Crypto x AI, AI x Crypto: A Survey
本综述系统地考察了人工智能与加密货币之间的双向关系，在阐明当前成就、机遇与挑战的同时，破除了行业误解，并得出结论认为两者之间有意义的融合仍处于起步阶段。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代数字领域，两种强大的力量正在重塑我们构建技术和与世界互动的方式：人工智能与密码学。人工智能是指通过学习数据来执行通常需要人类思维的任务（如识别模式、做出决策或生成文本）的计算机系统。在此背景下，密码学不仅仅是指秘密代码，而是一套广泛的工具，用于保护数据安全、验证计算机程序是否确实按照预期运行，并确保数字交易在没有中央管理者的情况下进行。多年来，这两个领域一直处于各自独立的领域，但越来越多的研究人员和公司正试图将它们融合在一起。这种兴奋感显而易见，但它往往掩盖了哪些是目前真正可能的，哪些仍是遥远的梦想。理解这些技术的真实交汇点至关重要，因为这种结合有望解决安全和自动化方面的深层问题，但也引入了我们才刚刚开始理解的新风险。
一份由来自顶尖大学和工业实验室的大型研究团队撰写的全面新调查，拨开了迷雾，绘制了这一交汇点的现状。这篇题为《Crypto x AI, AI x Crypto》的论文并未声称找到了能瞬间解决一切的魔力方案。相反，它对已取得的成就、仅仅停留在理论阶段的内容以及真正的障碍所在进行了清晰的盘点。研究人员将他们的发现分为两个主要方向。第一个是“Crypto x AI”，探讨人工智能如何使区块链系统和数字货币变得更有用且更易于使用。第二个是“AI x Crypto”，探讨密码学的安全工具如何保护人工智能系统免受篡改和欺诈。作者得出结论，虽然潜力巨大，但这两项技术仍处于意义明确的整合的极早期阶段，许多关于它们结合之力的流行观点目前更多是炒作而非现实。
在利用人工智能辅助加密货币方面，调查发现人工智能已证明其作为分析工具的用途。研究人员已成功应用机器学习来扫描区块链网络以寻找麻烦的迹象，例如检测欺诈交易或识别智能合约（即在区块链上运行的自执行程序）中的漏洞——这些工具在拥有大量历史数据进行学习时表现最佳，就像一位经验丰富的检查员，因为见过成千上上个类似的案例，所以能一眼识破缺陷。除了寻找错误之外，人工智能也开始帮助设计者构建更好的区块链系统。通过学习过去的性能，人工智能可以为管理这些网络运作规则的方式提供改进建议，例如处理交易的速度或处理用户冲突的方式。或许最令人兴奋的是，人工智能正开始充当区块链的僵硬世界与混乱、非结构化现实世界之间的桥梁。虽然区块链传统上只能理解干净、结构化的数据，但人工智能现在可以帮助将人类语言或复杂的现实世界事件转化为区块链可以理解的格式，从而可能让数字合约能够自动对新闻报道、天气变化或法律文件做出反应，而无需人类手动输入数据。
然而，调查也强调了这一方向上的重大危险。随着人工智能越来越能够自主做出决策，存在着这些自主代理被操纵或以不可预测方式行动的风险。研究人员指出金融应用中存在的一个特定张力：如果一个人工智能投资工具为了保护利润而对其策略保持保密，那么用户就无法知道该工具是否公平，或者内部人士是否存在不当行为。如果该工具足够透明以便用户检查其公平性，那么它的策略就会被竞争对手窃取。作者将这种困境称为“CoinAlg 束缚”（CoinAlg Bind），这表明仅仅向加密领域添加人工智能并不能自动解决信任或公平问题；在某些情况下，它可能会创造出新的、更难处理的问题。
转向另一个方向，“AI x Crypto”，论文探讨了密码学工具如何使人工智能更安全、更值得信赖。目前，当用户向 AI 模型提问时，他们必须信任运行该模型的公司不会篡改答案，不会窃取用户的隐私数据，也不会使用与宣传不符的模型。密码学提供了无需信任运营者即可验证这些事项的方法。例如，一种被称为“零知识证明”的技术允许计算机在不泄露具体计算细节的情况下，证明其正确执行了特定的计算。这意味着用户可以验证 AI 模型是否完全按照承诺处理了其数据，即使模型本身是保密的。类似地，“可信计算”利用特殊的硬件创建一个安全、隔离的环境，使模型可以在其中运行，确保任何人（甚至包括计算机的所有者）都无法窥视数据或更改结果。这些工具可以让人在处理医疗诊断或贷款审批等敏感任务时使用人工智能，同时确保其私人信息保持私密且结果准确。
该调查还研究了利用区块链来组织驱动人工智能的基础设施的想法，例如创建去中心化网络，让人们出租自己的计算能力来训练模型。虽然这听起来是降低成本的一种方法，但研究人员警告说，这并不保证一定会获益。在他们的分析中发现，虽然在去中心化网络上租用一台计算机每小时的费用可能比在大型云服务商那里便宜，但由于需要在许多不同计算机之间进行协调所带来的额外时间和复杂性，可能会使大规模任务的总成本更高。他们认为，对于目前而言，这些网络最有效的用途是处理规模较小、复杂度较低的任务，并且行业需要更严格的测试，以了解去中心化方法何时实际上比传统方法更高效。
该调查最关键的部分在于其努力拆解公众想象中存在的普遍误解。作者明确指出，区块链无法神奇地分辨出内容是由人类创作还是由 AI 创作。虽然区块链可以记录文件的数字指纹以证明自创建以来未被篡改，但它无法告诉你该文件最初是由人还是由机器制作的；这种判断仍然需要外部检测器，而检测器可能会出错。同样，论文认为，仅仅在去中心化网络上运行 AI 模型并不会自动使其变得公平或无偏见。偏见通常植根于用于训练模型的数据中，而将模型转移到不同的计算机上并不能修复数据。虽然区块链可以使训练过程更加透明，允许人们看到使用了哪些数据，但仅凭这种透明度并不能保证公平的结果。
最后，研究人员讨论了赋予 AI 代理数字钱包是否能使其实现真正自主的问题。他们澄清说，虽然钱包允许 AI 在无需人类按下按钮的情况下支付服务费或赚取收益，但这仅仅是自动化，而非真正的独立。AI 仍然依赖于控制其运行服务器的人类；如果该人类关闭了服务器，无论 AI 钱包里有多少钱，AI 都会停止工作。真正的自主性要求 AI 能够维持自身的生存，并在没有人类干预的情况下做出高层决策，而当前的技术尚不具备这种能力。
调查总结强调，人工智能与加密技术的融合是一个充满前景但尚处于起步阶段的领域。研究人员已经确定了一条清晰的路径，但这条路径是由挑战而非简单的解决方案铺就的。他们呼吁进行更严格的测试，以比较去中心化系统与传统系统的成本，并开发更好的方法，以保护 AI 系统免受在与自主代理结合时产生的新型攻击。这项工作是一次必要的现实检查，提醒我们，虽然构建更安全、更智能未来的工具正在涌现，但我们仍处于学习如何有效地使用它们的初期阶段。这一交汇点的未来不取决于炒作，而取决于通过细致、系统的工作来验证什么行得通、理解什么会失败，并构建出足够强大的系统以应对现实世界的复杂性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。