FIS AI 產品負責人：區塊鏈與人工智能的整合將促進金融科技創新

發表於 2022-06-07 14:12 作者： 白澤研究院

原作者 | Angad Singh Bagga

編譯 | 黑米@白澤研究院

注：Angad 是富達國家信息服務公司（Fidelity National Information System）的高級 AI 產品負責人，負責數據科學和機器學習項目的整體業務。富達國家信息服務是一家提供廣泛的金融產品和服務的跨國公司，產品涵蓋銀行技術、支付技術、資本市場、信息服務等多個領域。其中在資本市場領域，該公司每年爲全球 20,000 多個客戶處理約 750 億筆交易，促進了約 9 萬億美元的流動。值得一提的是，富達國家信息服務公司≠富達國際投資集團。

正文

區塊鏈和人工智能（AI）是 21 世紀最具革命性的兩項技術。人們普遍認爲，這兩個大趨勢的交匯可以帶來“第四次工業革命”。根據技術研究公司 Gartner 的看法，由區塊鏈和人工智能單獨產生的商業價值將迅速增長。他們預測，到 2025 年，區塊鏈市場規模將達到 1760 億美元，到 2030 年將達到 3.1 萬億美元。此外，到 2025 年，人工智能軟件市場規模將達到近 1348 億美元。

區塊鏈和人工智能在各個領域都有大量的應用。在本文中，我們將把金融科技作爲一個領域進行介紹，以及這兩種技術的整合將如何有助於促進創新。

通過區塊鏈可以創建一個去中心化的生態系統，從而消除對集中控制機構的需求。人工智能架構可以在這個去中心化的生態系統之上創建。

首先讓我們快速了解區塊鏈和人工智能。

什么是區塊鏈？

我們都知道流行的加密資產，如比特幣、以太坊等，這些都是基於區塊鏈的代幣，但區塊鏈不僅僅是加密資產。

區塊鏈是一種安全共享的去中心化的數據账本。

區塊鏈技術支持一組特定的參與方共享數據。它可以收集和共享多個來源的事務數據，能夠將數據細分爲以加密哈希形式的唯一標識符鏈接在一起的共享區塊，並通過單一信息源確保數據完整性，消除數據重復，提高數據安全性。

在區塊鏈系統中，未經法定人數許可，數據將無法更改，這一特點有助於防範欺詐和數據篡改。換言之，區塊鏈账本可以共享，但不能更改。如果有一方嘗試更改數據，區塊鏈所有參與方都將收到警報，知曉哪一方試圖更改數據。

以下定義有助於您進一步理解區塊鏈和區塊鏈的底層技術以及使用場景。

· 去中心化信任：很多企業之所以採用區塊鏈技術而不是其他數據存儲技術，主要原因就是區塊鏈不依賴中心化權威就能保證數據完整性，即基於可靠數據實現去中心化信任。

· 區塊：區塊鏈顧名思義就是將數據存儲在區塊中，然後每一個區塊都與前一個區塊連接，組成鏈狀結構。它僅支持添加新的區塊，一旦添加，就無法修改或刪除。

· 共識算法：共識算法負責區塊鏈系統內的規則執行。當各參與方爲區塊鏈設置規則後，共識算法將確保各方遵守這些規則。

· 區塊鏈節點：區塊鏈節點負責存儲數據區塊，是區塊鏈中的存儲單元，可保持數據同步和始終處於最新狀態。任意節點都可以快速確定是否有區塊發生了變更。當一個新的全節點加入區塊鏈網絡時，它會下載當前鏈上所有區塊的副本。而當新節點與其他節點同步並更新至最新的區塊鏈版本後，它可以像其他節點一樣接收任意的新區塊。

什么是人工智能？

艾倫·圖靈（英國數學家和人工智能之父）曾提出一個重要問題：“機器會思考嗎？”。他在 1950 年發表了一篇重要論文，主題爲“計算機與智能”，這導致了“思維機器”（也稱爲人工智能）的成立。人工智能利用計算機和機器來模仿人類思維的解決問題和決策能力。

今天，我們在人工智能領域取得了巨大的進步。現在計算機/程序不僅可以做他們被告知要做的事情（基於規則的 AI 或編程），它還可以自己思考並提供推薦（推薦引擎），識別圖像和視頻（openCV），理解一個人的情緒或自然語言處理（NLP），防止欺詐，回答你的查詢，並且可以大規模解決許多更復雜的用例，這些用例幾乎不可能使用基於規則的編程或人類思維來解決。

人工智能在區塊鏈中的金融科技應用

1. 加密量化和算法交易：

機器學習在加密生態系統中具有實際意義。通過歷史趨勢、技術指標和市場情緒，可以爲交易者提供對加密資產的預測性見解。

例如，通過 API 加密機器人可以實時收集數據。通過機器學習，機器人可以提供可操作的指標或結論，稱爲交易信號。該機器人可以單獨運行，也可以集成到加密交易平台中。這些機器人不僅可以預測未來價格，還可以自動化交易。根據預測的准確性，用戶可以實現一定的盈利。

截至 2022 年 3 月，加密市場上存在近 18000 多種加密資產，其中 10000 多種還處於活躍狀態。這些機器人適用於具有大型用戶生態系統和更不穩定的加密資產。

2. 有效的數據/模型共享：

數據是人工智能或機器學習模型最重要的資源。數據的質量和數量直接影響二者的准確性，但目前共享數據的過程並不高效。由於數據提供者之間互不信任，因此很難使用傳統方法對數據進行授權或驗證，但事實證明，一些基於區塊鏈的解決方案能夠使用去中心化的數據操作來解決這個問題。

解決方案的重點是开發一個基於區塊鏈的市場，數據提供者和人工智能/機器學習模型將能夠使用區塊鏈智能合約相互合作和交易。

金融機構可以通過區塊鏈安全地共享數據、算法和計算。

Ocean Protocol 和 NUMERAI 等平台提供商是該領域的一些主要參與者。

例如，在 NUMERAI 中，他們甚至在經濟/金融行業也發揮了作用，特別是在對衝基金領域。NUMERAI 的目標是創建由人工智能驅動的、世界上最大的衆包對衝基金。通過將對衝基金數據上傳到數據市場，成千上萬的數據科學家在其中相互協作並測試模型以預測股票市場。

3. 通過聯邦學習構建开放式銀行：

一般來說，你的財務數據歸銀行/金融機構所有，並保留在它們的記錄數據庫中，但开放式銀行概念允許其用戶擁有他們的銀行數據。

可以預見的是，通過聯邦學習（Federated Learning），我們將在金融機構擁有去中心化（無所有者）的數據所有權。

聯邦學習本質上是一種分布式機器學習技術，目的是在保證數據隱私安全及合法合規的基礎上，實現共同建模，提升人工智能的效果。

換句話說，聯邦學習使數據所有者能夠進行模型訓練，而無需將其原始數據傳輸到第三方服務器。這種分布式的學習框架允許用戶在保護私的同時爲他們提供基於人工智能的推薦和服務。

簡而言之，機器學習模型可以在分散式架構中進行訓練。通常我們聚合數據來訓練模型，但在這種情況下，模型會發送給個人數據所有者。然後在每個數據節點上對模型進行訓練，將更新的權重發送到協調器並爲最終模型取平均值。

因此，在這種方法中，數據永遠不會離开其原始所有者的手中，這使得這種方法高度安全。在不影響模型性能的情況下，數據所有者和數據科學家之間也存在信任。

4. 鏈上分析

由於區塊鏈的完全透明性，參與者可以看到區塊鏈上發生的所有交易和活動，以及某些錢包的總余額和持有量。分析區塊鏈上的所有活動和數據，生成市場情緒和投資決策等有見地的觀點，這就是我們所說的鏈上分析。

許多基本的鏈上分析工具，例如用於以太坊區塊鏈的 EtherScan 或用於 Avlanche 區塊鏈的 SnowTrace，都是免費的區塊鏈瀏覽器，允許跟蹤各自區塊鏈上的所有交易。許多平台利用這些工具，同時利用機器學習和聚合數據節點，將其平台作爲服務提供給消費者。以下是一些最受歡迎的：

· Glassnode

· IntoTheBlock

· Nansen

· Dune Analytics

· Messari

正如我們所提到的，這些平台中有許多正在利用人工智能和機器學習來生成市場洞察力，並根據其鏈上分析對潛在的投資機會提出建議。例如，他們可以利用機器學習找到“歷史上表現良好且領先於市場的錢包”，並根據這些錢包的資產配置變化提出新的投資建議。

另一方面，盡管匿名性是區塊鏈和加密資產的巨大價值主張，但它確實增加了洗錢和其他非法活動的風險。CipherTrace 的 2020 年加密資產犯罪和反洗錢報告顯示，這一年中，加密資產盜竊、黑客攻擊和欺詐行爲總計 19 億美元。這就是鏈上分析+機器學習可能被證明是有用的地方。機器學習可以幫助發現人類可能不會注意到的模式，例如檢測加密錢包與其他账戶或與已知犯罪活動有關的錢包的互動。通過使用鏈上的機器學習，金融機構和交易所將更好地了解每筆交易所涉及的風險，此外，隨着誤報率的降低，所需的人工審查工作將顯著減少。

總體而言，我們認爲機器學習的鏈上用例僅處於起步階段，並將與加密行業一起成熟。

5. 未來 Web 3 和智能區塊鏈

正如網絡、存儲和操作系統等軟件基礎設施正在變得智能化一樣，下一代 Layer1（基礎）和 Layer2（配套）區塊鏈可能會將機器學習驅動作爲一個原生的功能。

讓我們想象當一個區塊鏈運行時，它使用機器學習預測交易以在未來啓用大規模可擴展的共識協議；Web3 的智能合約協議將具有機器學習功能，例如某個借貸協議，它使用人工智能來平衡不同錢包的借貸類型；甚至智能 DApps（去中心化應用程序）也將很快成爲一種趨勢。

總而言之，在包括金融科技在內的各個行業中，集成區塊鏈和人工智能技術具有巨大的潛力。盡管現在的區塊鏈已經實現了部分的有效協作和智能自動化，但未來集成了人工智能和機器學習的區塊鏈將變得更加智能。

風險提示：

根據央行等部門發布的《關於進一步防範和處置虛擬貨幣交易炒作風險的通知》，本文內容僅用於信息分享，不對任何經營與投資行爲進行推廣與背書，請讀者嚴格遵守所在地區法律法規，不參與任何非法金融行爲。

標題：FIS AI 產品負責人：區塊鏈與人工智能的整合將促進金融科技創新

地址：https://www.coinsdeep.com/article/3442.html

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。