9月16日，在上海举办了第11期《Chainge》技术沙龙，同济大学区块链俱乐部等协办支持，主题是“区块链+人工智能”。搜狗输入法之父马占凯、比原CTO朗豫、JarvisPlus创始人佘泽鹏、CONNECTOME Founder Ishii等嘉宾受邀分享各自观点。

彭博也是分享嘉宾之一，他是《深度卷积网络：原理与实践》一书的作者，Blink•禀临科技联合创始人。在《深度学习与区块链的融合：机遇和挑战》的分享中他认为，深度神经网络像是一个黑箱子，借助数据、算力和模型（算法），它会给出惊艳结果，比如战胜人类围棋冠军的“阿尔法狗”。

在这些层面，区块链技术可以扮演重要角色。比如数据上区块链可提供数据来源、存储、安全保护、清洗标注、防造假等。算力上则能提供大规模并行计算、数据隐私保护等能力。彭博认为，在物联网领域，区块链与AI的融合必要性更强，基于区块链协议与专用硬件芯片的物联网也许会成就下一代互联网。

以下是彭博分享，经整理：

可能很多人了解人工智能是因为Google DeepMind研发的AlphaGo（阿尔法狗），它采用了深度卷积网络，模拟并超越了人类。而深度卷积网络（DCNN）是深度神经网络的重要类别。卷积神经网络是一种目前流行的神经网络架构，受生物自然视觉认知机制启发，擅长处理图像，特别是图像相关的机器学习问题。

上面是卷积神经网络生成模型的案例，往卷积神经网络输入大量明星图片，让它学习，它会自动发现明星图片之间较为合理的插值方法，随机生成新图片，过程无需人类知识。有一些瑕疵，但总体来说，效果非常惊人。

卷积神经网络如何识别图像信息？

我们说人的思维规律可以分两类。一类是逻辑规律，比如平面上三角形内角和是180度；另一类是统计规律，比方说看到乌云就知道可能要下雨。人的直觉更像是通过统计规律思考，举个例子，我们看到猫的图片立刻可以判断这是猫，我们不会去思考猫的耳朵、脸等特征的定义后再下判断。这个问题上我们不是根据逻辑规律而是基于统计规律在思考。

在人工智能的发展过程中，存在逻辑学派与统计学派之争，目前统计学派占上风。原因在于深度学习是典型的统计方法，可以非常好地模仿人的“直觉”，例如人的“棋感”，以及在图像识别中的能力，这在此前是非常难的。

我们可以看一下传统编程和深度学习的比较。传统编程是输入数据和人类设定的规则，最后输出一个答案。深度学习则是输入数据和答案，机器自动得出一个规则。当然，目前人工智能还是需要人做少量工作，比如实验网络的一些超参数，但未来可以完全自动化。

那电脑是如何完成这一工作的？我们会发现网络可以自动总结出重要的中间概念，例如识别萨摩耶犬图片时，网络中间的有些神经元会去识别白色，有些会去识别毛发等。为什么可以自动总结出这些中间概念，学术界其实还没有特别好的答案，因此有人称其“数据黑匣子”，我见过的比较好的说法是说这来自于自然界规律和现象的层级性。

但这并不意味着卷积神经网络就没有缺陷，它对世界的理解也会想当然，因为它是基于统计规律。举个案例，非洲草原上有一课树，树上有很多山羊，卷积神经网络会认为那是鸟，因为它学习时的图片数据里从来没有出现过站在树上的山羊，即便它识别出那些是山羊，最后它的判断还会是鸟。

因此，涉及自动驾驶、医疗等人命关天的领域，纯靠深度学习还是存在一些问题。

区块链+物联网会成为下一代互联网？

现在我们可以把深度神经网络认为是一个黑箱子，人类把数据、算力、模型（算法）给到它，它会给出一个结果。那么，为什么近些年深度学习成长特别快？很大程度上就是数据和算力在这些年飞速发展，它为深度学习提供了基础保障。

那么现在，区块链就在上述的3个方面，登上了深度学习的舞台。数据上，区块链可以做的有数据来源、存储、安全保护、清洗标注、防造假等。算力上则是提供大规模并行计算、数据隐私保护。而算法上则可利用众包完善算法，也能构建算法交易平台。因为开源等原因，在一定程度上，现在模型（算法）并非壁垒，所以数据和算力的重要性相对更突出。

当然，这里面还是存在一些挑战。数据类创业项目中包括了交易市场，这是区块链创业的常见方向。但难点在于，对比于中心化市场，它如何提供附加价值？算力类创业项目的难点在于算力如何实现分布式？深度网络的训练目前很难做到分布式，存在技术障碍。但深度网络的运行是可以采用分布式的。信任机制可以用区块链实现，数据安全也能在一定程度上用区块链解决，但商业上的一个问题是成本和效率。理想的情况是采用 POW机制，目前仍有难度，因为存在安全、效率和去中心化的不可能三角。而模型（算法）类创业项目类似于任务交易市场，但去中心化并不一定比中心化的成本低。

通过对未来的展望可以发现，将来，手机、摄像头都会有AI芯片，物联网（IOT）与边缘计算天生适合去中心化网络，与区块链相融合的必要性更强。基于区块链协议与专用硬件芯片的物联网，会不会是下一代互联网？