[发明专利]将人工智能应用和区块链结合的数据处理方法和系统

说明书

本发明公开了一种将人工智能应用和区块链结合的数据处理方法，将区块链设计为强化学习算法的代理，每个区块对应一个无限状态或状态空间足够大的有限状态马尔科夫状态机，每个区块的创建和链接过程为马尔科夫决策过程，将区块链与强化学习人工智能模型相结合，利用强化学习模型的训练迭代实现区块的工作量证明计算，通过模型训练的计算复杂度和时间成本加大了区块信息被篡改的难度，提供了面向人工智能模型训练和运算的区块链模型，实现了一种可靠、可信任的数据共享机制和分布式人工智能算法运行模式，有效利用计算机资源，为广泛的人工智能应用提供了算力支持和数据支持，提高了人工智能算法模型的训练效率。

技术领域

本发明涉及人工智能和区块链领域，特别是涉及一种将人工智能应用和区块链结合的数据处理方法。

背景技术

区块链(Blockchain)是一个分布式的共享账本和数据库，具有去中心化、不可篡改、全程留痕、可以追溯、集体维护、公开透明等特点。这些特点保证了区块链的“诚实”与“透明”，创造了一种去中心化的信任机制。区块链也是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链的这些应用特征提供了丰富的应用场景，基本上都基于区块链能够解决信息不对称问题，实现多个主体之间的协作信任与一致行动。区块链它本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批的交易信息，用于验证其信息的有效性(防伪)和生成下一个区块。

区块链技术得到了广泛的认可和应用，涌现了一批具有不同技术特点和针对不同应用场景的区块链公链，著名的有以太坊(Ethereum)、超级账本(Hyperledger Fabric)、IPFS等，而无论哪一条区块链，其技术都包含了通过非对称加密技术使得区块(数据、交易)的添加不可逆且不可篡改，其具体机制为：在区块链上每增加一笔交易(可以是转账记录、数据添加、数据修改等，我们将之统称为交易)，都为其生成一个数据块(区块)，通过哈希(Hash)计算，将这笔交易信息生成一个随机且唯一的字符串(哈希值)，把这个哈希值包含到下一个区块的信息里。通过让每个新的区块包含上一个区块的哈希值信息，使得区块串联起来形成一条有向的链。如果任何一个区块上的信息被修改，就会导致其对应的哈希值变化，而其哈希值变化又会导致下一个区块的信息变化，这样就会导致整个链不能合法验证，这就防止了信息被篡改，除非当某个区块信息被修改后，其后的所有区块都被重新生成一遍，即重新计算整条链；为了防止这种情况发生，大部分区块链采用增加哈希值计算难度的方法，使得若要重新计算整条链需要消耗大量的计算资源和时间，在有限成本下无法实现，这样通过增加生成区块复杂度来防止区块被篡改的机制称为工作量证明。而为了实现分布式计算，区块链技术利用多个计算机节点来竞争工作量证明计算，当某个节点完成工作量证明计算，需要将新的区块通过广播等机制同步到其他节点，为了解决不同节点间信息差异化问题，区块链技术还设计了共识机制，即确定哪台节点上的区块信息是最终被认可的，比如最简单的方式是认可最长的链，认为它的信息是最完整而准确的。

所以，当前的大多数区块链为了实现工作量证明计算和共识机制，需要耗费大量的计算机算力，从而消耗大量的电力成本。而这些算力除了实现了哈希这个数学计算本身，体现了电力成本之外，没有实际的价值，这也是区块链被批评为一种高成本和造成大量浪费的技术的原因。

与此同时，人工智能(AI)技术的发展也使其被广发应用到人脸识别、语言翻译、药物发现、灾难预警等领域，而在不同的应用场景里，根据人工智能模型的复杂度和需要处理的数据量大小，人工智能模型的计算往往需要大量的算力支持。例如，针对图像识别和分析的算法，由于需要进行大量的矩阵卷积计算，现代计算机系统提供了专门针对矩阵计算的GPU(图形处理器)来提高模型的训练和运算速度，但对于一些复杂问题，仍然需要计算机计算较长时间，往往需要多轮训练来提高模型的准确性，不管是计算机硬件成本还是时间成本，都是极高的。

发明内容

为了弥补上述现有技术的不足，本发明提出一种将人工智能应用和区块链结合的数据处理方法，使区块链的工作量证明和共识机制不再只是浪费的无用计算。