区块链 机器学习，能突破数据的垄断，做可控的“摩洛克”吗？(2)

2.构建
例如，让我们尝试创建一个完全去中心化的系统，用于在去中心化的交换机上交易加密货币。这仅是许多潜在的建构之一。
数据：由数据提供者提供数据，并将其提供给建模人员。
模型构建：建模者选择要使用的数据并创建模型。数据训练是使用安全的计算方法完成的，该方法允许模型在不暴露底层数据的情况下进行训练。这样就确定了模型。
元模型构建：元模型基于每个固定模型的算法而创建。创建元模型是可以挑选固定模型的——您可以想象有很多模型没被合并到元模型中。
使用元模型：使用智能合约，将元模型和交易通过去中心化的交换机制在链上进行编程。
分配收益/损失：经过一段时间后，交易产生利润或亏损。这种利润或损失，是根据元模型中固定模型提供者的贡献来分配的，这取决于他们在元模型中做出多少智力贡献。造成负面贡献或亏损的模型也按拟定的比例分配，然后分摊到他们的数据提供商身上。
可验证的计算：每个步骤的计算既是集中式的，又是可验证的，可以在Truebit上进行验证，或者使用安全的多方计算验证。
托管：数据和模型要么托管在IPFS上，要么托管在安全的多方计算网络中，因为链上存储成本太高。

3.是什么让这个系统如此强大？
吸引全球最佳数据的激励机制：吸引数据的激励机制是系统中最有效的部分，因为数据往往是大多数机器学习的限制因素。同样的，区块链通过开放的激励机制创造了一个世界上最具计算能力的新兴系统。一个合理的数据激励结构，将会为你的应用程序带来世界上最好的数据。而且，要想关闭一个数据来自数千或数百万个来源的系统，几乎是不可能的。
算法之间的竞争：它允许创建模型/算法之间的公开竞争。你可以在头脑中想象一下，一个去中心化的Facebook与使用数千种新闻推送程序的算法之间竞争的激烈场面。