【论文翻译】Coin.AI：基于区块链分布式深度学习的有用工作方案证明

“无用功”是我们经常挂在嘴边的一句话。那当你做了一件事，或者完成一项工作的时候，怎么知道你做的，对于某一项对应的大任务来说是否有用呢？计算机如何衡量一项工作是否有用呢？

今天要分享这篇论文带我们一起了解如何能够证明你的工作不是“无用功”。让我们走进这篇论文，一起来了解一下吧！

如果你有什么问题，或者有什么想法，欢迎评论与我一起沟通交流。

首先先下载原论文一睹为快吧。

摘要

1 介绍

2 相关工作

3 理论背景

4 形式要求

5 有用工作证明

6 哈希到体系结构映射

7 储存证明

8 AI 民主化

9 选择

10 结论

十年前，比特币被引入，成为第一种加密货币，并确立了“区块链”作为分布式账本的概念。到目前为止，在区块链上使用不同的方法和原理实现了许多不同的加密货币。然而，大部分加密货币有一个共同的特点：他们需要工作证明来支持区块（采矿）的产生，最终支持货币的产生。这种工作证明方案通常包括密码问题的解决，最常见的是破解哈希值，这只能通过暴力破解实现。证明工作的主要缺点是需要大量的能源，而这些能源除了支持货币外，没有任何有用的结果。

在本文中，我们提出了一个证明有用的工作方案的理论建议，它支持运行在区块链上的加密货币，我们称之为Coin.AI。在该系统中，开采方案需要对深度学习模型进行训练，只有当深度学习模型的性能超过阈值时才会开采区块。分布式系统允许节点以一种简单的方式（当然比开采过程本身更有效）验证矿工交付的模型，从而确定何时生成区块。此外，本文还提供了一个用于奖励为深度学习模型提供存储的用户的存储方案的证明，也是一篇关于如何将系统的机制与实现对AI访问民主化的最终目标相结合的理论论文。

2008年，一位化名“中本聪”的研究人员（或者可能是一组研究人员）发表了一篇描述点对点数字货币系统的论文[1]。一年后，本文诞生了比特币网络。到目前为止，尽管已经出现了许多基于类似规则的替代品[2]，[3]比特币依然是使用最多的加密货币。尽管如此，约为28万的日常业务量与超过了2.8亿的每日交易量签证业务量仍相差甚远。

尽管交易数量相对较少，但比特币是货币市场上列出的一种加密货币，可以兑换成美元、欧元或其他货币。自2009年上市以来，它的美元价值明显增加，成为投资者金融绩效最高的产品之一。例如，到2010年中期，比特币的价值约为0.06美元，而截至2018年12月，比特币的价值超过3500美元，在10年内增加了50000倍。。

此外，近年来出现了许多其他的加密货币，其工作原理与比特币非常相似，尽管有一些特殊性和不同的原理。或许最显著的例子是以太坊，由Vitalik Buterin于2013年提出的以太坊平台提供的货币同样自2015年7月诞生以来，其价值已经大幅增长，到2015年8月时交易价约为0.70美元，到2018年12月时交易价超过80美元。

比特币、以太坊和许多其他类似的加密货币在通常被称为区块链的技术之上工作。区块链技术允许将交易存储在块中，然后按顺序放置，从而形成一个链。加密机制防止链被篡改，唯一能改变区块链的操作是在链的末尾附加一个新的块。换句话说，这种机制可以避免尝试更改或删除过去某个时间发生的事务的恶意活动，。

虽然区块链可以是私有的和中心化的，但是比特币、以太币等加密货币大多数区块链通常是公开的，是分布式的。一般来说，公共区块链允许每个人查询交易列表，完全公开分布式账本内容。此外，区块链通过分布式存储块，并使用分布式计算机系统网络验证和确认交易。

在这些类型的加密货币区块链中，拥有分布式系统是关键。由于不依赖运行平台代码的集中系统，用户必须有加入支持区块链的网络的激励，如果没有这些网络，交易就无法完成，从而结束加密货币。

现在，这种激励是区块开采。总之，一个区块块只有在被用户开采后才能附加到区块链上。开采过程通常包括解决一个密码问题，其解决方案的计算代价很高，需要强制执行，但对于这一问题，给出的答案很容易验证。这个加密问题通常包括找到一个称为nonce的数字，该数字必须附加到要挖掘的块中包含的事务中。接下来，将计算在前一个块、事务列表和nonce的哈希串联并应用哈希函数产生的值。目的是找到一个能使散列值将小于给定的散列值nonce。因为散列函数只能单向计算（即不可能从散列值计算原始值），所以除了暴力破解，在散列满足条件之前按顺序尝试不同的nonce数值之外，没有正式的程序来解决这个问题。

一旦一个用户成功地开采到一个区块，他就会得到由网络提供的奖励。例如，目前在比特币网络中挖掘一个区块总共可获得12.5比特币的奖励（该值预计到2020年5月将减半）。此外，矿工将获得包含在区块中的交易中的费用奖励。在大多数当前的加密货币方案中，这些费用不是强制性的，但非常建议交易更快地加入到区块链中：这是因为矿工负责选择包含在区块中的交易，而且他们很可能会选择收费更高的交易。该区块挖掘方案接收工作证明的名称，因为它需要执行计算工作（在这种情况下，破坏密码问题的暴力破解），以便能够生成一个新的块附加到区块链，从而获得奖励。

该开采方案的主要问题与支持区块链网络所需的巨大能量有关。这一问题引起了人们的重点关注，并成为一个详细研究的主题[8]，例如，在一些研究比特币网络能量影响的研究工作中可以看到[9]。由于加密货币的特殊性，专门的硬件（称为ASIC）被设计和制造来加速采矿所需的强力计算过程。

一些电力供应便宜的国家（如中国和亚洲其他国家）开始有专门用于比特币或其他加密货币开采的大型基础设施。这些地方通常被称为“采矿场”[10]。如今，比特币网络每年消耗的电力量估计约为40太瓦时[11]。这一数字与新西兰等小国的总体消费量相似，更糟的是，所有这些能源都是强力计算消耗的，其唯一目的是计算用于开采新区块的nonces ，而无任何其他用途。

因此，一些作者提出了一种对开采新区块所需解决的数学问题本身，而不仅仅是支持区块链网络的有用性产生兴趣的新样式。在一些情况下，这种方法被称为有用工作的证明[12]，因此认识到为开采区块所做的计算工作必须有兴趣或有用的应用。

在本文中，我们提出了一个新的有用工作方案证明来支持区块链网络，其兴趣在于开采过程相当于训练具有许多潜在应用的人工智能模型。

本文的剩余部分的结构如下：在第二节中，描述了有用工作证明的概念，以及尝试将这种概念引入区块链中，包括一些与本文所述类似的范围。在第三节中，对那些不熟悉深度学习概念的读者提供了一些有趣的理论概念。在以下四个部分中，我们介绍了我们的建议，如下所示：在第四部分中，描述了在区块链网络中实施工作证明方案必须遵循的要求。第五节详细介绍了本文提出的有用工作方法的证明，通过该方法对深度学习模型进行训练和评估来实现区块挖掘；第六节深入探讨了在给定哈希值的情况下生成有效的深度学习架构的过程；第七节描述了一种用于支持在分布式系统中存储模型和数据的额外的存储证明机制，最后在第八节中，我们通过允许货币所有者对社区感兴趣的问题提出建议并投票，提供了一些关于如何在该方案中实现人工智能民主化的提示，在第九节中，我们提出了一些关于这个概念框架实施的可能的替代方案，第十节对本文提出的概念和系统给出了一些结论性的评价。

一些开发人员和研究人员已经开始从事（特别是在学术环境中）遵循有用的工作方案证明的区块链项目，。

例如，Zhang等人[13]在2017年展示了一个系统的原型，该系统允许公司部署一个私有区块链，这样，他们可以根据自己的需要或偏好选择必须完成的计算工作类型，以便在区块链上附加一个新的区块。

同样，Ball等人[14]，[15]提出了有用工作方案的证明，这些方案的难度基于不同的计算问题，例如正交向量、3SUM或所有对最短路径问题，论文声称解决这些问题所花费的能量不会因此浪费。

PrimeCoin[16]就是一个证明有用工作方案的例子，它的挖矿算法包括搜索质数的坎宁安链和双孪生链。该货币在代码XPM下的许多交易所均有售，截至2018年12月，价值为0.18美元。

当谈到人工智能和区块链的结合时，有许多作品（包括学术界以外的项目）声称以非常不同的方式将这两种研究成果结合起来。一个常见的例子是尝试将机器学习应用于加密交易，或者广泛尝试使用机器学习来预测加密货币的价格[17]，[18]。其他工作重点关注人工智能在区块链安全中的应用[19]。从更哲学的角度来看，Swan谈论了“区块链思维”，谈及了区块链过程思维的可能性[20]。

人工智能和区块链融合产生的项目的一些例子是DML（代表分布式机器学习）[21]或SingularityNET [22]。这些方法允许分布式机器学习，并有可能在区块链上部署智能合约，但这两种想法没有密切联系。另一个相关的项目是AICoin[23]，尽管他们的方法并不十分清楚。最后，在2018年最后一个季度，Fetch.AI 发布了[24]，其中提到了有用的工作证明和AI，但技术细节仍然不清楚。我们了解到的所有情况，没有作品使用深度学习作为工作计划的证明。最后，在这项工作中，我们将介绍一种以分布式方式存储模型的方法，我们将其称为“存储证明”。这一概念并不新鲜，第一次提出该方法可以追溯到2007年[25]，其衍生作品以不同的名称呈现，包括空间证明[26]、[27]和存储证明[28]。最近，区块链上运行的存储模型证明[12]产生了实际的加密货币，如Permacoin[29]、Sia[30]或Filecoin[31]。

在本节中，我们将介绍深度学习的基本原理，这是理解这项工作的提议及其背景所必需的。

深度学习是一个相当通用的名称，它包括不同的人工智能技术，这些技术具有一些共性：（1）它们需要大量的数据来学习有用的模型；（2）它们能够从原始（或几乎是原始）数据中自动提取相关的特征。

最广泛使用的深度学习技术之一是深度神经网络，它用于解决学术界和工业界的各种问题。深层神经网络的一些常见实现是卷积神经网络[32]，通常用于计算机视觉问题，或长期短期记忆（LSTM）网络[33]，而不是用于音频和自然语言处理。

例如，图1显示了一个典型的顺序卷积神经网络的分解结构。简而言之，这些网络的工作原理如下：将一批给定大小的数据引入网络。然后，第一个卷积层在输入上应用卷积（或通常是交叉相关）运算符，生成一个输出（称为特征映射），该输出将用作下一个卷积层的输入。或者，在卷积层之间可以有聚集层，通过执行次采样来减少维数。当输入被所有卷积层消耗后，输出特征映射将被转换成矢量并引入一个类，该类可以是经典的前馈网络（如多层感知器）或循环网络。一旦得到一个分类，它将与实际值进行比较，然后使用反向传播升级网络权重。

必须说明的是，前一个过程描述了最典型的卷积网络类型，尽管它有不同的实现和一些特定的特性。例如，全卷积网络[34]使用额外的卷积和池层进行分类，而不是全连接层的子网络；或者残差网络[35]在非线性层之间加入了额外的特征映射过程。

不管具体的体系结构如何，所有深层神经网络的一个共同特点是，必须确定大量存在的超参数。部分超参数可以在图1中看到：批大小、卷积层和全连接层的数量、卷积核的数量及其大小、池化设置、全连接层或循环层中的神经元数量或学习设置（优化器、学习速率等）。

设置特定的超参数可能对神经网络的性能产生重要影响。但没有系统的方法来确定超参数的最佳分配，所以一种常见的方法是通过试验和不断试错。最近，硬件的改进可以自动寻找合适的超参数，使得“神经网络架构搜索”兴起，在这种搜索中，诸如强化学习[36]或进化算法[37]、[38]等技术被应用于优化神经网络设计中。

在本文中，我们不会特别关注某一种技术，而是提出在分布式系统中进行神经网络架构搜索的理论框架，作为支持加密货币的区块链网络工作证明方案的一部分。

在我们的提议中，为了能够在区块链上附加新的区块，需要解决人工智能问题。特别地，我们建议这些问题使用一个机器学习模型进行训练和评估。

要将挖掘方案引入区块链网络，必须遵守以下方面：

1）问题必须是复杂的，需要一些计算工作，以确保矿工执行了一些实际工作，以便能够获得与区块开采相关的奖励。

2）为了保证区块链的完整性，必须将前一块的哈希作为问题的变量引入。

3）采矿方案必须有竞争性的组成部分，以便它是第一个解决问题的矿工（或相反，提供最佳解决方案的矿工），即开采区块并获得奖励的矿工。

4）对于问题解决方案，必须易于验证解决方案是否有效并评估其质量。

5）一旦一个矿工发现一个区块并将其附加到区块链中，其他矿工正在开采的所有其他潜在区块都必须丢弃。这就保证了矿工在将来不会发现“保存块”。

本节的提案的目的是描述一个新的区块链网络，该网络支持一个替代性硬币，即“Coin.AI”。当然，提案的核心是本节提到的对有用的工作机制的证明，以使其符合上一节中所说的要求。

关于要求1，我们建议矿工要解决的问题是对人工智能模型尤其是深度学习体系结构（可能是卷积神经网络或其变体，尽管本文件中没有描述具体内容，但具体内容可以保持开放）的训练。从数据中训练深度学习模型包括使用某种梯度下降算法来学习其参数（权重）。这是一个迭代过程，通常被认为是一个计算消耗大的任务，因此十分满足要求。

为了将一个新区块附加到区块链，首先将获取最后一个块的哈希值。下一步，矿工将从一组待处理交易中选择最多N个交易，这些交易尚未包含在区块链中，因此仍然不受限制。N表示可以存储在块中的最大事务数。矿工可自由选择他希望包括在区块内的任何交易，无论是随机的，还是根据她偏好的某项策略，尽管他合理地预测决定基于交易中包含的费用，就像在比特币或以太坊等其他区块链网络中发生的那样。

一旦交易被确定，矿工将生成许多他选择的nonce。尽管矿工可以以任何其他方式选择这个数字，我们假设这个数字是随机生成的。最后，上一个块的hash将被附加到所选事务和生成的nonce的列表中，并且将使用加密安全hash函数（例如SHA-3家族的hash函数）计算该列表的hash值。

得到的hash值将确定深度学习体系结构的超参数，然后可以训练该超参数以获得有效的模型。换句话说，必须设计一个函数，将hash（实际上是一个数字）映射到深度学习体系结构的结构特征定义中。这个函数必须是满射的，尽管它可能不是单射，这意味着两个不同的哈希可以映射到相同的配置中。因此，虽然建议候选配置的目标集非常大，但双射不是必要条件。通过该过程可以满足需求2，因为前一个块的hash被作为一个变量引入到问题中。

单射、满射、双射

一旦获得了深度学习体系结构的设置，矿工就可以开始应用一些反向传播算法来训练给定问题和数据的模型。为了确定哪家公司收购了该区块，我们提出了一个新的建议：不要让第一个获得模型的人获胜，而是根据谁找到了最佳模型来决定，因此符合要求3。要选择获胜者，平台将设定最低绩效阈值。当没有矿工能够提供性能满足最小阈值的兼容模型时，该阈值将随着时间的发生而降低，以便在合理的时间内开采区块。在此期间，所有矿工都可以提出一个候选区块，该候选区块由前一个区块的hash、所选事务、nonce和经过训练的深度学习模型的简介组成。

训练超参数的选择权留给矿工。因此，强制矿工找到一个折衷的解决方案。一个不全面的训练，例如一个涉及几个训练阶段的训练，将导致一个几乎无法超过绩效阈值的非竞争模式。相反，非常详尽的训练无法提供快速解决方案，从而使其他矿工更快地提交有效的解决方案，并挖掘区块。

此外，即使所有候选设置都必须有效，也可能会发生这样的情况：由获得的哈希产生的设置需要一些矿工无法满足的计算要求（例如，内存量更大）。在这种情况下，矿工很可能在开始训练之前就知道这一点，因为许多深度学习框架尝试提前保留记忆。在这种情况下，矿工可以决定更改选定的事务或nonce，然后重试，直到他有足够的计算资源来完成训练。

模型交付后，将提交给验证过程。在此验证期间，平台将评估所选设置是否与候选块匹配（即映射函数已正确使用）并计算模型性能。要注意，虽然训练时间和计算资源消耗大，但是计算序列化模型的性能消耗少，而且速度更快，这需要训练期间所需工作量的一小部分。此属性符合上一节中的要求4。

一旦确定了获胜模型，区块将被附加到区块链的末尾。通过这样做，最后一个块的hash值改变了，现在成为新挖掘块的hash值。这意味着必须丢弃所有其他模型，因为更改hash必然更改候选设置，从而更改模型体系结构。这将满足最后一个要求5。

在前一节中，我们已经描述了有用工作方案的证明，但是读者肯定注意到了没有说明从哈希生成架构设置的过程。在本节中，我们描述了在散列值和有效的深度学习体系结构设置之间建立一个满射函数的机制。

在我们的建议中，假设G=（V，∑，R，S）是一个形式上下文无关文法，定义为一个4元组，其中V和∑是集合，集合是文法中可用的全部符号集，V是非终端符号集，∑是终端符号集；R是文法中的一组生成规则，S∈V是构成从语法派生新字符串的根的起始符号。

G是生成一种语言的形式语法，其字符串是深度学习体系结构的有效设置。G要遵循α∈V和β∈（V∪∑）形式的生成规则，才能生成一个有效的字符串S。生成规则可以是分离的，这意味着α→βi形式的几个规则可以共存。此外，规则可以是递归的，这意味着规则α→β可以出现α⊂β。

形式上下文无关文法G的一个例子如下，用巴科斯范式（BNF）表示，它定义了卷积神经网络结构的一般设置：

在这种语法中，S=<cnn>，从它开始，可以通过迭代选择规则来生成最终有效的设置，直到获得有效的字符串（即仅由终端符号组成）。

一旦定义了语法，就让H=h（·）作为在前一个块的hash、事务列表和nonce的连接并应用hash函数所产生的hash值。H是一个数字，例如，如果选择的哈希函数是SHA3-512，那么h是512位数字。然后，我们可以使用这个数字生成给定语法的字符串。

为此，我们首先让m0=H，然后，给定α→βi（i∈[0，n]）类型的规则集，我们可以通过计算i=mt mod n从这些规则中选择一个规则。一旦选择了一个规则，m的新值如下：

通过一次选择一个规则并减少mt的值，重复此过程，直到获得最终字符串。在mt<i−1的情况下，则mt=h，这意味着通过将数字重新启动到原始hash值来继续该过程。

与先前描述的工作证明方案一起出现的另一个问题是如何存储获胜模型，即成功开采区块的矿工交付的模型。在这一点上，值得回顾的是，所有其他未获胜的模型都被丢弃了。

目前，可考虑使用三种可能的替代方法进行储存：

1）模型与它所属的区块一起直接存储在区块链中。

2）模型存储在一个集中式服务器（称为模型存储）中。

3）模型存储在分布式系统中。

第一个方法带来了一个非常重要的问题，即在大多数情况下，序列化模型将采用非常高的区块存储比率，很可能超过99.9%。由于缺乏存储资源，网络节点将无法同步区块链，该方法并不可行。

第二种方法可能适用于私人区块链设置，例如在公司或机构内。相反，如果区块链是公共的（如比特币或以太坊），建议以分布式方式存储模型来避免此方法。

最后，第三个选项可以在公共去中心化区块链范围内变得更有意义。特别是，在我们的建议中，我们建议只有特定的区块链节点存储模型。为了解决这个问题，我们建议使用本节其余部分描述的系统。

一旦开采了一个区块，将计算与该区块关联的序列化模型的哈希并存储在区块链中。在此过程之后，区块将被提交到给定数量的存储模型的节点（命名为keepers）中。

Keepers是区块链网络中可用于存储深度学习模型的用户。事实上，它们的工作与矿工的工作类似，但它们不会向网络提供处理能力，而是提供存储能力。基于区块链的存储模型并不是特别新，因为它们已被一些替代加密货币（如Siacoin）采用。此外，保管员的工作也会像矿工一样得到形式为由区块链支持的加密货币的一些价值的奖励。

分布式存储系统在某种程度上类似于某些分布式文件系统（如Hadoop）中提供的系统：对于每个深度学习模型，R个副本将由该模型制成，该模型尝试按照每个保管人提供的仓库的比例来平衡负载，将发送给R个不同的保管员保管。参数R称为副本因子。如果保管员离开区块链网络，那么网络必须创建一个新的副本，并将其发送给另一个保管员，来符合这一因素。这种机制提供了避免丢失信息所需的冗余。

此模式保证了经过训练的深度学习模型的分布式存储。同时，由于模型的hash存储在区块链中，保管员篡改模型本地副本的任何尝试都将被检测到（因为该副本无效）并可能被暴露出来，甚至可以允许对保管员的行为进行处罚。

最后，尽管我们目前只关注存储深度学习模型的机制，但该系统也可以用于存储能够训练此类模型所需的数据。在这种情况下，为了方便矿工在挖掘过程中训练模型，允许矿工快速访问数据，因此可以使用更高的副本系数。此外，矿工还可以缓存数据的本地副本。这是可行的，因为数据所占用的空间可能比模型的所有历史版本都要小得多，而且试图篡改数据也没有用，因为模型的质量是由网络中的其他节点算出的。

在这一部分，我们提出了用于构建深入学习模型的技术设计和机制，它允许开发基于有用工作方案证明的区块链网络，解决了社区感兴趣的问题。然而，我们有意忽略了系统的两个方面：待解决的问题和哈希到架构映射函数将使用的语法。这种遗漏背后的原因是，这两个方面都必须由社区，即加密货币持有者来决定。

这类问题的第一个方面涉及可在采矿问题期间解决的人工智能问题。我们不可能提前知道哪些问题值得解决，因为这一决定是基于社区的利益做出的，并且可能会随着时间的推移而改变。社区的利益可能取决于谁构成了这样的社区，但理想情况下应与科学社区甚至整个社会的利益保持一致。此外，通过允许持有者选择他们感兴趣的问题来解决，我们尝试为货币提供附加值，从而使其稳定和长期可行。

必须仔细设计选择问题的机制。在这种程度上，我们建议任何货币持有人，即使他拥有非常少量的数字加密货币，也可以提出一个需要解决的新问题。通过提出“问题”，我们实际上是指训练集和验证集以及要在后者上计算的质量度量，然后矿工可以使用这些度量学习模型，网络中的其他节点也可以使用这些度量来验证模型。

用户除提出新问题外，还可以通过加入或投票的方式支持他人的建议。当有足够的兴趣转向一个新问题时，平台将随机决定一个新问题，但与每个问题的支持者拥有的货币总量成比例。这样做，使网络中的任何人可以更民主地访问网络资源，同时激励那些拥有大量货币的用户。

为了确定向体系结构映射函数提供哈希的语法，将采用相同的方法。在这一点上，试图设计一种语法是不明智的，因为科学的进步会出现尚不清楚的新体系结构。因此，我们建议所有者负责参与一个民主的过程，该过程将升级支持此映射功能的语法，以符合新的体系结构。

通过这样做，我们希望该平台能够提供对人工智能的民主访问。虽然较大数额货币的所有者会得到奖励，因为他们有更高的机会看到平台选择的项目，但在理想的情况下，货币在许多所有者之间分配，而他们中没有一个拥有大量的市场资本，那么候选问题对社区将得到高度支持，因此将有更高的机会被选择。

关于本建议的描述，我们在一些方面考虑了替代方法。前面介绍了一些可在第一阶段缓解项目可行性的备选方案。尽管如此，本文还讨论了其他替代方案；首先，参考工作证明算法，我们可以通过调节性能阈值来考虑自适应差异。因此，为了保证模型性能的提高，每次挖掘一个区块时都要提高阈值，这是非常有意义的。这种方法的主要问题是，由于深度学习模型复杂并遵循非线性随机行为，因此不可能量化每一点上的差异是如何增加的，并且可能发生的情况是：即使阈值稍微增加，也会导致无法解决的问题。为了解决这个问题，我们提出了另一种变化，即在每个区块开采后提高阈值，然后随着时间的推移以较慢的速度降低，从而获得最终阈值。

在当前的加密货币中可以发现的一个问题是，交易费用可能会变得非常高，而且由于费用是可选的，因此矿工可能永远不会选择低费用的交易。从经济角度来看，在高需求情况下这可能是一个令人满意的特性，但我们可能想知道，我们是否可以通过增加将低收费交易包括在一个区块中的机会来减少这种“财富差距”。一种可能的方法是删除nonce，在这种情况下，需要一个矿工来更改测试新体系结构所需的选定事务集。但是，如果事务很少，这可能是一个严重的问题，因为可能没有那么多的组合可供选择，导致搜索空间减少。为了解决这个问题，我们可以设计可能的nonce范围，以增强对不同事务组合的测试。

在确定神经结构时，我们提出了使用生成语法。我们发现这种方法灵活，易于理解和实现。此外，我们还考虑了使用图形描述语言生成计算图形的可能性。在这种方法中，搜索空间将大得多，并且可能允许发现以前从未测试过的新体系结构。这是一种优势，但同时也是一种劣势，因为可能搜索空间的很大一部分不切实际，无法进行训练。

最后，在本文前面讨论将获取人工智能的途径民主化的想法时，我们总是做出决定，使我们认为民主的结果更好。然而，我们可以认识到在某些社会经济情况下更有趣的不同选择。例如，我们可以切换到一种更类似于股权证明计划的方案，而不是根据投票数随机选择一个提案，在这种方案中，持有大量资金的股东支持的提案将以更高的可能性被选择。一个类似但不同的方法是开始拍卖，这样货币所有者就可以出价解决他们的首选问题。应该注意的是，这些方法可以提高对货币的整体兴趣，尽管这会扩大财富差距，并可能使货币对持有较少代币的所有者的吸引力降低。此外，除非前一个问题在一定时间内处于活动状态，否则系统可以防止更改问题。这可以增加获得更好模型的机会，从而提供额外的动机来建议或支持项目。但是，锁定期应该仔细决定（甚至是问题选择阶段的一部分），以避免它只是一个任意数字。

在实现这个概念框架时，可以考虑一些或所有这些备选方案，使支持Coin.AI的平台的内部工作方式适应所需的行为。

在本文中，我们提出了一个新的理论框架来证明在区块链环境中挖掘有用的工作方案，支持一种我们称之为“Coin.AI”的替代加密货币。我们提出的工作证明机制的目的是在大规模分布的范围内进行神经架构搜索，这对提高人工智能的技术水平具有潜在的影响。

框架的核心是工作程序本身的证明，它必须完整地列出在区块链范围内有用的需求。在我们提出的方法中，该过程的本质与在其他加密货币（如区块链）中执行的过程相似，但有一个显著的区别：一个区块的矿工是能够训练在给定问题上性能超过阈值的深层神经网络的人。

提出了一种将前一个块的hash、事务列表和一个nonce映射到该结构中的方法，解决了在挖掘过程中生成神经结构的问题。该机制由生成语法提供，生成语法用于从上述项目的hash中生成网络体系结构。一旦任何元素发生更改（包括事务列表或nonce），体系结构也将发生更改。

除了工作证明算法外，我们还提出了一种存储证明机制，将深度学习模型安全地存储在分布式模型中。这种方法以前已经成功应用过，但据我们所知，这是第一次结合有用的工作方案证明。

最后，我们概述了如何使用这种替代硬币使获得人工智能的途径民主化。

如果喜欢这篇文章

麻烦给我一个在看