区块链 机器学习，能突破数据的垄断，做可控的“摩洛克”吗？(3)

透明的奖励：数据和模型提供者可以看到他们取得的公平的价值奖励，因为所有计算都是可验证的，这可以使他们更加积极地参与。
自动化：在链上直接生成值并在令牌中直接生成值创建一个自动化的、不受信任的闭环。
网络效应：来自用户、数据提供者和数据科学家的多方网络效应,使系统自我增强。它表现得越好，吸引的资本就越多，这就意味着你更多的潜在支出，会吸引更多的数据提供商和数据科学家，他们会让系统变得更聪明，从而吸引更多的资金，形成一个良性循环。

4.隐私
除了以上几点，还有一个主要的特点就是隐私问题。
1.它允许人们提交数据，否则数据过于私密将无法得到共享。
2.防止数据和模型的经济价值泄漏。如果在未加密的情况下开放，数据和模型将被免费复制，并被其他没有做出任何贡献的人使用(即“搭便车”问题)。
对“搭便车”问题的部分解决办法是私下出售数据。即使买家选择转售或公开发布数据，其价值也会随着时间而衰减。但是，这种方法会使我们的产品在短时间内的使用率降低，并且仍然会造成典型的隐私问题而无法推广。因此，更复杂但更强大的方法是使用安全计算的形式。
5.安全计算
安全的计算方法允许模型对数据进行训练，而不泄露数据本身。
目前使用和研究的安全计算有三种主要形式:同态加密(HE)、安全多方计算(MPC)和零知识证明(ZKPs)。MPC目前最常用于私有机器学习，因为HE的速度太慢，如何将ZKPs应用于机器学习方面也没有取得明显的进展。
安全计算方法正处于计算机科学研究的前沿。它们通常比常规计算慢几个数量级，这是系统的主要瓶颈，但近年来一直在改进。