宙斯盾系统首席科学家-姚勇简介
http://yongyao.se
于2014年在瑞典布京理工大学获得通信系统专业的博士学位。我当前主要研发方向是:
- 移动云游戏、虚拟现实和增强现实
- 基于云网络的移动式实时图像识别和人工智能
- 分布式资源管理系统和智能区块链系统
- 认知无线电网络和智能网络架构
- 异构自组织无电网络系统
- 绿色云无线电接入网络
- 基于SDN&NFV的无线电接入网络
姚勇博士与宙斯盾系统的渊源
我叫姚勇，我于2014年5月份毕业于瑞典布京理工大学，我的主要大方向是智能通讯系统。
在介绍宙斯盾区块链系统之前，我想简单介绍一下我的个人研究经历，以便大家能够更好的理解我们为什么会提出这个基于人工智能的宙斯盾区块链保险系统。同时了，大家也可以了解宙斯盾区块链保险系统里面所用到的一些概念和技术。
说起与区块链的渊源，其实可以追朔到我与1999年到2006年在华中科技大学本硕连读，当时的硕士主要研究的方向是光学里面的随机共振现象，因为这个随机共振很难用封闭式公式来描述，所以需要用计算机模拟的方式来研究其特性。但是由于巨大的计算量，所以当时我我就采用了多电脑的分布式并行运算来进行模拟计算。
2006年硕士毕业，我有机会继续在华科读物理方面的博士，但是当时对这个分布式计算有了浓厚的兴趣，所以就去了香港天地数码在上海的公司，叫天柏集团，主要做的是实现基于机顶盒的点对点BT下载。后来2007年左右，我想继续深造， 当时瑞典的布京理工有教授正好做和我工作内容一致的研究工作，于是就开始联系了，并于2008年初到瑞典这边来做了一次面试。因为当时区瑞典读博分两种，一种是通过国家公派，另外一种就是工作性质的，需要学校方面的全额工资支持。我当时决定走第二种，但是由于博士工资需要有教授申请研究项目之后才能发，所以我当时等了1年，直到2009年4月才真正开始博士学习和工作。
在读博期间，从2009年到2011年，我的主要方向仍是分布式系统对流媒体的支持。在2011年到2014年之间，我的主要方向转为认知无线电以及通讯异构网络的研究，简单介绍下这个异构网。最简单的就是我们平时用手机上网，可以用wifi网络也可以用4G或者5G网络。另外，大家坐火车时可能有体会，有时候4G信号会变得很弱，这是因为手机信号可能在做漫游操作，也就是信号链接从一个基站转到另外一个基站。研究异构网的一个主要目的内容就是通过有效优化已存在的硬件和软件，提高网络用户的体验。
我与2014年5月毕业，毕业后就继续留校做博士后以及researcher，主要是参与了一个10000万欧元的欧盟项目CONVINCE，这个项目的主要目的是对基于绿色云网络的视频流媒体系统的优化。其中优化对象包括云网络，主干光纤网络，无线电网络，流媒体压缩传输算法，以及对客户端硬件比如手机和机顶盒的功耗优化。由于我的研究背景，我主要是负责从头端到客户端整个系统的资源参数优化。然后在2016开始，我的另外一个主要方向就是基于移动端和云网络的人工智能图像识别。
姚勇博士从技术角度对区块链的简单介绍
针对区块链，相信大家对相关的出现和市场发展经历都有一定的了解。我主要是从技术角度对它做一个简单介绍。
可以说任何一个区块链大系统可以分三层
第一次层里的最基本的技术是对分布式系统的实现和管理，包括存储和通信，以及网络拓扑，这里网络拓扑就是一种点对点的模式。比如说以太坊，可以说它每一个节点都可以作来进行挖矿操作，那么我们平时用到的imtoken或者其他的钱包工具，本质上它们不是以太坊节点，大家可以理解它们仅仅是一种数据显示窗口而已。
在第一层也就是分布式系统层之上的第二层，区块链把密码学原理、时序数据和共识机制相结合，来保障分布式数据库中各节点的连贯和持续，使信息能即时验证、可追溯、但难以篡改和无法屏蔽，从而创造了一套隐私、高效、安全的共享价值体系。
区块链的第三层，其实是和区块链应用相关。最著名的应用就是数字货币，比如比特币，以太币。那么针对以太坊平台，我们可以把它的智能合约层看作是介于第二层和第三层之间的虚拟应用平台，它的用途就是方便以太坊开发者开发各种不同应用，以便把对区块链的潜在应用范围可以扩展到各个科技领域，比如代币系统，分布式数据存储，社交平台，等等。
姚勇博士对宙斯盾区块链保险技术构架介绍
那么我们的基于人工智能的宙斯盾区块链系统可以说是属于区块链第三层的范畴。有人可能会问了，现在有一些项目是把人工智能放入区块链的第一或者第二层里，那么我们为什么会把AI放在应用层呢？我后面会详细解答这个问题。那么，接下来再说说保险。
我们为什么做区块链保险，首先是因为我们的创始团队里的黄老师本身就是保险行业出生的，对保险业里的各个环节以及相关业务痛点有很深入的了解 和实际操作和解决。第二点，就区块链本身来讲，除了数字货币和银行业务，同时相比于其他区块链应用，保险业务其实是一个市场巨大，同时是可以完完全全落在实地的应用。早在2016年年底，欧洲五大保险公司涵盖荷兰德国，瑞士等就发起了一个叫B2I的项目，旨在研究区块链在保险行业的可行性，并开发基于区块链的保险概念证明。在2017年4，5月份，上海保险交易所已经启动了正对保险业务的区块链试验后，涉及的保险公司包括国泰人寿，中国大地财产，民生保险等。那么与传统保险业务相比，包括基于前几年流行的网络保险，基于区块链的保险业务核心优势是提高了保险业务的安全性和可追朔性，以及解决保险公司所面临的信誉问题。
那么我们宙斯盾区块链系统又是什么呢？形象上理解，我们的宙斯盾系统可以看作是保险业务的淘宝网，传统和新型的保险公司可以入驻我们的平台，同时提供给保险用户提供各种保险业务。这样的好处是，打破了各个保险公司直接的业务壁垒，不同保险公司甚至可以方便的联合在一起提供综合性的保险业务。同时普通用户也能够通过我们的平台挑选实惠安全的保险业务。当然我们的宙斯盾系统还有其他基于技术和业务优势，比如说这个保险资金池，它的好处是里面存储的虚拟货币可以用来帮助保险公司来解决突发性的巨额赔偿，这样的好处是可以同时保证入驻保险公司的稳定性以及普通用户的合法赔偿权益。
姚勇博士对区块链与AI结合的分析
以及宙斯盾系统的AI设计的介绍
人工智能模块是宙斯盾区块链系统中的重要组成部分。它的主要作用是通过对大数据分析和学习，来提供给入驻保险公司更完善有效的保险业务，同时也帮助普通用户制定根据自身需求的保险业务组合，比如说你要去泰国旅游，这期间肯能会有班机延误情况，旅游景点天气变坏，当地治安可能有突发事件等等，那么宙斯盾区块链系统就可以依据实时数据来进行分析和学习，同时预测不同事件发生概率，最后给出一个非常人性化的保险业务套餐。
接下俩，我再从技术角度来介绍下宙斯盾系统里的人工智能模块的设计方案。因为当前有些ICO项目是有考虑人工智能的，那么我也通过这个机会跟大家阐述下宙斯盾的人工智能模块的特殊性。
首先，我们再来看区块链系统，前面说了，可以分三层，分别是底层的分布式系统，中间层区块链协议层，以及最上面的应用层。那么对于人工智能模块，理论上将，我们可以把它放在这三层的任意一层，比如有的项目把人工智能里面的深度学习放入挖矿节点，也有把人工智能放在合约层。我首先先来谈一下我对这方式的看法。
我在前面有介绍过，深度学习的核心是基于并行运算的神经网络。对于并行预算，我举个很简单的例子，就是通过3台计算机节点对4个2进行相加的运算。不考虑数据传输等其他因素。 我们假设这三台计算机硬件和软件都相同，同时，每一步计算都会花费相同的一个单位时间，比如说1纳秒。那么最有效的计算系统设计就是，前面两台计算机分别做2+2计算，然后再把数据给第三台电脑进行4+4的计算。这是很理想的情况。那么，如果这三台计算机有着不同的硬件软件配置，那么之前所设计的方案就不是最有效，因为有可能第一台电脑只需要0.01纳秒就计算了2+2，而第二台电脑则需要1纳秒，那么还不如就让第一天电脑完成所有的计算任务。
这个例子的潜在问题就是存在在通信网络系统中的异构性质，什么叫异构网络了，简单来说，也就是组成通信系统里面的每一个部分的硬件和软件配置都不一样。那么举例用以太坊来说，以太坊的挖矿节点有可能采用不同的矿机，那么如果要让全网或者部分节点达到最有效的并行运算，就需要做一个分布式的异构网络参数优化，这是非常巨大的研究课题。里面还有一些其他问题，比如说任务数据冗余，它的主要目的就是防止某些节点突然down掉，这时候就需要其他节点来代替它进行运算，同时这个冗余重复数不能太多，因为这种任务信息的生命周期通常都是短暂的。当然有ICO说用节点来做深度学习主要是提高挖矿节点显卡的利用率。当然，这对于小型数据量放在单一挖矿节点是可以的，但是如果一旦需要多个挖矿节点，那么系统研发就会遇到非常大的问题。可以说，大公司比如谷歌和百度已经花费了巨大人力物力来解决这些问题，同时他们的系统也已经非常成熟和稳定了。
第二个来说说，将人工智能放在比如说以太坊的合约层来进行相关操作。当然，这是可行的，但是具有局限性。这是因为，当前的人工智能里面有一块很大的应用就是对图像视频的处理。众所周知，我们直到以太坊的对数据的处理速度和存储能力是有限的。如果把视频源作为数据来存储在以太坊平台里面，那将会造成灾难性的后果，可能以后有好的解决方案，但是当前这是不现实的。那么也就是说。
那么对于我们的宙斯盾区块链系统来说，我们的一个设计思路是让最成熟的技术发挥其最大的价值，所以我们把人工智能模块分成了两部分，一部分是需要大型计算量，比如图像识别，我们是把这部分放在区块链系统之外来做，主要是用现有的成熟的云计算平台。然后了，我们把一些小型计算量的，比如文字数据方面的分析，放在以太坊平台。那么我们的技术难点是什么了，就是如何把两部分不同的人工智能有效结合在一起。同时配合我们的客户端，比如移动手机也能实现部分的人工智能计算。
对于这个移动式的人工智能计算，我也简单介绍下，大家也可能都知道这个人工智能核心算法本身比如深度学习，其实算法本身是比较成熟了。那么这个基于移动端的人工智能有什么特殊的应用和研究难点了。最简单的例子就是当前的自动驾驶车，包括谷歌和英伟达在内的大公司对这个自动驾驶已经投入了巨额资金。当然，这个方向的研究难点有很多，其中一个难点就是实时获取图像数据，比如行人，路标，车速限制等等等。所有这些信息都需要实时的进行图像识别来让车辆理解当前路况。其中，用到的最核心额技术就是通过人工智能里面的神经网络来进行演算，而这个演算是需要巨大硬件资源支持和时间。比价好的是通过分布式计算系统和高效显卡来进行并行运算。这个分布式系统比较好理解，那么显卡呢，主要是通过它的大量的计算单元来实现一种微观的分布式计算。最简单的个例子就是以太坊的显卡挖矿。那么，再来说说移动式人工智能，其主要依靠嵌入式系统比如说车辆里的摄像头和微信计算机，还比如说我们平时用的手机，如果我们把所有的神经网络的计算都放进 里面，那么毫无疑问，计算结果需要耗费大量时间以及大量功耗，来实现实时图像识别是很难的。那么如何解决这个研究难题了，当前一个最可行的方法就是将人工智能计算的整个步骤分割成多个子系统，也就是说，我们可以把最复杂的那部分计算，也就是基于神经网络的建模子系统放入云网络里面来实现，只要我们得出了模型，那么移动客户端就可以依据这个模型本身把对实时获取的数据进行简单的映射计算，以此变完成了基于人工智能的图像识别工作。在这方面的研究，我所毕业的大学有着很强的研究实力，于瑞典很多大公司有合作，比如爱立信，sony，沃尔沃，生产鹰狮战斗机的厂商萨博等等。
