2020年10月，中科院自动化所复杂系统管理与控制国家重点实验室博士生欧阳丽炜、中国人民大学教授袁勇与中科院自动化所复杂系统管理与控制国家重点实验室研究员王飞跃合著的题为“Learning Markets: An AI Collaboration Framework Based onBlockchain and Smart Contracts”的学术论文被IEEE INTERNET OF THINGS JOURNAL接收，IEEE INTERNET OF THINGS JOURNAL是计算机科学与信息系统领域的顶级国际期刊（Top 2%），位于SCI Q1区，影响因子9.936。
本文是研究团队在区块链与人工智能交叉领域融合研究的最新成果，文中首次基于区块链和智能合约提出并实现一种称为学习市场的市场机制调控的去中心化人工智能协作框架。
现阶段，大多数人工智能算法和技术是在少数高性能计算单元上，通过在有限时间内处理海量数据产生针对特定场景的智能，是一种相对中心化的单体智能架构。这种架构面临的数据孤岛问题和计算资源限制增加了人工智能技术深入应用的壁垒。同时，在不确定性、脆弱性、动态开放条件下存在一定的决策风险和人机协作不畅问题，因此，近年来，针对人工智能数据、模型和资源的分布式协作研究引起了广泛的兴趣，如由中心化组织控制的任务众包、人工智能模型共享市场和采用半中心化架构的联邦学习等分布式计算架构。图1展示了人工智能架构的演进过程。
图1 人工智能架构演进：(a)中心化，(b)半中心化，(c)去中心化
考虑到这些基于信任的协作模式已不再适用于开放动态环境下相互不信任机器间的大规模分布式协作，我们提出了一种基于智能组件的新型去中心化人工智能协作框架，称为学习市场（Learning Markets），如图2所示。在该市场中，区块链为互不信任参与者的协作和交易提供了可信环境，智能合约则作为软件代理来封装和处理可扩展的协作关系和市场机制。具体地，学习市场由协作市场和共享市场两部分组成，包含组织者、验证者、训练者和矿工4 种角色，由权限管理、数据传输、模型验证、贡献评估、激励量化5 种智能组件实现主要功能。协作市场负责实现学习任务的外包和分布式参与者的协同挖掘，共享市场则负责收集协作市场中产生的已验证及评估模型形成可信模型库和可信智能组件库供后续定价和共享。基于该学习市场，相互不信任的参与者一方面可在动态量化贡献下实现分布式协同挖掘，另一方面，可在天然具有可审核性、可追溯性和货币化方法的人工智能市场中共享可信模型和数据。
图2 学习市场框架
假设实验场景为一个计算资源有限的组织者发起MNIST图像分类任务，以请求具有最高预测精度的集成模型，我们基于以太坊和星际文件系统（Inter-Planetary File Systems，IPFS）平台实现并分析了该学习市场，并设置了数据公平划分和数据不公平划分两种情况。在数据公平划分时，所有训练者可以提交不同的个体学习器并采用集成学习的架构融合预测结果，在数据不公平划分时，所有训练者提交相同的个体学习器并采用联邦学习的架构融合模型权重，实验表明，本文协作框架有利于提高集成模型精度，扁平化计算资源，并且在协作公平性、透明性、安全性、去中心化和通用性等方面具有一定优势。
