top of page

區塊鏈營造可信生態

Updated: Apr 28

這次去烏鎮參加世界互聯網大會,晚上約了雄安新區書記陳剛見面吃晚飯,我們是老朋友,但很久沒見面了。

眾所周知,雄安的發展目標是成為未來智慧城市的典範。陳剛形容人工智能與區塊鏈的融合,有如汽車的引擎和煞車系統。試問沒有煞車功能的跑車誰敢坐,車開得愈快風險愈大。時至今日,人工智能出現錯誤的例子已經不少,但誰又知道它何時出錯?出了錯如何修補?監管機構及用戶亦難以處理它的不可控性;公眾得悉的一些人工智能意外事件,很可能只是冰山一角。

顯而易見,人工智能走的是概率論路線,與傳統方案截然不同。若說傳統程式遵循「若A發生,則B發生」邏輯,那麼數據驅動的機器學習則用「可能性」來做決定。

基於這種概率性特點,人工智能犯錯的時候也很難追溯。同時,商業巨頭正紛紛大舉投資人工智能及大數據,他們用海量數據來訓練演算法,從而提高準確率並獲取領先優勢,在金融科技及互聯網創新業務上的效果尤其明顯;鑑於商業秘密,這些公司的數據和演算法技術都不會對外公開。

問題在於,人工智能衍生出來的應用有否誤用或濫用?即使有,也很難被公眾發現。例如人臉識別有沒有被商業應用作為監視工具?購物平台的推薦系統是否有在給予優惠的時候涉及性別或種族歧視?私人企業能否接受把私隱合規和數據安全的控制權讓給協力廠商?這讓高速發展的需求與社會風險控制陷入兩難境地。

有麻省理工學院的學者正在積極探索這個問題,試圖用區塊鏈來營造一個去中心化的人工智能應用可信生態。人工智能要訓練好,必須有大量數據,而區塊鏈的分散式特色與去中心化大數據的結合,將更有利大家放心在加密可追溯的環境下分享個人身份資訊。到時候比如健康數據、金融數據都能輕鬆共用。服務供應商亦能在使用者明確認可的前提下解碼這些資訊,並獲知分布於不同應用的個人數據被使用情況以及運行中的錯誤。

Recent Posts

See All
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
智能代理編程戰 懂人機協作致勝

上周把兩個消息放在一起看,很有意思。 第一個,Anthropic宣布Claude Code推出Artifacts,讓軟件工程師在寫程式的過程中,業務主管能同時打開網頁儀表板,就能看到軟件即時更新及開發的狀態。 第二個,中國人民大學和微軟亞洲研究院聯合推出一個叫Arbor開源自主人工智能體的新框架,系統能自動提出假設、修改代碼,運行真實實驗並從結果中學習,自動優化解決問題。 過去一年大家比併的是模型

 
 
集結舊手機算力 媲美當今伺服器

你可曾想過,你抽屜裏那部4年前的舊手機,可能很有價值? 這個星期,Google Research聯同加州大學聖地牙哥分校(UCSD)公布一項創新計劃:運用2000部退役的Pixel手機,構建一個真實可用的雲端計算平台。這不僅是概念驗證,更是一個供數百名學者與研究人員實際操作的生產級環境。處理方式十分直接,將舊手機的熒幕、電池、外殼全部移除,僅保留主機板,透過Kubernetes技術組成叢集,直接轉

 
 
bottom of page