基于區塊鏈的智能組件：一種分布式人工智能研究新范式

袁勇，歐陽麗煒，王曉，王飛躍

1.中國人民大學，數學學院，北京 100872

2.中國人民大學，金融計算與數字工程教育部工程研究中心，北京 100872 3.中國科學院自動化研究所，復雜系統管理與控制國家重點實驗室，北京 100190

引 言

區塊鏈是新一代信息技術的典型代表，是我國科技自主創新的重要突破口。2019年10月，中央政治局第十八次集體學習聚焦區塊鏈技術，強調我國區塊鏈技術應“走在理論最前沿、占據創新制高點、取得產業新優勢”。國際上如IBM、摩根大通、微軟，國內如百度、騰訊、阿里巴巴、京東等領軍企業都相繼布局和大力發展區塊鏈技術。顯然，區塊鏈已經成為迫切需要技術攻關的前沿方向[1]。

然而，就應用現狀而言，區塊鏈的真正落地尚面臨著諸多問題和挑戰，其中業界廣泛關注性能、去中心化治理和安全性三方面的問題。首先，主流區塊鏈（特別是公有鏈系統）存在明顯的性能缺陷，主要體現在挖礦過程、交易打包和區塊廣播等過程的高延時性，區塊大小限制下交易的低通量性，以及挖礦過程的大量算力需求所導致的高能耗；其次是由于去中心化導致的可控治理困難，主要體現在去中心化區塊鏈系統中存在的多種共識機制無法自適應調度，區塊鏈實體層面的策略性行為可能會威脅區塊鏈系統的去中心化治理，以及智能合約因缺乏智能性而導致的區塊鏈實際應用受限；最后是安全風險高，目前區塊鏈系統面臨著多種安全攻擊，嚴重缺乏有效的系統級安全評估手段、風險預警技術和決策支持能力，以及災后修復技術。

這三個問題在深層機理層面相互制約、彼此限制，被業界統稱為區塊鏈領域的“不可能三角”問題（即難以實現“性能—去中心化治理—安全”的聯合優化），一定程度上制約了區塊鏈技術的應用拓展，成為區塊鏈發展亟需解決的“卡脖子”問題。雖然目前區塊鏈已在金融、能源、數字貨幣等領域取得了一定的應用進展，然而以上技術缺陷已儼然成為阻礙區塊鏈技術實現更大規模應用的瓶頸，難以用傳統的技術方法來解決。因此，亟需將新一代人工智能技術引入區塊鏈系統的治理過程，從整體層面對區塊鏈的性能、去中心化治理和安全實現多目標協同優化，同時探索和拓展該多目標優化問題的帕累托邊界，輔助解決區塊鏈在實際應用中面臨的各種困境和難題。

新一代人工智能具有強大的數據解析、算法學習和決策推理能力，將其引入區塊鏈系統有望為解決上述問題提供重要的理論支撐和技術保障。然而，理論研究方面，該領域研究尚處于起步階段，現有研究相對匱乏，亟需針對區塊鏈+ 人工智能的體系架構、基礎理論和關鍵技術等方面的系統性創新研究。應用實踐方面，國內外已經零星出現若干創業項目，均獲得產業界的極大關注；然而這些項目均處于應用探索初期，亟需基礎理論和方法的指導和支持。綜上，如何利用人工智能為現階段的區塊鏈賦予智能特性，目前還未有顯著研究進展和具體措施。因此，本文致力于提出區塊鏈與人工智能相結合的新思路，試圖將目前相對中心化的人工智能算法嵌入到去中心化的區塊鏈系統，使得二者共融、增強，從而構建高效能、高可控、高安全、具有智能決策能力的新型區塊鏈系統，形成“區塊鏈智能”。

具體來說，本文將創新性地提出區塊鏈賦能的“智能組件”概念與方法體系，其基本思路是采集和解析外生環境數據和區塊鏈內生數據，通過人工智能算法實現深度解析和理解，規約成針對特定業務場景的領域知識，并將產生的知識和規則封裝固化到智能合約中，形成不依賴第三方、自主和自治執行的智能組件；在此基礎上，通過對面向不同任務和場景的智能組件進行靈活配置與計算實驗，針對各種兼具不確定性、多樣性和復雜性的場景和需求，自適應地產生和執行靈捷、聚焦和收斂的智能決策。這種區塊鏈賦能的智能組件思路不僅有助于區塊鏈系統性能、去中心化治理和安全等方面的聯合優化，解決區塊鏈系統面臨的“不可能三角”問題，同時有望為分布式人工智能研究提供新范式和新思路。

本文組織結構如下：第1 節概述區塊鏈和智能合約的背景知識與現狀；第2 節提出智能組件的基本概念、學術思路和研究內容；第3 節探討基于智能組件的分布式人工智能研究范式；第4 節總結智能組件研究中的關鍵問題和挑戰；第5 節給出智能組件的初步應用案例；第6 節總結全文。

1 區塊鏈與智能合約概述

區塊鏈技術起源于2008年由化名為“中本聰”(Satoshi Nakamoto)的學者發表的奠基性論文《比特幣：一種點對點的電子現金系統》，是一種將數據區塊按照時間順序組合成的鏈式結構，是去中心化系統中由各節點共享和共同維護的分布式數據賬本。具體來說，分布式的區塊鏈節點（礦工）由點對點（Peer to Peer,P2P）組網方式相互連通和交互，在經濟激勵機制驅動下貢獻自身算力，根據數據驗證機制及傳播協議，驗證、傳播并存儲一段時間內生成的有效交易數據；同時，區塊鏈利用默克爾（Merkle）樹、哈希算法、時間戳和密碼學技術來生成數據區塊，依據特定共識算法爭取記賬權，最終獲得記賬權的節點將其生成的數據區塊連接到主鏈上并獲得相應的經濟激勵，其余節點更新區塊鏈賬本。總體來說，區塊鏈是一種基于眾多現有技術的新興技術組合，其核心要素共識機制、加密算法、激勵機制的選擇將直接決定區塊鏈的運行機制和性能[2-4]。

智能合約的概念最早于1994年由美國計算機科學家尼克·薩博（Nick Szabo）提出并定義為“一套以數字形式指定的承諾，包括合約參與方可以在上面執行這些承諾的協議”。區塊鏈上的智能合約可看作運行在分布式賬本上的、預置規則、具有狀態、條件響應的，可封裝、驗證、執行分布式節點復雜行為，完成信息交換、價值轉移和資產管理的計算機程序。基于區塊鏈的分布式架構和共識機制等，智能合約允許互不信任的用戶在不需要任何第三方可信中介或權威機構的情況下完成交易和價值的點對點直接交換。同時，數字形式的智能合約可靈活地嵌入各種有形或無形的資產、交易和數據中，實現主動或被動的資產、信息管理與控制。

智能合約的生命周期根據其運行機制可概括為協商、開發、部署、運維、學習和自毀六個階段。智能合約的基礎架構如圖1 所示，模型自底向上由基礎設施層、合約層、運維層、智能層、表現層和應用層組成[5-6]。智能合約極大地拓展了區塊鏈的應用場景，使其不再局限于數字貨幣，而是有機會構建更為宏觀的金融系統并應用到其它社會領域。

以太坊是世界上首個內置圖靈完備編程語言并正式引入智能合約概念的公有區塊鏈，是目前最流行、生態最完善、擴展最豐富的智能合約開發平臺[7]。利用可執行任意復雜算法編碼的以太坊虛擬機，用戶可以按照自身意愿在以太坊平臺上高效開發出多種智能合約以及建立在智能合約上的各類去中心化應用（Decentralized Applications,DApp）。除以太坊外，其它主流智能合約開發平臺還包括 Hyperledger、EOS、NEO、Qtum 等。

圖1 智能合約的分層模型Fig.1 The layered model of smart contracts

如果說區塊鏈是具有普適性的去中心化技術架構，那么智能合約就相當于區塊鏈的應用接口，幫助區塊鏈的分布式架構植入不同場景。通過將核心的法律條文、商業邏輯和意向協定存儲在智能合約中，可產生各種DApp，并逐步演化為去中心 化自治組織（Decentralized Autonomous Organization,DAO）和去中心化自治企業（Decentralized Autonomous Corporations,DAC），進而集成和涌現為去中心化自治社會（Decentralized Autonomous Society,DAS）。這些表現形式有望改進傳統的商業模式和社會生產關系，為可編程社會奠定基礎[8-10]。

然而，作為一種新興技術，智能合約仍存在諸多制約其發展的關鍵問題亟待優化和解決，例如安全問題、性能問題、隱私問題、法律問題等。針對這些問題，學界和工業界相繼提出了一些初步解決方案。例如，針對智能合約安全問題，Luu 提出一種符號化執行工具Oyente，用以檢測以太坊智能合約中交易順序依賴、時間戳依賴、可重入性、異常處理等潛在漏洞[11]。針對性能問題，Dickerson 提出一種智能合約并行執行框架，允許獨立非沖突的合約同時運行，從而提高系統吞吐量，改善合約執行效能[12]。針對隱私問題，Kosba 提出一種旨在保護用戶隱私的智能合約開發框架Hawk[13]。總體來說，這些工具和方法大多停留在實驗階段，尚未在實際系統中取得大規模應用。

實際上，從發展角度來講，智能合約面臨的關鍵問題是缺乏智能性。當前的智能合約本質上是一系列的“If-Then”式情景—應對型規則，并不具備真正意義上面向動態和開放場景的智能性、自主性和適應性，只能按照靜態的、預定義的規則被動執行。真正意義上的智能合約應當類似于人工智能研究中的智能體（Agent），不僅單個智能體具備自主和自治的感知、學習和推理功能，智能體與智能體之間還應具備交流、競爭與協作能力。已有一些學者嘗試在智能合約中編碼智能算法[14]，但由于現階段區塊鏈網絡為保證分布式一致性暫未納入浮點數等復雜計算，以及以太坊等平臺為激勵全球算力的投入和合理分配使用權、避免系統因惡意程序走向失控而對程序執行所耗計算資源收費等因素，智能合約可編碼算法的復雜度和求解精度都十分有限，而且容易導致高昂花費。隨著以太坊等平臺的進一步升級和程序執行費用下調，智能合約可望納入更多復雜算法。

2 智能組件的概念與內涵

本節將提出智能組件的基本概念，探討智能組件的學術思路，并給出智能組件的研究內容和實現途徑。

2.1 基本概念

智能組件是一個新概念，最早由西安交通大學鄭南寧院士于2018年科技部“科技創新2030—新一代人工智能重大專項”項目組的一次研討會中提出。本文試圖基于區塊鏈和智能合約技術重新定義并給出實現智能組件的一種可行思路，這種思路在一定程度上受陸汝鈐院士早年提出的“知件”概念啟發[15]。

基于區塊鏈的智能組件是一種融合人工智能算法的、可插拔的、去中心化自主執行的區塊鏈系統核心功能模塊。智能組件以運行于區塊鏈上的智能合約為主要載體和表現形式，通過將人工智能技術優化后的算法、機制、策略等要素內嵌到智能合約中，由區塊鏈系統所有參與者驗證且分布式存儲，即可形成針對特定業務場景和目標任務的標準化、規范化的智能組件。因此，智能合約發展的高級形式就是一系列不依賴第三方、自主自治的通用或專用智能組件，通過針對特定場景和計算任務自動選擇和配置最優組件組合，就可以實現自適應學習與優化的智能區塊鏈系統。

具體來說，一個區塊鏈系統是由若干核心要素（數據結構、通信網絡、共識算法、激勵機制、加密算法等）構成的，不同的應用場景對區塊鏈效能、去中心化程度和安全性的要求不同，不存在單一或者一勞永逸的要素配置方案。因此，有必要將區塊鏈各核心要素以智能組件的方式封裝起來，形成可插拔和靈捷適配的智能組件庫。一方面，可以充分發揮運行于區塊鏈上的智能組件在安全透明、激勵驅動和去中心化方面的優勢；另一方面，通過將深度學習、對抗學習和強化學習等新型人工智能算法融入到智能組件中，可以構建出高效能、甚至具備類人決策與判斷能力的新型區塊鏈系統。

智能組件將是分布式人工智能研究的新范式，是從早期面向對象的研究范式向面向智能體的研究范式演進過程中必須經歷的過渡階段。

2.2 學術思路

復雜系統研究中，還原論與整體論之爭由來已久。前者認為復雜系統可以通過各個組成部分的行為及其相互作用來加以解釋，因而試圖通過分治法，將復雜的系統、事務和現象層層分解為各個簡單的組成部分來加以研究；后者則認為將復雜系統還原分解為簡單系統來孤立地加以分析是行不通的，因而提出視復雜系統為不可分割的整體，通過研究系統的輸入和輸出來理解高層的系統行為[16]。近年來，隨著互聯網和人工智能技術的發展，復雜系統的尺度、規模、數量等都已經呈現出前所未有的快速增長趨勢，單純地還原論或者整體論已經難以應對。因此，研究者們開始探索基于整體論與還原論相結合的新研究范式，例如王飛躍研究員提出的平行智能理論和ACP 方法（Artificial Societies + Computational Experiments + Parallel Executions,人工社會+計算實驗+平行執行）就是“整體與還原相結合、定性與定量相結合、實際與人工相結合”的原創方法論[17-20]。

圖2 智能組件的研究思路Fig.2 Research idea of intelligent-ware

區塊鏈系統已呈現出前所未有的復雜性、動態性、強耦合性和不可預測性。基于機理分析的傳統方法難以定量、實時地對其行為、機制、策略、結構等要素進行建模、分析和評估。其直接后果就是，現有的區塊鏈研究通常會陷入“還原分析”誤區，即在假設其它要素不受影響的前提下，孤立地分析和優化特定的區塊鏈組件和特性。以不可能三角問題為例，目前主流研究方法大多數都是在固定去中心化程度和安全性兩個參數的基礎上，孤立地通過高通量共識或者低耗能共識來優化區塊鏈系統的性能。實際上，區塊鏈各要素通常是相互制約和影響，“牽一發而動全身”，因而往往使得這種基于還原分析的解決方案失效[21-23]。

基于這樣的基本判斷，本文提出的智能組件概念有望將整體論和還原論融合起來，且兼具還原論的精確性和可解釋性，以及整體論的簡約性和有效性，是一種自底向上的研究范式，因而特別適合解決區塊鏈和分布式人工智能這類復雜系統中由于微觀行為、機制、策略和市場結構等要素的耦合互作用而在宏觀系統層面涌現出的新型實踐問題。

基于智能組件研究區塊鏈系統的基本思路如圖2 所示：就現狀而言，智能合約本質上大多都是靜態的情景—響應規則和知識。因此，需要將新一代人工智能的新算法、新機制、新策略等封裝到智能合約之中，形成可以動態配置的智能組件。這些智能組件就是針對特定業務的標準“能力庫”，是“智能樂高”。在實際應用過程中，面向多樣化的業務場景和任務需求，可以將場景和任務所需的能力進行分解，選擇和調度使用合適的智能組件，進而通過最優化評估和篩選，實現智能組件的靈捷配置，“組裝為”針對該場景和任務的智能Agent；在此基礎上，通過大規模Agent 的競爭、合作與市場交互，即可實現特定的DAO。這種思路的優勢是可以將人工智能和區塊鏈深度結合，將“智能”真正地嵌入到智能合約中，實現從Smart Contract 到Smart Contractor的飛躍。

2.3 研究內容與實現途徑

智能組件是區塊鏈和人工智能研究的“合一體”。通過設計和評估基于區塊鏈和智能合約的智能組件，一方面可以把人工智能的數據解析、知識推理和智能決策能力引入區塊鏈系統，提升區塊鏈系統的自適應學習與優化能力；另一方面也可以反過來利用區塊鏈和智能合約技術解決人工智能算法的分布式協作和可信共享問題，為實現分布式人工智能奠定基礎。具體研究內容和方案如下。

2.3.1 智能組件的設計與實現

現階段，智能組件的理論研究和實踐尚處于起步階段，缺乏明確的理論與方法體系和有效的評估手段。因此，首先需要研究智能組件的概念、架構與技術路線。

本節簡要介紹兩種智能組件設計思路。

（1）封裝區塊鏈底層算法、機制和協議的智能組件設計思路。

目前，主流區塊鏈系統中的核心組件（如共識機制、加密算法、激勵機制等），均是在系統建立之初就人為設定的，一旦上鏈運行便無法更改。如何面向特定的計算任務和應用場景，設計可插拔的區塊鏈智能組件，從而實現針對特定任務需求自動選擇和配置最優的智能組件組合，是區塊鏈技術邁向成熟的一個關鍵問題。

本設計思路的重點是通過抽取和規約區塊鏈領域知識，實現區塊鏈底層算法、機制和協議的自主學習、引導與決策，形成區塊鏈領域知識庫。基于知識庫設計一系列模塊化、可插拔的區塊鏈底層算法、機制和協議，例如共識算法、數據傳播協議、激勵機制、挖礦策略和數據資產估值模型等。進而，以智能合約的形式來設計、轉化、封裝、構建相應的智能組件，并形成功能豐富、接口標準、不可篡改的動態或靜態智能組件庫，以便后續智能組件的篩選和組合。這種設計的關鍵難點在于智能合約計算能力有限，不支持復雜運算，不支持隨機性，協議中復雜數學模型需要轉化和簡化實現并最小化轉化和簡化誤差。潛在解決方案包括：以太坊等智能合約平臺正在升級，隨著平臺本身功能的擴展和運行費用的下調，智能合約的計算能力會有提升；分布式計算領域的數據舍入保持一致性算法可以為智能合約中數據的舍入提供參考；復雜的數學模型有望轉化和簡化，如指數函數可以轉化為多項式函數，前饋神經網絡可以轉化為多項式擬合，AdderNet 等加法神經網絡有望轉化為智能合約形式，預言機可提供一定隨機性等[24-27]。

（2）聯合人工智能算法實現智能性的智能組件設計思路。

現階段區塊鏈吞吐量等性能有限，智能合約受計算能力限制無法實現復雜算法，不具備智能性，因而越來越多的區塊鏈項目方案建議將合約計算與高耗能共識拆分，如前述的Layer 2 方案等。因此，直接將復雜人工智能算法轉碼并封裝成智能組件形式上鏈計算的思路雖然可行但可能低效。潛在解決方案為：利用可信環境下執行的人工智能算法作為智能合約智能性的補充，即通過可信硬件計算、同態加密算法等密碼學方式在鏈下可信環境中計算人工智能算法，利用智能組件協調和控制可信智能算法間協作交互關系，最終共同應對復雜任務。在此過程中，計算任務仍然交由善于計算的人工智能算法在鏈下完成，協作任務交由智能組件實現對算法的認證、擔保、溯源、評估和融合。智能合約沒有直接具備“What-If”包含隨機性的編碼能力，但智能組件+人工智能整體卻獲得了應對未知場景下“What-If”式智能推演、計算實驗和自主決策能力。在這種思路下，區塊鏈也獲得了一定的智能，而人工智能的聯邦學習、邊緣計算架構更是可以直接植入區塊鏈。

2.3.2 智能組件的評估、 篩選和組合

智能組件設計與實現之后，必然需要一套針對特定業務場景和任務目標的評估、篩選與組合方案。現階段，區塊鏈和智能合約的評估方案尚不完善，區塊鏈系統通常用吞吐量作為性能指標進行評估，智能合約則通常用消耗計算資源的大小作為性能指標進行評估。這些單一維度、不完備的指標無法全方位地評估兼具工程復雜性和社會復雜性的區塊鏈系統，更無法適用于智能組件評估。

因此，需要根據所實現的智能組件功能特性，設計一套專用的量化評估指標作為后續組件組合和篩選的參考。例如，對于封裝了共識算法的智能組件來說，可能的量化評估指標就包括經濟學能耗、出塊速度、最大可容納惡意節點數、去中心化程度評級等。這些數字化指標可作為智能組件的性能說明參數，作為自動化或智能化篩選組合算法的依據。智能組件篩選和融合算法實現的基礎是，復雜計算任務的量化、分解、分配及智能組件性能參數量化。在這些量化數據的基礎上，智能組件篩選和融合算法可轉化為在有限個可行解的集合中找出最優解的一類組合優化問題。組合優化問題是運籌學中最優化問題的一個重要分支，已有堅實的理論和算法基礎，遺傳算法、啟發式算法和基于神經網絡、深度學習的優化算法都可以應用于智能組件的篩選和組合。

3 基于智能組件的分布式人工智能

現階段，大多數人工智能算法和技術是在少數高性能計算單元上，通過在有限時間內處理海量數據產生針對特定場景的智能，因而是相對中心化的單體智能形態，并且在不確定性、脆弱性、動態開放條件下存在較大的決策風險，以及人機協作不暢等問題。同時，普遍存在的中心化數據集難以滿足安全和隱私保護需求，而且中心化算法模型需要強大的算力支持。因此，可適用于大規模復雜系統動態管理與智能控制的分布式人工智能成為近年來的研究熱點與發展趨勢。

分布式人工智能是人工智能的重要分支，起源于20 世紀70年代末，其基本思路是利用分布式架構來克服單體智能系統的資源受限性、時空分布性、功能互補性等限制并獲得分布式系統所具備的并行性、容錯性和開放性。分布式人工智能最早期的研究對象是自然界普遍存在的分布式智能組織， 例如鳥群、魚群、蜂群和蟻群等。例如，單個的切葉蟻的行為是非常簡單和機械的，而大規模切葉蟻群體通過競爭與合作則可以體現出極高的智能行為。互聯網出現之后，分布式智能的體現方式演進為人肉搜索、網絡眾包等大規模自發的網絡組織，即動態網民群體（Cyber-enabled Movement Organization,CMO）。本質上講，CMO 實際上是互聯網形態下DAO 的雛形，因而區塊鏈技術出現以后，CMO 自然地演變為DAO，使得分布式智能形態跨越了新的臺階。

與CMO 相比，DAO 可以通過加密貨幣和首次代幣發行（Initial Coin Offering,ICO）機制實現群體行為的激勵，可以借助區塊鏈技術保障安全和隱私并在面臨安全攻擊時提供必要的預警防御，同時也可以借助智能合約實現全流程的自動化。因此，DAO 將是區塊鏈時代的分布式人工智能的主要形式，是建模區塊鏈生態系統的一種非常好的方式。區塊鏈天然的分布式架構和可編程智能合約可作為分布式人工智能系統的底層計算框架。

區塊鏈和人工智能的結合為分布式人工智能奠定了技術基礎，數據與模型的分布式特性以及隱私保護的必然需求為分布式人工智能奠定了應用基礎，而區塊鏈賦能的智能組件則為分布式人工智能提供了新型研究范式。就現狀而言，分布式人工智能的主要研究方法論包括20 世紀70年代自頂向下的分布式問題求解和90年代成為熱點的自底向上的多智能體系統（Multi-Agent Systems,MAS）。基于智能組件研究范式，研究者既可以采用分布式問題求解的思路，先自頂向下地分解任務再評估、篩選和指派最優適配的智能組件，也可以采用多智能體系統的思路，先定義智能組件再通過組件之間的競爭與協作、自底向上地完成一個或多個子任務。例如，如果以MAS 思路實現智能組件的協作，則在其經典的合同網任務分派協議中，智能體將被動態分配管理者或合同者兩種角色，管理者負責分解任務并發送給潛在合同者，合同者競標完成任務從而實現動態任務分配。這個過程中的管理者、合同者、競標合約等可用智能組件的形式封裝完成。

4 智能組件的關鍵問題與研究挑戰

從研究角度來講，目前智能組件相關研究在數據感知、解析建模、靈捷適配和智能決策四個角度都存在著亟待解決的關鍵問題與研究挑戰。

首先，區塊鏈是最具代表性的“人在環路中（Human in the Loop）”的智能系統之一。因此，基于區塊鏈的智能組件研究必須兼顧區塊鏈系統的社會復雜性和工程復雜性，深度融合社會—物理—信息三元空間（Cyber-Physical-Social Space,CPSS）的數據和知識。同時，由于跨鏈技術尚處于早期階段，目前的區塊鏈系統形成了相對孤立的“數據孤島”或“價值孤島”，單純依靠閉源鏈上數據來實現數據到知識再到智能的轉化極有可能會形成區塊鏈封閉系統內部的循環和收斂，因而必須將開源情報技術與區塊鏈的預言機（Oracle）相結合，實時采集鏈下數據和開源知識，并引入區塊鏈的數據—知識轉化與融合過程，實現更具“活”性的智能組件。由此可見，如何有效融合區塊鏈系統的開源—閉源和鏈上—鏈下數據資源，實現信息交互與融合，并轉化為指導區塊鏈和智能組件的知識和決策是需要研究解決的首要問題。

其次，基于智能組件的區塊鏈復雜系統建模是其進一步智能解析的基礎。由于區塊鏈系統橫跨社會、物理和信息空間，如何定性與定量相結合地分析與評估區塊鏈系統中人的行為與社會因素，實現區塊鏈復雜系統的CPSS 跨域建模，是實現智能組件的現實需求。基于智能組件的建模必須將復雜系統的還原建模與整體建模相結合，前者注重礦工和礦池等區塊鏈微觀個體層面的特征刻畫與行為交互，后者則強調宏觀區塊鏈生態系統層面的高層涌現與演變規律。一般說來，區塊鏈（特別是公有鏈）系統通常包含大量的個體參與者，例如挖礦節點、交易節點、礦池等。這些參與者通過區塊鏈網絡相互連接，并遵循特定交互協議和共識算法共同維護和更新數據鏈條。因而，必須首先針對大量個體參與者節點進行微觀層面的還原建模，全面、精準地刻畫參與者的靜態特征、動態行為及其交互機制。還原建模越精準、粒度越細，則后續整體建模的復雜度越高，但獲得的高層涌現與演變規律更為準確可信。因此，智能組件必須兼顧還原建模粒度和整體建模復雜度，并尋求二者的最優均衡，實現“人在環路中”的CPSS 跨域建模。

第三，現階段，智能合約是區塊鏈系統中體現 “智能性”的重要組件，也是實現智能組件的主要載體和表現形式。然而，業界的共識是目前的智能合約僅是一組自動執行的“情景—應對”型規則，無法有效地實現區塊鏈系統效能、可控、安全等方面智能決策。人工智能的算法優勢與學習能力恰恰能夠彌補區塊鏈在這方面的缺陷，為區塊鏈引入基于知識的判斷與決策能力。主流區塊鏈系統中的核心組件均是在系統建立之初就人為設定的，一旦上鏈運行便無法更改。如何面向特定的計算任務和應用場景，設計可插拔的區塊鏈智能組件，從而實現針對特定任務需求自動選擇和配置最優的組件組合，是區塊鏈技術邁向成熟的一個關鍵科學問題。從多智能體分布式協同與決策的理論與方法出發，通過研究數據與知識引導的、基于智能合約的區塊鏈智能組件構建方法與配置，并通過深度強化學習提升基于智能組件的智能體自主學習與協作能力，可以實現更加靈捷、高效、可擴展的區塊鏈系統，針對各種兼具不定性、多樣性和復雜性的場景和需求，自適應地產生和執行靈捷、聚焦和收斂的智能決策，這是智能組件研究亟待解決的又一關鍵問題。

最后，目前的區塊鏈研究主要基于實際發生的歷史數據樣本，而缺乏針對各種未知情境的“虛樣本”，特別是針對各種安全攻擊的“負樣本”，這使得區塊鏈系統的適應性和創新能力都比較差，新思想和新技術很難直接應用于實際區塊鏈系統，這也是目前許多比特幣改進提議（Bitcoin Improvement Proposal,BIP）仍然處于提出和草案狀態、無法真正激活和落地的主要原因之一。我們認為，利用平行智能理論方法來產生針對各類計算場景的、虛實結合的數據樣本甚至是智能組件，通過實際與人工相結合的平行區塊鏈協同演化、閉環反饋和雙向引導，來實現對實際區塊鏈系統的優化，促使整個平行區塊鏈系統向設定或涌現的目標收斂，是解決該問題、使得區塊鏈智能化的重要途徑和手段。常態情況下，人工區塊鏈通過大量虛擬產生的計算實驗場景和智能組件來探索、封裝各類新的模型、場景、機制和策略等，形成體系完備的“情境—應對”知識庫或組件庫；非常態情況下，平行區塊鏈應具備自適應切換到與當前情境最優匹配的智能組件的能力，并通過數據、機制、策略和算法等要素在虛實區塊鏈系統之間的實時同步，逐步引導實際區塊鏈逼近最優化的人工區塊鏈狀態（而非反之）。因此，有必要研究平行智能、區塊鏈和智能組件的結合應用，其難點在于如何利用數據與知識的閉環雙向驅動機制，通過智能化的交互方式實現虛擬系統與實際系統的緊密結合、互動反饋與平行執行。

5 案例分析

本節簡要介紹兩個初步應用案例，分別闡釋第2.3.1 節提出的兩種智能組件設計思路。具體說來，針對小規模人工智能算法和模型，可以直接封裝到智能合約（去中心化知識圖譜案例）[28-29]；而針對需要復雜計算的人工智能算法和模型，則可在鏈下實現計算，由鏈上智能組件控制其分布式協作（人工智能學習市場案例）[30]。

5.1 基于智能組件的去中心化知識圖譜

知識圖譜是人工智能研究的重要領域。2012年，Google 首次提出知識圖譜的概念，旨在通過搜集真實世界中存在的眾多實體的概念，以及這些實體、概念之間的關系，來改善搜索引擎的性能。憑借強大的語義處理和互聯組織能力，知識圖譜幾年里已經在信息檢索、自動問答、個性化推薦等領域獲得了成功應用。

然而，傳統的知識圖譜構建過程普遍存在費時耗力、缺乏審計、易被惡意篡改/攻擊、數據被中心化機構壟斷等問題。因此，我們提出一種基于區塊鏈和智能組件的去中心化知識圖譜構建方法，通過鏈上眾包過程匯集群體智慧，以分布式協作的方式共同構建和驗證知識圖譜，并通過鏈上智能合約實現眾包業務邏輯，使得圖譜構建過程去中心化、公開透明且無法篡改[28-29]。

生成知識圖譜之后，進一步利用深度學習方法構建深度推薦系統，學習知識圖譜間的映射規則，然后利用智能合約來封裝這種推薦規則形成智能組件，就可以在鏈上以去中心化方式執行。這項工作的初步應用場景是企業管理中的任務推薦，即利用區塊鏈構建員工技能知識圖譜和任務知識圖譜，通過深度學習方法獲得知識圖譜間的映射規則，并將映射規則封裝到智能合約里，即可針對特定任務自動推薦合適的員工。這項工作具有良好的研究意義和應用前景，通過鏈上智能組件來自動分配任務，可以在某些生產型企業里取代某些中層領導崗位，讓企業架構更扁平化，這也在一定程度上實現了企業的去中層化。

5.2 基于智能組件的人工智能學習市場

現階段的人工智能技術通常采用高度依賴大規模集中數據和高性能計算資源的中心化架構。這種架構面臨的數據孤島問題和計算資源限制增加了人工智能技術深入應用的壁壘。因此，近年來，針對人工智能數據、模型和資源的分布式協作研究引起了廣泛的興趣。考慮到現有的基于信任的協作模式，如由中心化組織控制的任務眾包及模型共享市場和采用半中心化架構的聯邦學習等分布式計算架構已不再適用于開放動態環境下相互不信任機器間的大規模分布式協作，我們提出了一種基于智能組件的新型去中心化人工智能協作框架，稱為學習市場（Learning Markets）。在該市場中，區塊鏈為互不信任參與者的協作和交易提供了可信環境，智能合約則作為軟件代理來封裝和處理可擴展的協作關系和市場機制[30]。

具體地，學習市場由協作市場和共享市場兩部分組成，包含組織者、驗證者、訓練者和礦工4 種角色，由權限管理、數據傳輸、模型驗證、貢獻評估、激勵量化5 種智能組件實現主要功能。協作市場負責實現學習任務的外包和分布式參與者的協同挖掘，共享市場則負責收集協作市場中產生的已驗證及評估模型形成可信模型庫和可信智能組件庫供后續定價和共享。基于該學習市場，相互不信任的參與者一方面可在動態量化貢獻下實現分布式協同挖掘，另一方面，可在天然具有可審核性、可追溯性和貨幣化方法的人工智能市場中共享可信模型和數據。

案例實現方面，我們以計算資源有限的組織者發起MNIST 圖像分類任務為例，通過智能組件控制的分布式協作獲取具有高預測精度的集成模型。我們基于以太坊和星際文件系統（Inter-Planetary File Systems，IPFS）平臺實現了學習市場，其中分布式節點基于訓練集數據生成個體學習器，并根據驗證節點在驗證集上的驗證結果采用聯邦學習架構融合模型權重。實驗表明，基于智能組件的加權融合集成模型在四個實驗數據集上的精度為99.3%、99.2%、99.2%和99.2%，遠高于平均融合集成模型的精度50.3%，79.4%，62.3%和54%[30]。實驗結果顯示，基于智能組件的加權融合集成模型更有利于公平地量化和融合協作者貢獻，提高協作公平性、透明性、安全性、去中心化和通用性。

6 結束語

近年來，區塊鏈和人工智能技術呈現出相互賦能、和諧共生、共融增強的發展趨勢，并可望解決區塊鏈領域面臨的關鍵挑戰，催生新技術、新模式和新業態。為促進該領域的研究，本文提出基于區塊鏈的智能組件概念與方法體系。智能組件是融合人工智能算法的、可插拔的、自主自治的區塊鏈系統核心功能模塊，是構建未來智能區塊鏈系統的基礎組件和分布式人工智能的新研究范式。

智能組件將為目前的區塊鏈和人工智能研究帶來新思路。對于區塊鏈來說，通過構建基于智能合約的智能組件，引入新一代人工智能算法實現面向特定計算任務和業務場景的智能組件篩選與融合，使智能合約具備應對未知場景下“What-If”式智能推演、計算實驗和自主決策能力，將使得智能合約從目前僅具有靜態規則執行能力的“自動化”合約轉變為真正意義上的“智能化”合約。對于人工智能來說，結合集成學習、聯邦學習、邊緣計算等現有智能算法和計算架構，基于區塊鏈的智能組件可以被用來構建分布式人工智能決策和協作平臺，增強人工智能數據管理、存儲和傳輸可靠性，激勵計算信息共享和交易，提升機器決策可信度，促進實現人機協作下的混合增強智能。

利益沖突聲明所有作者聲明不存在利益沖突關系。