人工智能行业的痛点
1.数据：被大型机构垄断，数据标注质量差
互联网巨头，像谷歌、微软、苹果、Facebook、阿里、腾讯和亚马逊，基于海量用户数垄断了我们的数据。现在的人工智能多为有监督学习，需要对数据进行充分标注，并非所有类型的影像数据都易标注，例如如医疗影像数据需由专业医师标注病灶，业界领先的视觉公司一般会有数百人的标注团队，但标注多为外包，缺乏专业培训和实时指导，导致被标注的数据质量差。
区块链如何解决：区块链是一种以密码学技术为基础，以去中心化的方式，对大量数据进行组织和维护，用户控制自己的数据，打破科技巨头垄断数据的现状。区块链上的数据全部都附有相关人不可伪造的数字签名，区块链还具有完全公开、高可靠性、去信任等诸多优点，可以实现全球数据共享和溯源，使得构建更高规模、更高质量、可控制权限、可审计的全球去中心化人工智能数据标注平台成为可能。
2.算力：硬件成本高
在工业领域需要大量的图片、视频输入以及场景训练，需要极大的运算量，普通人工智能科技公司需要百万以上的资金购置GPU、FPGA等硬件资源，对于大部分中小型企业来说，负担太大。
区块链如何解决：把分布式挖矿与人工智能结合，将大型GPU或者FPGA服务器集群、中小型企业闲散的空余GPU放服务器以及个人闲置GPU作为计算节点，利用区块链技术通过共享算力，为人工智能提供算力供给。
3.算法：人才短缺，研发进度缓慢
算法是逻辑的表现，目前的困境在于缺乏专家，一个博士生大概需要五年的时间培养，但是五年前还没有博士生开始从事深度学习，所以该领域的专家极度稀缺。
区块链如何解决：搭建发布机器学习任务的平台，利用群体智慧优化人工智能算法，一套算法由多个人工智能专家更新维护，不再是由一家公司决定一套算法。
区块链+人工智能的未来趋势
1.技术总体趋势：此领域成熟还有大量条件待满足
理想情况是：利用合理的Token模型构建底层价值网络，保证区块链节点的积极性，在区块链的隐私，性能，硬件，算法安全性提高的前提下，越来越多的数据，算力，算法，新理论在市场上进行交易。同时进行自我优化。
隐私：首要因素
ai相关的数据和计算的隐私，在云计算时代未得到彻底解决，区块链时代是一个大的机遇。因此应关注隐私方面的进展。经济模型：给予角色正确的激励
区块链+AI项目中包括数据的提供方和购买方，算力的提供方和购买方，算法的提供方和购买方。如何协调AI生态中各种角色的经济激励，使更多的数据、算力和算法在平台上交易，甚至贡献新的理论，是值得研究的课题。扩容：更好的解决方案
随着区块链扩容方案的落地，目前AI+区块链中使用的各种算法可以有更智能的解决方案。存储：未来会出现更好的垂直性储存。
在训练AI模型的过程中，为了训练属于自己的模型，需要存储自己的数据。目前IPFS方案的落地可能性众说纷纭，一种可能性是，会出现专门应用于人工智能领域的数据存储协议，针对ai计算所需的隐私要求和存储pattern做的专门的优化，有些场景下比通用存储可能会先出现落地应用。硬件：期待专用芯片的出现
矿工一直在做的就是简单的SHA256的哈希运算，但深度学习还是以GPU通用计算为主，而且深度学习训练的算法本身不是确定的，因此目前挖矿硬件是难以支持深度学习训练的。未来期望会出现满足ai+blockchain各种需求的专用芯片，配合专门的协议，可以解决均等分配计算任务的难题，使得在矿工在挖矿给区块链记账的同时，帮助解决AI计算问题。AI算法安全性趋势
AI算法如果架构在去中心化的区块链上，随着AI被用在各种区块链上的越来越重要的场景，如果会出现没有任何一家公司完全控制算法，算法存在失控的可能性，因此，AI行为安全一定会变得越发重要。
