寫(xiě)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(gè)項(xiàng)目，這不會(huì)錯(cuò)。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(duì)自己的錢(qián)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(shí)的，你應(yīng)該先讀一下人工神經(jīng)網(wǎng)絡(luò)。這是關(guān)于機(jī)器學(xué)習(xí)的最新研究。

神經(jīng)網(wǎng)絡(luò)（和自然語(yǔ)言處理算法）允許機(jī)器像人類一樣學(xué)習(xí)。特別是，神經(jīng)元的行為和它們?cè)谳斎耄ㄈ缪劬蚴种械纳窠?jīng)末梢）、處理和大腦輸出（如對(duì)光線、觸摸或熱量的反應(yīng)）之間傳遞的電信號(hào)給它們帶來(lái)靈感。從某種意義上說(shuō)，神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)械學(xué)習(xí)采取了一種啟發(fā)式的方法，因?yàn)樗咽∽鳛楂@得知識(shí)的一種方法。如果你想拓寬你對(duì)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(jiàn)的原因，我不會(huì)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(gè)，它可以用于自然語(yǔ)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(guò)使用常見(jiàn)的機(jī)器學(xué)習(xí)技術(shù)（如蒙特卡羅模擬和隨機(jī)游動(dòng)的應(yīng)用）來(lái)學(xué)習(xí)如何從語(yǔ)言到語(yǔ)言、文本到語(yǔ)音、圖像到文本或語(yǔ)音到文本的翻譯。

神經(jīng)網(wǎng)絡(luò)的最終目標(biāo)是賦予機(jī)器通過(guò)嘗試錯(cuò)誤來(lái)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(gè)節(jié)點(diǎn)都連接到下一層的每個(gè)節(jié)點(diǎn)，使網(wǎng)絡(luò)完全連接。例如，多層感知自然語(yǔ)言處理（NLP）應(yīng)用程序是語(yǔ)音識(shí)別和機(jī)器翻譯。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積層對(duì)輸入進(jìn)行卷積運(yùn)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(yǔ)音應(yīng)用（如翻譯器和機(jī)器人）中顯示出優(yōu)異的效果。

長(zhǎng)短時(shí)記憶（LSTM）

簡(jiǎn)單地說(shuō)，LSTM網(wǎng)絡(luò)具有一些作為長(zhǎng)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(cè)，并依賴于輸入的歷史背景，這是一個(gè)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(shí)現(xiàn)哪種類型的學(xué)習(xí)過(guò)程，那么讓我們來(lái)解釋一下這些網(wǎng)絡(luò)是如何與普通用戶進(jìn)行通信的。

通常，當(dāng)我想到助手的時(shí)候，我的腦海中會(huì)浮現(xiàn)出典型的90年代安裝向?qū)?，這是一個(gè)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(jiǎn)單地稱它們?yōu)?a target="_blank">接口。直到現(xiàn)在，隨著人工智能技術(shù)的進(jìn)步，新型智能助手才被開(kāi)發(fā)和引入到不同的產(chǎn)品中。我們可以通過(guò)查看在Telegram和一些使用通信機(jī)器人的網(wǎng)站找到一些例子——通信機(jī)器人是一種非?；镜?a target="_blank">oracle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(cuò)誤決策的幾率會(huì)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(gè)人工智能預(yù)測(cè)的成功程度與數(shù)據(jù)集和機(jī)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(diǎn)。

第一個(gè)問(wèn)題是，在大多數(shù)情況下，智能體不能絕對(duì)確定地預(yù)測(cè)AI是否遵循所提議的編程邏輯，以達(dá)到可能的最佳結(jié)果;換句話說(shuō)，人工智能的目標(biāo)可能會(huì)根據(jù)它的偏好而改變，因此，應(yīng)用正確的獎(jiǎng)勵(lì)和激勵(lì)機(jī)制就像游戲一樣對(duì)任何人工智能的成功都至關(guān)重要。

第二個(gè)問(wèn)題是，沒(méi)有一個(gè)AI開(kāi)發(fā)者能夠創(chuàng)造足夠的故障安全裝置來(lái)防止愚蠢的用戶犯錯(cuò)。原因是，專業(yè)知識(shí)來(lái)自于知識(shí)和實(shí)踐，也就是說(shuō)，如果某個(gè)人工智能進(jìn)化到人類理解的某一門(mén)檻以上，即使人工智能創(chuàng)造者也不會(huì)擁有足夠的技能來(lái)理解其目標(biāo)和邏輯。

好了，既然這些問(wèn)題已經(jīng)解決了，讓我們集中討論每種助手類型。

1.Oracles：問(wèn)答系統(tǒng)（只讀）

Oracles是用戶與機(jī)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(gè)程序機(jī)制的快速答案或指示。Oracles設(shè)計(jì)的領(lǐng)域是有限的，所以每個(gè)答案都是基于數(shù)學(xué)的;接下來(lái)是限制輸出的Oracles，這些Oracles代表的系統(tǒng)給出了一個(gè)具體類型的答案，最后，有一些Oracles會(huì)有故障保險(xiǎn)，比如不回答進(jìn)入災(zāi)難標(biāo)準(zhǔn)列表的問(wèn)題。Telegram bots（在大多數(shù)ICO項(xiàng)目中都有）通常屬于這一類，因?yàn)橛脩艨梢酝ㄟ^(guò)請(qǐng)求機(jī)器人關(guān)于與該項(xiàng)目相關(guān)的主題的信息來(lái)與特定的組進(jìn)行交互。

2.Genies：命令執(zhí)行系統(tǒng)（讀寫(xiě)）

Genies是工具助手的第二層，因?yàn)樗鼈儞碛幸欢ǔ潭鹊挠脩舾兄悄堋Ｍǔ?，這個(gè)助手會(huì)在一個(gè)基于用戶邏輯的系統(tǒng)上執(zhí)行操作——這可以通過(guò)自然語(yǔ)言（再一次，看看Telegram bot）。在大多數(shù)情況下，用戶通過(guò)指令（命令）或問(wèn)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。可以創(chuàng)建故障安全機(jī)制，以防止代理促進(jìn)不好的結(jié)果，盡管這個(gè)系統(tǒng)很容易出現(xiàn)人為錯(cuò)誤，通常情況下，它比Oracles要開(kāi)放得多。

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

Sovereigns通?？梢耘c自然語(yǔ)言技術(shù)相聯(lián)系，因?yàn)檫@些開(kāi)放式的系統(tǒng)是在有限的指令下創(chuàng)建的，以實(shí)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(jī)游動(dòng)），并通過(guò)嘗試和錯(cuò)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(kāi)放的搜索過(guò)程。創(chuàng)建一個(gè)支持AI的工具將意味著它的行為將是機(jī)械的，而不是基于基因的喜好，這可能是一個(gè)問(wèn)題，因?yàn)榇蜷_(kāi)的搜索框可能會(huì)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(kāi)發(fā)出易于使用的界面時(shí)，我們能做些什么嗎？巨大的強(qiáng)大用戶將擁有超過(guò)數(shù)據(jù)分析，如預(yù)測(cè)行為和預(yù)防性監(jiān)測(cè)將是精美的。錯(cuò)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(shí)及其用途，以及幫助用戶與機(jī)器（物聯(lián)網(wǎng)設(shè)備、網(wǎng)站、平臺(tái)、協(xié)議等）交互的各種助手，那么您能試著猜測(cè)一下缺失的部分嗎？

如果您考慮過(guò)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(dá)數(shù)據(jù);通過(guò)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(jī)器人和NLP系統(tǒng)一起實(shí)現(xiàn)的原因。這是在機(jī)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(tái)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(lái)更好地了解數(shù)字貨幣市場(chǎng);然而，我覺(jué)得需要更多的選擇。如果能夠教O(píng)racles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(huì)更容易。

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