分布式協(xié)作是未來的方向，其基礎是分布式業(yè)務共識。分布式業(yè)務共識實質上是，在共識算法的支配下借助分布式智能系統(tǒng)來完成每個節(jié)點特定的任務。虛擬機（VM）就是一個典型的分布式智能系統(tǒng)。

分布式協(xié)作是未來的方向，其基礎是分布式業(yè)務共識。分布式業(yè)務共識實質上是，在共識算法的支配下借助分布式智能系統(tǒng)來完成每個節(jié)點特定的任務。虛擬機（VM）就是一個典型的分布式智能系統(tǒng)，或者說是分布式AI的低級形式。分布在全網上的各個節(jié)點通過與VM的直接交互，來達到交易的目的。VM執(zhí)行交易的機制是預先得到全網共識的智能合約（代碼庫），這是在一個行業(yè)生態(tài)中較為簡單的業(yè)務共識。VM運行的方式是通過執(zhí)行一套對應的算法，完成具體的鏈上交易任務。但是，EVM（以太坊虛擬機）目前還不能做到專家系統(tǒng)，如不能夠給出股票投資策略專家級建議，只能夠完成股票交易操作指令的執(zhí)行，因此是不具備智能形態(tài)的。目前區(qū)塊鏈所起的作用是通過業(yè)務共識來達成自動交易，并同步交易信息，節(jié)約交易者時間，數據不可篡改，具有抗抵賴性和方便追責，同時降低資本市場穿透式監(jiān)管的成本。但是區(qū)塊鏈有以下缺陷：（1）數據來源的真實性依然要借助于中心化的平臺進行背書，例如股票交易數據的真實性依然要借助中心化的傳統(tǒng)證交所，所以并不能徹底解決節(jié)點間的信任問題；（2）僅僅能夠做數據留痕，不能利用數據進行系統(tǒng)訓練，以更好地改進業(yè)務質量。有鑒于此我們認為區(qū)塊鏈未來的技術方向是跟AI技術相結合，其中最典型的是區(qū)塊鏈+分布式機器學習的綜合技術模式。

訓練專家系統(tǒng)是機器學習（ML）的任務，簡單來說，ML工作所需數據是真實訓練數據和最新預測數據，通過這些數據的對比不斷調整權值向量和學習參數，以提高ML預測的精度。這些訓練數據并不是全都有用，AI需要從中挖掘出有價值的數據，并發(fā)現這些數據之間的關聯(lián)性，因此數據挖掘技術和ML是一體兩翼。進入到金融大數據時代，每秒鐘產生的數據量在傳統(tǒng)基礎上暴增，并且所構建的模型需求也相對傳統(tǒng)有了質的提升，比如微軟公司在2015年訓練出的AI模型LightLDV，擁有多達200億個參數。數據的量越來越大，關系越來越復雜，也對模型的復雜度提出了超高要求，這使得單機進行ML訓練的效率無法跟上，因此未來分布式機器學習（DML）就成為了趨勢。

DML需要借助云計算、大數據挖掘、機器學習等技術作為支撐，同時區(qū)塊鏈技術在其中也扮演著重要角色。舉例：股票市場的投資者的基本訴求是在控制風險的基礎上，盡可能多地增加收益。那么如果有這么一個專家系統(tǒng)，經過訓練，可以對未來的收益和風險進行較準確的預測，股民就可以根據專家系統(tǒng)的建議，靈活選擇不同的投資品種進行組合。而訓練專家系統(tǒng)的數據來自股民自己的歷史數據，和真實的預測數據。因為可以對AI進行訓練，因此這些數據都是有價值的。可以設計一套機制，股民貢獻自己的數據上鏈，可根據數據的價值給與股民節(jié)點相應的token獎勵。分布式專家系統(tǒng)（或者AI投顧系統(tǒng)）的初衷是幫助大部分節(jié)點獲益，因此token可以與系統(tǒng)總的盈利能力的改進相綁定。DML在每個節(jié)點處都有最新的備份，且永久存在鏈上。只有區(qū)塊鏈能夠實現這一套激勵機制，這就大大加快了AI專家系統(tǒng)學習的步伐跟效率。

有兩點機制可以確保原始數據是真實的：（1）從利益角度出發(fā)，每個節(jié)點都想減少風險和提高系統(tǒng)預測能力，因此會貢獻出真實數據以幫助DML能力的快速提升；（2）真實數據是完全隨機性的，而造假的數據或多或少有一些非隨機的痕跡，這一點可以核實出來，系統(tǒng)自動舍棄掉非隨機的成分，因此使得造假的部分不能作為訓練數據。

區(qū)塊鏈創(chuàng)立的初衷是節(jié)點間的民主、共責、共識、信任，其實還應該在這些基礎上加上“激勵”。激勵必然跟錢掛鉤，而區(qū)塊鏈的特性已經解決了雙花問題，這使得去中心化的激勵機制是可行的。區(qū)塊鏈網絡共同維護的是一個虛擬的分布式機器，是信任的機器。區(qū)塊鏈+DML的模式在資本市場上的成功也必然延伸到其他場景，代表了區(qū)塊鏈的真正價值——即“實現高效有序的大規(guī)模分布式協(xié)作”。