結論：算力、算法和數據——5G、AI和區塊鏈融合之道

隨著智能手機和物聯網智能終端的普及，在區塊鏈、人工智能和5G的推動下，算力、算法和數據三個層面重構互聯網商業模式。如今，人類社會活動從未如此依賴移動設備，算力由個人PC、服務器端向移動終端遷移，人工智能算法處理海量的數據，這些數據越來越多由用戶移動端本地產生。人類數據的生產量和存儲量呈指數級增長，過去5年里數據量已經從TB(1024GB=1TB)級別躍升到PB(1024TB=1PB)、EB(1024PB=1EB)乃至于ZB (1024EB=1ZB)級別。過去20年互聯網巨頭們依靠享受大量數據的支配權（實際上用戶一直強調數據是屬于他們）和強大的網絡效應掌控了互聯網的主要資源和價值。在技術的快速發展過程中，互聯網的商業經歷了計算機的開源、軟件的開源和數據的開源，曾經的巨頭壟斷被不斷打破。如今，隨著區塊鏈、人工智能和5G等信息技術的崛起，整個互聯網加速由巨頭互聯網公司中心走向分布式和去中心化，價值壟斷正在被打破。

在5G通信技術和人工智能算法的驅動下，互聯網大數據的價值潛力不斷被挖掘，大數據的世界需要一個市場規則和經濟激勵制度——這真是區塊鏈的價值所在。區塊鏈完美地解決個人數據確權和授權交易，為大數據這列高速列車提供了規范的軌道。

我們認為，在區塊鏈、AI和5G融合的推動下，互聯網將呈現新商業模式。互聯網公司對數據的控制力下降，出現算法模式供應商；區塊鏈網絡為數據隱私和數據市場治理提供基礎協議，用戶分享更多數據價值；5G邊緣網絡的算力平臺將承載更多終端流量，改變先有網絡構架；移動終端的硬件構架向GPU傾斜。

移動端分布式人工智能機器人將是未來主流。人工智能的要素包括算力、算法和數據。它的發展需要算力的支撐，而數據是“喂養”人工智能機器學習的資料。作為基礎資源的數據越來越多由移動端產生，伴隨著數據隱私保護的呼聲愈烈，掌握算法工具的互聯網公司在挖掘“數據金礦”的時候只會越來越受到限制。產品級分布式機器學習的推廣已經指日可待，互聯網巨頭們并不必要將移動終端的用戶隱私數據上傳至云中心，而終端只需輸出學習模型結果。

區塊鏈網絡實現了數據市場治理，可以有效打破過去個人數據的“無主”壟斷狀態。個人的隱私數據實際上是被互聯網公司掌控，泄漏的風險的危險下，個人數據資源被互聯網公司的算法工具進行分析處理，而用戶并不能分享數據產生的價值——當某家互聯網公司根據你的行為數據給你推薦商品廣告時，你有沒有想過這個服務價值來自于本屬于你的個人數據？區塊鏈很好地解決了數據的隱私問題——數據的確權是屬于用戶的，其他人或公司若想使用這些數據或利用這些數據作為資料訓練AI機器人的話，都將在區塊鏈網絡中申請得到用戶本人的授權，在區塊鏈賬本中完成交易支付。

5G邊緣網絡和霧計算作為網絡通信基礎，催生新的商業模式。不久全球將進入5G網絡的時代，廣泛分布的移動端、云中心之間的數據交換方式產生著深刻的變革——更多的數據交換將在終端之間發生。5G的邊緣網絡和霧計算將為數據下次提供網絡通信的基礎，同時邊緣網絡的構架和數據通信模型催生新的產品和商業模式。

未來算法可以預想呈現模塊化、產品化的趨勢，互聯網公司由數據和網絡效應的壟斷者逐漸蛻變為算法模塊的產品商。未來，互聯網巨頭不必掌握用戶的行為數據，只提供算法工具，通過區塊鏈網絡得到授權、完成數據使用權的費用支付，訓練AI機器人。屆時，互聯網公司也許不再是數據和網絡效應的壟斷者，蛻變為算法產品化模塊的供應商——別忘了，區塊鏈網絡重塑了數據市場的治理，互聯網公司并不直接掌握數據。

移動端和物聯網智能設備的迅猛發展，勢必需要算力從集中向終端分布式部署，最終在中心化和分布式兩者間取得平衡。人工智能在算法優化階段需要投入大量的算力，Google的明星機器人AlphaGo在擊敗李世石之前，DeepMind團隊使用了48顆TPU對AlphaGo進行了數個月的3000多萬盤對弈訓練。顯然移動時代，大量的數據在本地存儲的模式不在適合。因此，算力一定會隨著移動設備和物聯網智能設備的發展而向邊緣傾斜，實現算力的分布式部署。服務端與客戶端分離的結構，移動端的分布式機器學習就成為重要的方向，Google在這方面已經獲得產品級突破——Google基于TensorFlow構建了全球首個產品級可擴展的大規模移動端聯合學習系統，目前已在數千萬臺手機上運行。分布式算力的瓶頸還在于有效的經濟激勵機制的施行，而區塊鏈的激勵機制正好提供很好的市場激勵制度。

互聯網數據處于“無主”壟斷的混亂狀態，數據隱私將是未來的最“痛點”。據BM Security和Ponemon Institute此前發布的《2018數據泄露損失研究》評估顯示，2018年全球數據泄露的平均成本為386萬美元，比2017年的報告高出6.4%。該研究還首次計算了與“超大型泄露(超過100萬條記錄)行為相關”的成本。評估顯示，大型數據泄露代價高昂，百萬條記錄可致損失4000萬美元，5000萬條記錄可致損失3.5億美元。互聯網帶來各種便利的同時人們不應該忘記自身數據處于泄露風險之中，同時數據還在“喂養”互聯網公司的AI機器人。

數據隱私的真諦是確權和使用權的交付，區塊鏈的機制提供了數據市場的治理規則。移動時代數據隱私的保護呼聲愈烈，一方面是人們對數據作為一種潛力巨大的價值資源的認識越來越清晰，另一方面大量數據天然跟移動端的行為關聯，用戶越來越注意數據隱私的保護。過去的互聯網模式，數據主要存儲在互聯網公司的云端，用戶很難聲明對數據的所有權；另外，互聯網不斷產生的龐雜數據的確權也是出于模糊的“無主”狀態，但所有數據實際上都是掌控在互聯網公司手中——無論他們如何聲明不會泄露數據，不泄露數據不代表我們享有所有權。越來越多的智能服務背后都是來自于互聯網公司AI機器人利用個人隱私數據進行機器學習的結果，這個過程中，用戶是被動的，利益上存在受損的嫌疑。

我們認為，數據隱私的真諦是確權和授權——即用代碼合約明確數據的所有權，通過代碼合約完成數據使用權的授權和支付交易。區塊鏈天然就是去中心化和分布式的賬本機制，具有數據加密、不可篡改、來源可溯的特點。大量移動端的數據，將由過去“無主”壟斷狀態，被區塊鏈網絡確權給用戶，而AI所需要的個人數據，可以由用戶向使用方授權完成，相關費用用token完成支付。在數據領域，AI與區塊鏈的結合，一方面是數據層，兩者可以互相滲透，完全數據確權；另一方面是從應用層面入手，兩者各司其職，AI負責自動化的業務處理和智能化的決策，區塊鏈負責在數據層提供可信的授權。

移動端分布式學習技術的推廣將成為打破數據壟斷的關鍵一環。今年2月谷歌宣布實現了全球首個產品級的超大規模移動端分布式機器學習系統，目前已經能夠在數千萬部手機上運行。此產品利用聯合學習（FL，Federated Learning）方法，可以對保存在移動電話等設備上的大量分散數據進行訓練，是“將代碼引入數據，而不是將數據引入代碼”的更加通用化的一個實現。用戶的設備會下載一個當前模型，這個模型會從手機數據中學習不斷得到改善，然后將變化總結為一個小的關鍵更新。只有這個關鍵更新會以加密的方式被傳到云端，之后這一更新會在云端迅速被其他用戶對共享模型提交的更新平均化（averaged）。簡單說，所有的訓練數據都留在用戶的設備上，而且上傳到云端的個別更新也不會存儲到云端。新方法將機器學習與云端存儲數據的需求脫鉤，讓模型更聰明、延遲更低、更節能，而且保護用戶隱私不受威脅。聯合學習方法將使得移動終端數據的隱私得到充分的保護，互聯網公司云端服務器并不需要上傳用戶本地數據，將成為打破數據壟斷的關鍵一環。

數據資源的價值分享，將向用戶傾斜。在“無主”的壟斷狀態下，個人用戶產生的數據被廣泛用來訓練AI機器人，又產生各類互聯網服務推送給用戶或其他客戶。大數據是基礎的資源，其挖掘出的價值用戶往往得不到任何回報——同時還要承擔隱私被侵犯和泄露的風險。未來，分布在網絡中的數據將得在區塊鏈賬本中得到確權，數據的使用利用區塊鏈Token授權和支付交易。互聯網的價值分享將向用戶傾斜。

接踵而來的問題是，如何構建合理的激勵體系？區塊鏈在TOKEN激勵機制上的討論一直不絕于耳，最初的btc構建了通縮模型，即總量一定，產量四年減半一次，用算力保證系統的運轉及激勵分配的公平性。此后很多與現實相關聯的激勵體系卻遇到了很大的問題，比如迅雷的玩客幣體系，拋開監管問題，但從系統本身的可持續性也有待商榷。

用過迅雷下載的朋友都知道，當電腦運行迅雷終端的時候，PC即成為網絡中的存儲節點，這個點對點系統非常契合區塊鏈的去中心化理念，但用戶在這其中貢獻了硬件及帶寬，為了鼓勵在線，迅雷也有過積分獎勵，而其本質增加推廣費用去“獲客”，直到玩客幣的推出。假設為系統做出貢獻可以獲得玩客幣（俗稱“挖礦”），而玩客幣既可以從生態中購買服務，也可以二級市場交易，用戶自然有動力投入硬件和費用去挖礦，生態體系建設加速，且公司不需要投入費用，而當幣價走高時，由于回本周期縮短，用戶有更強的欲望加大投入，當然，其更傾向于將玩客幣用于二級市場交易而非獲得生態中的服務，相反，當幣價下跌時，激勵機制就會出現問題，畢竟生態中所能提供的服務不能實時地與幣價相匹配。

目前，互聯網巨頭作為主體獲得并使用大數據，不存在激勵問題，而未來在5G時代，面向個人數據、版權的確權和使用，同樣需要構建有效交易市場，激勵體系的構建仍是關鍵。