在过去五六年里，人工智能又复活了。
我之所以用“复活”这个词，是因为当人工智能被视为迫在眉睫的时候，我们曾经有过这样的时代。1950年，Alan Turing在1950年设计了以自己名字命名的图灵测试(Turing Test)，并将主流的注意力吸引到机器可以思考的可能性上。1956年的Dartmouth研讨会是一个里程碑式的事件，它标志着人工智能的诞生，当时John McCarthy提出了“人工智能”（AI）这个短语，代表了控制论、神经网络和符号推理研究的蓬勃发展。
在60年代和70年代，自然语言处理、机器推理和机器视觉等领域都有了显着的进步。随着上世纪80年代日本所谓的第五代计算机计划的出现，在专家系统、基于案例的推理以及随着反向传播的发明而使连接主义神经网络恢复等领域取得了重大进展。机器学习在90年代获得了动力，从早期的符号方法转向利用概率和统计。
最近，在对早期和成熟的初创企业的巨额投资之间；媒体预示着机器人杀手的未来；包括IBM、微软和谷歌在内的老派巨头们的营销攻势；以及公众对Siri和Alexa等人的着迷，看来人工智能终于来了。但是，它的脚步会就此停住吗?
是机器学习还是人工智能？
我们今天所说的人工智能，很大程度上源于机器学习在海量数据中的应用。准确地说，正是所谓的“深度”学习技术的应用使语音搜索和语音激活助手如Siri的兴起，癌症诊断和治疗等领域的医疗创新，AWS Rekognition等脸部识别，以及更广泛的图像和视频分析和识别领域，机器翻译，包括必应翻译工具，语音识别工具，以及所谓的自动驾驶汽车的出现等等。
技术上来说，我们应该称之为深度学习的复苏，而不是人工智能的复苏。
深度学习的历史可以追溯到1943年，当时人们在理解人类大脑神经网络的基础上创建了Pitts-McCulloch计算机模型。“深度学习”这个说法是在上世纪80年代末创造的；然而，深度学习的影响在本世纪头十年才真正开始，2012年开始的所谓“深度学习革命”让计算机行业彻底崩溃。2019年3月，Yoshua Bengio，Geoffrey Hinton和Yann LeCun)因他们的突破性研究而获得图灵奖，他们的研究使深度学习成为主流。
简单地说，深度学习是一种机器学习技术，它教会计算机去做那些对人类来说很自然的事情，比如从例子中学习。。通过深度学习，计算机模型可以直接从图像、文本或声音等中学习执行分类任务。深度学习模型是通过使用一组大的标记数据和神经网络架构来训练的(包括有监督和无监督的)，这些架构包含了对人类神经元行为建模的多层软件。
今天机器学习的致命弱点
今天，为了训练一个深层（机器）学习模型，虽然今天有两种技术有效，但这两种技术最终会成为人工智能的祸害。
首先，传统学习方法要求将训练数据集中在一个系统（或供应商数据中心）上。谷歌、亚马逊、微软、苹果和Facebook等公司收集了大量用户数据，并将其存储在各自的系统中。随后，以一次性或连续的方式，他们运行自己的算法来挖掘并构建最终的深度学习模型。读者很容易发现，这种方法侵犯了隐私。在没有用户许可的情况下，这些系统常常利用敏感的私有数据来构建它们的AI应用程序。
其次，同样成问题的是集中的方法通常取决于供应商，即供应商的选择算法、其实现机制（语言、库、工具）、首选的硬件（内部的、外部的、对芯片制造商的依赖等）、其数据中心的架构、人员（可能受到危害、贿赂等），以及选择何种工具来显示培训算法的结果。在计算机科学术语中，单供应商的实现受制于所谓的拜占庭容错问题。
这两种技术中的任何一种都对当今人工智能应用的寿命构成了致命的挑战。然而，它们加在一起就是人工智能的致命弱点。如果该行业不解决这些问题，今天的人工智能复苏注定会再次熄火。
区块链+机器学习
区块链平台在去中心化应用程序和系统的设计和开发方面取得了惊人的进展，并已应用于从加密货币到企业供应链等领域。
更重要的是，由于区块链固有的去中心化实现，区块链有两种能力。
首先，区块链为用户提供了控制其数据的能力，并决定何时、何地、向谁提供数据的时间和多长时间，即区块链是对用户的私有数据进行本质上和自动利用的系统的反论证。此外，随着零知识证明的出现，区块链现在除了有效之外，没有能力透露任何有关交易的信息。
第二，区块链的设计没有中央权力或系统。因此，为了在数据和交易上达成一致，区块链使用了多种容错一致性算法。虽然有各种各样的一致算法，但它们在跨分散的节点（或系统）之间达成一致方面都有相似的特征。特别是，一个叫做拜占庭共识的变体解决了前面提到的拜占庭容错问题。区块链可以开发不依赖于单一供应商实现的人工智能应用程序，同时存在所有的风险和错误。
总之，这两个关键的能力有可能使今天的机器学习实现解决他们的致命弱点，并使人工智能应用程序既不侵犯隐私，也不容易受到单一供应商拜占庭故障的影响。
下一步是什么
区块链+机器学习开辟了一个颠覆性的新方法使人工智能成为主流，同时保护用户隐私和确保供应商中立的应用程序，减少风险。
消费者及其设备在其生存期生成大量数据。这些数据包含了有关用户及其行为的有价值的信息：他们经常光顾的餐厅、访问哪些网站、他们喜欢去哪些地方、他们使用的社交媒体应用程序、看什么视频等等。这些数据已经成为构建有效的深度学习模型以最大限度地增强用户体验的个性化服务的基石（例如ala Siri）。区块链提供了一种独特的选择来构建这样的个性化模型，而不会侵犯用户的隐私。
至关重要的是，广大的行业应将用户隐私置于商业利益之上，并使用区块链功能来建立机器学习模型，使他们的人工智能应用程序成为可能。
人脸识别等应用正在被广泛使用（包括政府机构）；由于机器学习模型与单个供应商捆绑在一起的一系列问题而产生的假阳性和假阴性造成的风险太严重，不能继续忽视。例如，波音和空客飞机上的航空电子系统已经设计了几十年的拜占庭容错技术。当移民部门和边境巡逻队使用诸如AWS Rekognition等工具时，行业和监管政策机构必须重新考虑当今人工智能应用的原始性质（例如在航空电子系统方面）。
我们必须摆脱单一供应商的实现及其相关风险，转向去中心化的深度学习实现，利用跨多个供应商和供应商的计算资源（算法、语言、硬件等）。
未来是去中心化的，人工智能也不例外。否则就会是另一个人工智能冬天。