AI結合區塊鏈，可能嗎？

微軟投資的OpenAI聊天機器人「ChatGPT」全球爆紅，掀起了一股「詠唱」潮。

從社群文案撰寫、程式碼檢查、不同風格的藝術圖片產生，都可以靠AI完成。隨著AI熱度一路成長，區塊鏈上許多和AI相關的概念幣價格，也跟著水漲船高，在二月寫下一週暴漲超過100%的紀錄。

「人工智慧」和「區塊鏈」是近年最熱的兩大議題，如果將區塊鏈和AI結合在一起，是否會產生加乘效果，激發出更多的可能性呢？

來聽聽ChatGPT本人，跟區塊鏈、AI專家分別怎麼說？

延伸閱讀： ChatGPT爆紅、帶動AI代幣7天飆漲175%！一文看懂什麼是「AI加密貨幣」？

區塊鏈結合AI，ChatGPT本人、專家怎麼說？

Ｑ：AI能影響的範圍，是「區塊鏈本身」還是「區塊鏈上的應用」呢？

ChatGPT：可優化區塊鏈性能

ChatGPT表示，AI可以用來優化區塊鏈的性能、提高交易速度、減少鏈上的交易費用，還能檢測與防止區塊鏈上的詐騙行為，提高區塊鏈的安全性。

區塊鏈技術也可以用來支援AI運作，區塊鏈上的數據不只可以用來訓練AI，由於區塊鏈具有去中心化的特點，因此這些數據可以被多個用戶共享，提升AI的訓練效率和準確性。

此外，區塊鏈還可以用來儲存、保護AI演算法和模型，讓用戶安全地分享或交易這些演算法和模型。

專家：兩者無重疊或相交

區塊鏈碳權新創Hashgreen執行長徐子旻表示，雖然AI和區塊鏈，都是近期相當熱門的兩個議題，不過，這兩個議題就像是兩個不同的賽道同時進行，並沒有明顯的重疊或相交。

對於ChatGPT的回答，區塊鏈AI新創Chainsight執行長何建幟認為，AI要提升區塊鏈性能沒這麼容易，但是 對於減少區塊鏈上的詐騙、提高安全性是有可能的。 只要提供AI足夠的犯罪數據加以訓練，例如有漏洞的智能合約、犯罪交易紀錄等，AI就能透過訓練預判新的交易或合約是否有風險。

區塊鏈上的數據雖然透明、公開，但詐騙或是網路犯罪的鏈上數據，卻很難取得。詐騙或犯罪地址大多用完就丟，雖然可以透過舊數據找到新的數據，但透過混幣等其他手段很難追蹤。而AI可以評估交易風險高低、判斷帳戶地址金流圖，或進行智慧合約審核，讓區塊鏈上的安全性可以提升。

延伸閱讀： 鏈上開打！美法院認可「NFT存證信函」有效力，匿名駭客還能逃嗎？

Q：AI、區塊鏈，現在或未來可能有哪些應用？

ChatGPT：可帶來獨特應用

ChatGPT認為，AI和區塊鏈結合後，可以帶來一些獨特的應用，包括去中心化預測市場、知識產權驗證、和數據市場。

專家：區塊鏈大量原生數據是優勢

例如，Chainsight蒐集250億筆鏈上交易、暗網數據、以及Chainsight專有標籤數據，透過大量數據讓AI學會判斷每筆交易風險。

何建幟也指出，現在區塊鏈上的問題在於門檻過高，未來也許可以有「Web3GPT」，透過聊天的方式讓用戶直接了解鏈上發生的事情，讓區塊鏈走向大眾。就像Google讓人們可以更容易的進入Web2的世界，而結合AI和區塊鏈的「Web3GPT」，可能就是讓Web3普及化的重要入口。

至於目前區塊鏈上和AI相關的應用或是項目究竟有哪些，徐子旻分析，基本上可以分成兩大類：淺層整合和中度整合。

第一類：淺層整合

目前，大部分區塊鏈上的AI項目都屬於這類。例如，一些AI平台讓用戶能買賣算力和資料，並把加密貨幣當作一個中介工具，利用平台幣將這群用戶綁在一起。這其實就是一個最簡單的例子，但這就只是單純的工具代幣，而沒有實現「整合」。

第二類：中度整合

而目前區塊鏈上這類型的整合，就少了很多。徐子旻指出，這是因為區塊鏈基本概念「透明、開源」，其實與AI的商業化相互牴觸。

不過，像是去中心化平台Cortex（CTXC），就可以算是一個將區塊鏈技術與人工智慧 (AI) 相結合的案例。

透過把AI模型的運行放在區塊鏈上，把AI執行透明化，且可以在節點上跑AI模型，模型完全公開放在網路上，就屬於較深入的整合。

徐子旻認為，AI和區塊鏈之間，有太多互相牴觸的問題需要處理，包含能源問題、運作效率、速度等，未來如果這些問題排除，也許才更適合談「整合」。

AI、區塊鏈整合的問題與挑戰

Q：AI和區塊鏈結合後，會帶來哪些問題、挑戰？

ChatGPT：會消耗大量能源

ChatGPT指出，AI和區塊鏈的整合，可能會面臨以下五個問題。

1. 數據隱私
2. 數據品質
3. 能源消耗
4. 算法透明性
5. 複雜性

區塊鏈公開透明的特色，可能導致AI演算法中，數據洩漏和隱私侵犯的問題，再加上鏈上的數據可能不完整、不準確，以及演算法和區塊鏈的透明性相牴觸，都可能進而影響AI模型的準確性和可信度。

另外，區塊鏈記帳需要消耗大量能源，而再加上AI演算法的運行，可能會導致更高的能源消耗，進而對環境造成負面影響。最重要的是，區塊鏈和AI技術都相當複雜，將兩者結合在一起，就可能會增加系統的複雜性和難度，進而增加開發和維護的成本。

專家：AI回答不一定正確

對此，何建幟表示：「AI現在的問題在於，回答可能不一定是正確的，但是它會很有自信的說『就是這樣』！因此當我們使用AI的時候，必須注意可能存在的錯誤。應該將AI當作輔助工具，需要再檢查和驗證，而不能完全依賴其結果。」

何建幟也另外指出，AI訓練需要很大的算力，而區塊鏈的特色就是驗證節點越多，達成共識的越長，速度也就越慢。，所以用區塊鏈運作AI實質效益不大、也很少有人投入，因此能源消耗的問題並不一定會以ChatGPT所推論的方式而發生。

徐子旻則表示，開發AI的目的，是為了要解決人類常有的問題、推進人類的能力，往產值更高的方向前進；而區塊鏈的目標，是要讓所有發生的事情，都記錄在去中心化的帳本上，兩者的方向其實完全不一樣。

徐子旻舉例，AI的訓練與使用，必須在一個高效率的伺服器資料中心裡發生，但效率低落一直是區塊鏈的一個問題，因為要被每個人驗證、重複做計算，而這就會導致區塊鏈上的AI價格很高或是表現不好。

對AI與區塊鏈未來發展性

Q：AI與區塊鏈結合，有哪些趨勢？

ChatGPT：AI是區塊鏈下一個爆發領域之一

ChatGPT認為，這將會是一個非常有潛力的領域，區塊鏈和AI的整合，不僅讓AI更加安全、透明與可靠，也能提高區快鏈的效率與價值。

ChatGPT指出，現在已經有一些項目，在利用AI來解決區塊鏈上的問題，例如區塊鏈上的身份驗證、智慧合約的自動化執行等。

未來，可能會有更多項目利用AI，來提高區塊鏈的效率和性能，例如AI支持的區塊鏈節點選擇、智慧合約的自動編寫，和智慧合約的自動安全檢測等。

另外，區塊鏈的分散式架構和不可逆的記錄特性，也能確保AI模型的透明度和可追溯性，這對於在意AI模型的開放性和公平性的機構或政府部門來說非常重要。此外，區塊鏈技術還可以確保AI模型的安全性。

ChatGPT表示，「AI絕對是區塊鏈下一個爆發的領域之一。」它舉例，AI和區塊鏈的結合可以產生許多新的商業模式和解決方案，例如AI和區塊鏈的去中心化數據市場，可以讓個人和機構在不暴露私人數據的情況下進行數據交換。

專家：AI聯合式學習可發揮價值

不過，AI的聯合式學習（federated learning）在區塊鏈上或許能發揮價值。

徐子旻舉例，由於資料可以產生很珍貴的學術價值，因此大部分的醫院不喜歡、也不太願意提供內部的數據。

聯合式學習的作法，就是拿AI模型分給不同的醫院，讓他們用各自資料訓練，再把收回來的模型整合、平均、再分派、再學習。透過重複這個流程，就不會有人看到醫院的內部數據資料，但最終可以得到一樣的成果。

聯合式學習的一個問題點在於「公平性」，因為沒有人能確保所有的醫院都提供了「真實數據」。透過區塊鏈透明、公開、不可竄改的特性，就可以在一定的程度上實現公平性（例如用抽查的方式進行驗證），成為區塊鏈讓AI訓練更順暢的一個結合點。

何建幟認為，「AI現在已經應用在很多產業之中，包括區塊鏈。」對於AI與區塊鏈結合的未來發展，可能會有不錯的創新，但也會帶來風險。

由於區塊鏈懂的人不多，門檻比較高，也許能藉由AI降低門檻、打造更好的用戶體驗。對於區塊鏈領域中的詐騙、駭客攻擊，AI可以大幅提升守備安全性。另外也可以透過AI或是「Web3GPT」確認交易風險，包括審查是否是假代幣、假投資，以及交易地址是否有問題。

AI在詐騙方面雖然提高了安全率，但也帶來更多風險。何建幟舉例，現在已經有很多駭客利用ChatGPT找出智慧合約的漏洞進行攻擊。再加上生成式AI可以產出大量內容，文章與資訊的真假難辨，成本又低，未來在假消息或是詐騙方面的數量勢必會再增加。

不過，AI為區塊鏈上的資安攻守戰，帶來的究竟是威脅還是優勢，何建幟表示，「其實就是攻擊者和守備者，現有戰力同時乘以十倍，並沒有對誰比較有優勢，主要還是看誰的動作比較快。」

何建幟最後也指出，「不管是在防詐或是其他領域，還是很期待未來AI和區塊鏈，能有更多創新應用，也有在思考更多AI和不同產業的結合，希望能讓Web3能變得更好、更親民。」

彩蛋：專家怎麼看ChatGPT的觀點？

文章的最後，加碼訪問了產業專家對於ChatGPT的回答有什麼看法。

徐子旻認為，雖然ChatGPT給出的這些回答有寫作結構完整性，可以列舉、起承轉合、提及重要關鍵字等，但若仔細看內容，就會發現很像是大學生的通識課作業，老師問什麼它就會試著回答，不管問題有沒有道理。

如果把ChatGPT當成智庫，會是很好的用法，因為ChatGPT能夠協助發散性思考並整合資訊，在有明確的資訊的時候，可以丟大量的文稿給它濃縮、重組、重新架構。由於他的資訊來源是明確的，比較不會出現言之無物的狀況。

何建幟表示，AI工具畢竟還是由人訓練出來的，怎麼挑選數據和訓練方法都會影響模型表現。

何建幟補充說明，ChatGPT第一階段採取「監督式學習」，透過網路上的資料訓練出較為客觀的基礎模型（Base Model），加上人類對話數據對模型進行微調。第二階段OpenAI僱用大量人力，採取「人類反饋強化學習」（Reinforcement Learning from Human Feedback, RLHF），讓人們從AI生成的多種回答中排序出人類偏好的答案。而這樣人為訓練的獎勵模型，似乎也意外造成ChatGPT第三階段模型對錯誤內容的判斷力下降，所以現在OpenAI的研究人員正致力降低第二階段人為的影響，提升模型的正確率。

不過，只經過幾個月的時間，ChatGPT就有了能力上的大躍進，隨著未來技術不斷進步、版本不斷升級，應該能看到更強大的AI出現，並且為人類的生活帶來更多的驚喜。

📍邀請您加入Web3+ Line社群，持續關注最重要的網路變革
👉 https://lin.ee/kItnyTh