未来的治理？将传统AI技术整合到区块链神经系统中
如果您一直在跟踪DFINITY项目，您会知道它被视为以太坊的姊妹网络，在该网络中，新的“AI即法律”范式为追求“代码即法律”的传统网络提供了补充。
DFINITY项目还引入了与性能和扩展有关的潜在革命性的新加密技术和协议技术，例如阈值中继，它希望也可以在以太坊内部重用。
DFINITY提出的关于“AI即法律”使用区块链神经系统（BNS）在以前的文章作了很多探索。
这是万能的混合AI系统，它拒绝或批准然后执行任何人都可以付费提交的提案，利用添加到以太坊虚拟机（EVM）中的新特权指令，该指令可以修改经济参数、升级协议、冻结错误的合同并运行应用指令来扭转或减轻破坏性黑客攻击的任意代码，例如DAO。
BNS会尽其所能实现目标，从长远来看，它被驱使捍卫尊严的价值，而市场就像多巴胺一样。
在之前的文章中，我介绍了系统的基本机制，但没有探讨如何通过合并传统的AI技术来扩展系统。
在继续为此类有趣的项目添加注释之前，让我们快速回顾一下基本系统的工作原理（如果您已经熟悉BNS的工作原理，请跳过这些要点；否则，请考虑阅读之前的文章，其中也包含图片）。
• 提案被提交给BNS，这些提案要么被拒绝，要么被采纳并执行（它也可以在竞争方案之间进行选择，但这将在下一篇文章中讨论）。
• BNS通过处理“神经元”的投票结果来做出决定。
• 神经元所有者因其神经元投票而获得奖励，用户通过放置神经元来创造新的神经元，神经元的投票力和潜在的回报与锁定在内部的神经元成正比。
• 您必须解锁神经元才能检索锁定在内部的结构，这需要几个月的时间。因此，神经元所有者被激励去配置他们的神经元，以便BNS做出正确的决定，否则，被困特质的价值将受到市场的惩罚。
• 用户使用可以从笔记本电脑或其它个人设备运行的特殊客户端软件来管理其神经元，这是用神经元的“投票键”配置的。
• 该软件使浏览提案、配置神经元行为以及查看神经元投票方式/原因变得容易（请参阅上一篇文章中的图片）。
• 提案已提交给BNS的链上智能合约组件，涉及“治理”、“经济学”和“协议升级”等不同主题。
• 在大多数情况下，用户配置其客户端软件，以使其响应其它神经元的投票活动而使其神经元自动投票，这可以通过配置“遵循关系”来实现。
• 例如，对于“协议升级”建议，用户可以将其神经元配置为自动跟踪其核心开发人员在reddit帖子中广告的地址的神经元。
• 可以配置许多不同种类的跟随关系。一种简单的配置类型是，神经元在看到新提案时会等待默认时间段（允许所有者根据需要手动进行投票），然后检查优先级列表以进行投票。如果第一个神经元已投票，则跟随投票，否则退回。然后，它会检查前两个神经元中的任何一个是否已投票，如果已投票，则遵循最高优先级，否则将无限制地退出表决。更复杂的配置涉及仲裁和计分。
• BNS使用“等待静默”而不是简单的法定人数，通过神经元的投票做出决策，它总是能够做出决定并且可以迅速做出决定。
• 对于每个提议，最终BNS都会级联做出决定。该过程是不确定的，因为网络时间会影响结果。
• 跟随关系封装了信任，并使得可以通过算法处理众智。由于这些关系仅在分布于网络边缘的神经元客户端软件内部配置和应用，因此关系图是不可知的。
• 由于跟随关系是不可知的，因此BNS是一个黑匣子，无法确定为什么以某种方式投票，或者哪些神经元可能掌握着采用未来提案的关键。这是必不可少的属性。这意味着适应性对手不能以操纵、威胁、勒索或贿赂来瞄准特定的神经元所有者，也不能追究他们的责任。例如，可能有人希望在智能合约被冻结后起诉他们，或者对政府的某个决定负责。
• BNS将从市场反馈中学习。例如，想象一下关于reddit的煽动说服许多神经元所有者将其神经元配置为跟随他的群众（例如，通过“使DFINITY再次伟大”运动，他在广告中公开了一些公共神经元地址…），然后由于影响力的愚蠢建议被采纳并执行。市场不会被愚弄了很长时间并做出负面反应，导致人们研究他们的神经元如何/是否投票赞成该提议。消磁剂的神经元将被从跟随关系中移除，并且随着时间的流逝，通过这种动作，跟随关系将趋向于更优化的形式。
现在终于到了本文的重点。虽然大多数神经元将通过处理其它神经元的输出来自动投票，但必须始终有发起级联的起源投票者。
通常，这些将由有影响力、知识渊博且负责任的人员控制，例如核心开发人员和行业人士，但是由于它们是程序结构，因此没有理由不能使用传统AI技术构建的系统对其进行控制。
这并不像看起来那样复杂。
为了说明起见，我将讨论使用一种称为贝叶斯分类器的相当基本的机制。
使用托马斯·贝叶斯（1702–1761）的概率理论，可以训练这些系统以理解属于不同类别的某些数据的概率。
也许最有名的是，它们是造成您的收件箱中出现的垃圾邮件数年来减少的原因。
例如，当您在Gmail上将电子邮件分类为垃圾邮件时，此反馈信息将用于改进其分类器，以便它们自动更好地分类，找出将来的垃圾邮件并将其移至“垃圾箱”。
此外，该系统还用于执行诸如制作在线广告之类的任务，给定个人资料数据，您最有可能单击(!)。
因此，为了在您无聊之前完成本文，让我们想象一下BNS的扩展，以便神经元所有者可以在对市场的影响变得更加清晰之后的一段时间内，对过去决策的质量进行评估。
如果设计得当，它可以提供强大的培训反馈，结合建议中的数据点（以及其它上下文数据），可以使分类器决定它们可能是“好”还是“坏”。
这可以输入到系统中，以帮助您通过将分类器连接到神经元（您猜对了）来决定建议。
琐碎地，用户可能会公布由分类器控制的神经元的地址，以便喜欢投票记录的其他人可以将其合并为跟随关系。
实际上，我们希望对此类分类器进行分类处理，以使单个受信任的运算符无法简单地覆盖它们来规避他们不喜欢的意见。
它们不应被认为足够独立智能，不能直接放在优先级列表中，而应使用仅在其中施加影响的评分机制在跟随关系中应用。
尽管如此，通过这种方式将传统AI技术连接到神经元，其实是一个相对较短且容易的过程，甚至有可能在很早的时候就将这些技术整合到系统中。
如果DFINITY Stiftung有剩余资源，它甚至可能会发行一个青铜版本以在PoC领域展开竞争。我们也热切希望听到人们对如何在BNS中应用传统AI的想法。
下一篇我们将探索BNS可以用来决定的更复杂的算法。目前，我认为可能会研究如何使用“成对投票”在旨在达到相同结果的多个竞争提案。例如，针对早先某项决定的错误或赏金计划的提案，敬请关注。
作者：Dominic Williams
（Medium, 2017.3.21）
翻译：Catherine
进Dfinity官方社群，请添加小助手微信：
comiocn
长按关注
Dfinity官方微信
给你第一手资讯和项目信息
更可随时答疑解惑