人工智能是人们非常期待的应用技术。在众多领域，人们都期望能够在下一个10 年里人工智能的实际应用。

随着对人工智能的研究和相关技术的发展，人们对人工智能的认识也越来越清晰。今天，人们已经经历了从将人工智能看作洪水猛兽到逐渐接受的过程。通过实践，人们越来越清楚人工智能的本质。今天，它已经被定义为「可以帮助人们更好地实现现有工作的一种有效的信息技术支持手段」。

这个定义体现了人们对人工智能与人类本身之间的关系认识，也反映了历次工业革命都无法绕过的问题——机器和人之间的竞争问题。

任何一次工业革命，事实上都消灭了一批人的岗位，而人工智能给人带来的恐慌更甚于前几次。一台有智慧的机器与人类竞争，而且这些机器更加聪明、更少犯错，这似乎带来了更让人绝望的体验。

人工智能的定义和发展走向，其实在某种程度上回应了这种焦虑。人工智能其实只是辅助人们工作，而非取代。

这就强调了人工智能与人之间的关系并不是替代的关系，它的出现只是为了辅助人们做一些过去做不到或者很难做到的事情。这事实上解决了人与人工智能究竟应该如何相处的问题——在重大责任与决策方面，人工智能能帮助我们，而非替代我们。

就如在自动驾驶领域，虽然在飞机航行过程中，人工智能或者自动驾驶技术已经非常成熟，但是在关键阶段，我们依然需要人来做最终的判断。这也是未来人工智能与人之间的关系。

但是如何让人工智能既能帮助我们，又能充分地学习，同时还不会随意地替代人来做决策呢？这之中最困难的就是人工智能的算法优化问题。

机器学习可以让人工智能不断学习和掌握新的情况，也就是说，人工智能可以在脱离人的决策的基础上，实现对各种知识的不断学习和应用。这也是人工智能最早被开发出来时被寄予的期待。

在这里，我们不探讨人工智能的道德和社会问题，只考虑它的实际应用。

想象一下：如果你的电脑可以在不经同意的情况下，提前预判你是否需要一顿丰盛的早餐，或者是否需要打开空调，你是不是会觉得它对你的帮助非常有效?

假如把这种场景变得更大规模、更复杂，我们就可能看到更加宏大的画面。在这些场景中，人工智能可能帮助我们做更多的事情。

比如，在战斗机的开发过程中，驾驶员由于需要同时控制多种部件，往往会感到操作困难。在传统意义上，战争中的强对抗要求人必须瞬间做出各种各样的判断而不能依靠机器。

但今天随着技术发展，人工智能也可以在空中战斗机的管理方面为我们提 供支持。比如它可以决定是否向对方发射弹药，或者决定是否应该加速离开。

这种活动原本其实都应该是由人来决定的，但是由于人工智能拥有强大的信息处理能力，所以它可以帮助我们更好地做出这些决策。

当军方使用非人工智能的方法来解决战斗机的作战问题的时候，必须给战斗机的控制系统提供各种各样的决策依据。飞行员需要告诉它在什么情境下应该采取什么样的措施。

但是我们都知道，在任何情况下要想穷尽所有情境都是非常困难的事。因此，要解决这个问题，只能让人工智能在面对各种各样不同的环境时自己做出决策。实现了这一点，人工智能才会变得真正可用。

现在的战斗机驾驶中，虽然自动控制的一些动作已经可以实现计算机辅助，但是在真正的决策还没能够实现人工智能的完全操作。

不过，如果人工智能真的能够根据不同情境做出行为选择，就意味着它真正成为「智能」。

假如你的家里有这样一个智能助手，即使你并没有让它帮你泡一壶咖啡，它也能够判断你现在已经非常疲惫了，非常需要一杯热咖啡来提神，在能实现类似这样的判断之后，人工智能就真的变成了智能。

因为它不需要我们思考和决策，就会帮我们做好各种各样的判断。

而上面这个过程其实都必须通过机器学习实现。一开始，人工智能可能只是知道在某些固定时间点冲泡咖啡；随后，机器学会了「思考」，能够判断这些固定时间点的特征是什么；然后再实现不需要「询问」意见就能自己行动。

最终，人工智能甚至还可以打通知识之间的隔阂，思考除了咖啡你还需要什么一类的问题。而这些的基础都源于机器学习。实现这种机器学习的其实是一套算法，它能教会机器如何提取和识别需要的信息。

应用机器学习之后，人工智能面对的另一个挑战就是海量信息的获取。掌握了学习方法还不能生产出一台聪明的机器。除了方法，还需要海量的可学习的对象，这就是机器学习中对学习数据库的需求。

人工智能有了机器学习程序之后，还必须有可学习的对象。因此，如何给人工智能提供海量的学习内容和仿真模式就变得非常重要。这个数据库一般有两个来源：一个是利用已有的数据积累，另一个是通过人工题库整理。

在机器学习方面，有一个非常有意思的故事是关于围棋人工智能项目 AlphaGo 的进化的。最初，人工智能无论如何都无法击败人类棋手，这也让围棋领域成为主流棋类中人类最后一块没有被人工智能攻陷的地方。

但经过一段时间的学习之后，AlphaGo 居然击败了当时人类最优秀的棋手。这种变化很重要的一个原因就是 AlphaGo 有了学习数据库。

在第一阶段，AlphaGo 的训练模式是学习人类的各种棋谱，模拟人类所有的棋局棋谱，同时进行数据推导以掌握围棋的套路方法。但是即使掌握了能够搜集到的人类所有围棋棋谱，AlphaGo 依然无法战胜优秀棋手。

后来 AlphaGo 采取了另外一种学习模式：它不再向人类的棋谱学习，而是自己与自己对弈，通过不断推导每一个步骤，最终实现棋技的提升。这样的训练让 AlphaGo 最终战胜了人类棋手。

这件事引起了人类社会的恐慌，因为这件事从一个侧面证明了人类的智慧并不是最优的解决方案。相反，人工智能抛弃向人类学习的方案反而获得了更佳的实践。

这也说明了一种可能性，那也就是人工智能通过自我学习，很有可能超越人类。

联想那些红极一时的科幻电影，如《黑客帝国》《机械公敌》等，也许我们就会觉得，这些电影中描绘的人工智能对人类的控制和屠杀可能真的会发生。当然，这只是一种可能性。

毕竟在目前阶段，人工智能还没有能力与动机来这样做。在今天，我们依然认为人工智能将会是实现人类社会快速进步的一个重要支持力量，不会把它看成是敌人。

当然，这种风险并不是完全没有可能。这就要求我们在编写 每一段程序、设计每一种算法的时候都非常小心，投入大量的人工团队。

在这方面，区块链也可以提供非常大的支持。一方面，在人工智能开发过程中，机器学习要依赖算法的不断改进来进化，而这个过程需要不断试错。

这些也是区块链擅长的。它可以快速地让一个人工智能小组实现有效分工，更大可能地获取人工智能开发方面的资源。通过散布在各地的终端，把人们都拉进人工智能的开发小组中，实现人工智能的快速迭代。

这样的模式不仅更有利于人工智能的技术开发，同时也可能在某种程度上解决人工智能潜在的道德问题。

因为毕竟所有的开发者分布在不同的文化领域、不同的国度，拥有不同的政治目标，因此人工智能的学习最终可能会涵盖各种各样不同的价值观，而这带来的可能是远超人类想象的成功。

另外，人工智能学习所需的大量数据库，也不可能是由一两个人完成的。它必须不断提取社会大数据并应用。而在这一点上，区块链可以帮我们突破很多现有的限制。

比如说，现在很多人认为隐私不安全、个人行为不受控，甚至对整个人类社会信用体系不信任，这些都可能通过区块链技术来解决。

因为对个人来说最有用的那些信息，永远只能通过本人才能读取，人工智能开发者所需要的是个人数据组合在一起的大数据应用方面的一些变化。

人工智能与区块链结合在一起，很有可能会带来人工智能的加速发展。

人们会发现，人工智能的发展速度并不像原来想象的那样呈线性增长模式，而是一个指数型的快速爆炸增长的变化过程。也许在不久的将来，我们就能看到应用人工智能的设备走入我们的生活中。而保证这些设备互联互通、并保证它们在共有的学习机制之下实现成功应用的，事实上就是区块链技术。

试想，如果为了让人工智能更好地学习而把所有的数据汇总到某一台主机中，那么这台主机就将变成世界上最危险的「万恶之源」。

只要有人控制了它，那么所有的大数据信息都将被这个人利用，这将是一件非常可怕的事情。区块链的分布式存储模式解决了这个问题，具体原因我们已经反复强调。

我们能够看到，区块链在未来人工智能应用领域一方面可以帮助我们解决算法的开发难题，另一方面也可以解决数据应用的安全性问题。

因此数据区块链与人工智能的合并，将成为一种必然的趋势。