人工智能的普适应用面临着三大问题，一是数据。数据是人工智能最重要的资源，人工智能需要海量的有效数据集以训练出更好的模型，但在数据隐私和数据监管的前提之下，需要解决数据的使用权和安全使用等问题。
二是训练成本。人工智能模型的规模以每年 10 倍的速度增长，需要超大算力进行计算，导致人工智能总训练成本持续攀升。三是集中化。大多数人工智能研究由少数科技巨头控制，其他组织面临着人工智能人才和技术的缺乏问题，而与此同时，人工智能的开发者缺乏方法变现他们的成果，只能将技术卖给科技巨头。
PlatON 2.0 白皮书呈现的，是借助于区块链和隐私计算技术，建立一个基础设施网络，在这个网络上，开发人员可以低成本获得包括数据和算力在内的资源，训练人工智能模型并作为人工智能服务发布到网络，该服务同时能与其他人工智能服务或代理交互、组合，而任何人或组织都可以从这个网络获得人工智能算法或服务。随着该基础设施网络的发展，将孕育出一个繁荣的去中心化的人工智能市场，人们可以在该网络上交易与人工智能相关的「商品」，比如数据、算力、人工智能算法、人工智能服务。
动态 | 加密资产机构加大对软件开发商投入，以通过算法解读市场情绪:据cointelegraph消息，随着近期比特币波动性的加剧，加密资产管理公司和对冲基金正在加大对软件开发商的投入，以通过算法研究解读市场情绪。帮助他们解释和利用市场情绪信号，获得更高的收益。[2019/7/17]
如果更进一步，这个自组织的分散式协作网络将可能成为一个总体大于其各部分之和的生态体，连接人工智能并使其相互协作学习，最终涌现通用人工智能。
PlatON 分三个阶段来实现上述目标：
第一阶段：去中心化的隐私计算网络。建立一个去中心化的数据共享和隐私计算基础网络，连接数据所有者、数据使用者、算法开发者和算力提供者。
第二阶段：去中心化的人工智能市场。实现人工智能资产的共建共享、敏捷的智能应用开发，提供从人工智能算力、算法到人工智能能力及其生产、部署、集成的全流程产品和服务。
第三阶段：去中心化的协同人工智能网络。允许人工智能进行大规模合作，汇集集体智慧来执行复杂的人工智能服务。
分析 | TokenGazer币安中签解读：大陆用户仍为主力 机构持有较多BNB:TokenGazer分析显示：币安此次签数16666个，因为放开国内用户准入，中签率从上次MATIC的58.38%下降到30.82%；按照这次的中签率，锁定20天的BNB数量是540多万个，约3-4%的比例，再次说明大部分bnb在机构手里；另，此次中签率下降了一半，持有100个BNB以上地址大概率为活跃交易用户，可能说明用户仍旧占到币安活跃交易用户的半壁江山。[2019/5/28]
计算的基本要素是数据、算法和算?，隐私计算?络将数据、算法和算?紧密结合起来，构建一个完整的计算?态。
在隐私计算网络中，数据节点和计算节点通过 P2P 协议连接到系统中，发布数据和算?，这些数据?般保存在本地。利用数据和算力，通过安全多?计算、联邦学习等技术对算法进?协同计算，数据可?不可?，不仅数据的隐私得到保护，计算结果如训练完成的人工智能模型的隐私也能得到保护。
PlatON 的隐私计算?络技术架构如下图所示：
动态 | 媒体：蚂蚁金服成立区块链公司只是事务性公司 不要过度解读:据上海黄埔2月25日报道，蚂蚁金服旗下蚂蚁区块链科技（上海）有限公司在黄浦区正式揭牌成立。据了解，除蚂蚁区块链科技（上海）有限公司之外，蚂蚁金服旗下另一创新企业蚂蚁双链科技（上海）有限公司也在同期成立。消息人士称，蚂蚁金服旗下的子公司众多，而这些子公司往往跟注册地有关，跟实际负责业务关联不大。而成立这两家公司只是属于事务性的，为了当地办事方便，不必做过分解读。（财经网）[2019/2/26]
数据主体可以在本地启动数据节点，也可以将数据加密托管到数据节点，如上图中的数据服务部分所示。在数据节点接受到计算请求时，PlatON?持两类不同的隐私计算，一类是安全多?计算，一类是隐私外包计算。
在安全多方计算方式下，数据节点采?秘密分享对数据分?，并分发给随机挑选的计算节点。计算节点之间采?安全多?计算协议进?隐私计算，计算结果通过区块链智能合约返回给计算结果?，如果是人工智能模型训练，训练完成的模型可以部署到人工智能?络，并发布人工智能服务。
动态 | 律师解读《区块链信息服务管理规定》：部分要求在现阶段实施条件尚不成熟:2月14日，微信公众号“京都律师”刊文指出，《区块链信息服务管理规定》的部分条款偏向于原则性规定，且部分要求在现阶段实施条件尚不成熟，可操作性值得商榷，有以下几点可供探讨和完善： 1.区块链信息服务提供者的概念并未完全明确； 2.区块链信息服务提供者的技术标准并不明晰； 3.区块链信息服务提供者的安全评估流程并未说明； 4.行业自律条件尚不成熟。[2019/2/15]
在隐私外包计算方式下，数据节点通过同态加密将数据加密，分发给计算节点进?外包计算。计算任务可根据数据或模型进?分解，计算节点计算完成后，返回计算结果和计算证明，可以验证计算的正确性。如果?户有??的数据和算法但是没有?够的算?，可采用该方式。
通过区块链上的智能合约，可构建数据、算力和算法的去中?化的交易市场；基于区块链上的密码经济学，可将数据、算?和算法货币化，形成有效的激励机制，激励更多的数据、算法和算?加??络。
对于数据提供者，包括个?和机构在内的主体会由于经济上的激励来提供个?的和专业的数据，而通过安全计算保证数据的安全和隐私，各主体会更愿意分享敏感数据，?如消费和健康信息。随着时间的推移，市场将积累?质量的数据。
以太坊安全主管解读硬分叉Constantinople：重建区块哈希值:据Ethnews的报道，今日，以太坊安全主管Martin Swende发布了一系列文章，介绍即将到来的以太坊硬分叉Constantinople正在讨论中的一些特点。文章讨论了V神提出的EIP210提案，Swende解释道，提案将分成三个阶段重建区块哈希值，允许新的区块直接与旧区块不按顺序地连接，增加区块间的连接性。EIP210将按照EDCC或智能合约的方式算入哈希值，“将会强化轻客户端要求”，这个区块哈希值升级将使以太坊用户免于查看历史区块哈希值。[2018/5/1]
对于算力提供者，任何人都能够在安全且无摩擦的市场中共享计算资源。人工智能模型的规模越来越大，通过人工智能市场分享世界各地的闲置计算资源，可以实现去中心化的算力网络，理论上可以为人工智能提供无限的算力，真正降低计算成本。
对于人工智能开发者，他们可以在数据市场主动搜索训练数据集训练人工智能模型，也可以发布模型，让其他?提供数据以合作训练模型。训练数据集不是明?交换的，?是通过安全多?计算协议参与到模型训练，它可以公平交易，没有??可以通过提前退出或其他不当?为获得优势。
人工智能开发者能够在人工智能市场交易人工智能算法和人工智能服务，直接变现他们的成果，被激励和鼓励创造更好的人工智能模型。开发者的??智能模型还可以与其他??智能模型和付费?户进?交互。
对于人工智能使用者，他们可以方便地、低成本地获得和使用人工智能服务。
利?隐私计算?络的数据集和计算资源，可以训练出人工智能模型，这些模型可以部署在人工智能?络中，并通过人工智能代理对外进?服务，形成人工智能服务市场。通过多代理系统等技术，可运?人工智能代理进?通信和协同，创建越来越多的创新人工智能服务，实现 AI DAO，形成?治的协同人工智能?络。
PlatON 的协同人工智能网络技术架构如下图所示：
协同人工智能网络中的服务节点用于托管训练好的人工智能模型并对外提供人工智能服务，注册节点和评估节点构成智能搜索网络，进行人工智能服务和代理的搜索和交互。具体是指：人工智能服务和代理将其?本描述和标签登记到注册节点，以便?户发现它们的服务、定价、地址等信息，并调?它们。评估节点对人工智能服务和代理进?服务测试、评估和评级，通过共识算法建??个信誉评分系统，并以此为依据进?搜索和推荐，使得其他?户能够迅速和容易地查询人工智能服务和代理。
自主人工智能代理能自主搜索并调用人工智能服务或与其他自主人工智能代理交互，并能持续学习改进，调整策略和目标。它们是这个自组织的智能网络空间中代表人类完成某些目标的软件程序，具有一定程度的独立性或自主性，无需人类的直接干预。
协同人工智能网络由许多个相互作用的自主人工智能代理构成，也就是说它是一个多代理系统。多代理系统已被用于多个应用领域，包括个人助理、交通管理、游戏娱乐和虚拟角色等等。比如人工智能助手 Siri 便是一个简单的自主代理的例子，它使用传感器来感知用户提出的请求，并在没有用户帮助的情况下自动从互联网上收集数据满足用户请求。
?主人工智能代理不仅仅是存在于数字世界，也可以作为数字世界与真实世界的桥梁，连接到?类、IoT 设备和外部 IT 系统。每个?主代理是独?运?的守护进程，各?追求??相对简单的?标，但它们在互动中将产?复杂的?标，?成更智能的?阶代理。
PlatON 将在 2021 年第四季度上线去中?化的隐私计算?络，通过隐私计算协议连接数据、算法和算?，并逐渐形成一个人工智能市场；在 2022 年第四节度上线协同人工智能网络，并最终基于该网络形成一个?组织的协作的??智能?络。
在技术上，PlatON 综合使用了区块链、隐私计算和人工智能技术。在文章的最后，简要介绍其核心技术特征，主要包括：
1、去中?化。任何?户、节点都可以无需许可的连接到?络，结合去中?化数字身份认证和授权，全球范围内任何数据、算法和算?可进行安全的共享、连接和交易，??可开发和使???智能。
2、隐私保护。基于 MPC、同态、零知识证明等现代密码学的隐私计算技术，提供计算的全新范式，使数据和模型可??不可?，让隐私得以完备的保护，让数据权利得以保障。
3、低训练成本。??智能需要?量的算力和训练数据，训练成本?昂。借助区块链和隐私计算技术，可以共享计算资源，降低计算成本；可以实现安全的数据共享，促进数据的合规流通，通过去中?化累积?科技巨头数量更多、质量更好、成本更低的数据。
4、低开发?槛。可视化人工智能模型开发及调试，?动化机器学习（AutoML），通过 MLOps 简化人工智能模型从模型开发、训练到部署的全流程管理流程，降低人工智能模型的开发?槛，提?开发效率。人工智能服务能?动发现、组合、协作，通过更?级的?动编程形式，创建越来越多的创新人工智能服务。
5、监管合规。人工智能训练决策过程中使?的所有数据、变量和过程都有不可篡改的记录，可进?跟踪和审核。隐私保护技术的使?使得数据的使?满?被遗忘权、可携带权、有条件授权和最?化采集等监管条例。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。