作者：francesco

编译：深潮 TechFlow

在创建 AI 智能体时，一个核心挑战是如何让它们既能灵活地学习、迭代和成长，又能确保输出结果的一致性。

Rei 提供了一个框架，用于在 AI 和区块链之间共享结构化数据，使得 AI 智能体能够学习、优化，并保留一套经验与知识库。

这一框架的出现，使开发具备以下能力的 AI 系统成为可能：

• 理解上下文和模式，并生成有价值的洞察

• 将洞察转化为可执行的行动，同时受益于区块链的透明性和可靠性

AI 和区块链在核心属性上存在显著差异，这使得两者的兼容性面临诸多挑战：

1. 区块链的确定性计算：区块链的每一步操作都必须在所有节点上产生完全一致的结果，以确保：

   1. 共识：每个节点对新区块内容达成一致，共同完成验证

   2. 状态验证：区块链的状态始终可追溯且可验证。新加入的节点应能快速同步到与其他节点一致的状态

   3. 智能合约执行：所有节点在相同输入条件下必须生成一致的输出

2. AI 的概率性计算：AI 系统的输出结果通常是基于概率的，这意味着每次运行可能会得到不同结果。这种特性来源于：

   1. 上下文依赖性：AI 的表现依赖于输入的上下文，例如训练数据、模型参数，以及时间和环境条件

   2. 资源密集性：AI 的计算需要高性能硬件支持，包括复杂的矩阵运算和大量内存

上述差异引发了以下兼容性挑战：

• 概率性与确定性数据的冲突

  • 如何将 AI 的概率性输出转化为区块链所需的确定性结果？

  • 这种转化应在何时、何地完成？

  • 如何在确保确定性的同时，保留概率性分析的价值？

• Gas 成本：AI 模型的高计算需求可能导致无法承受的 Gas 费用，从而限制其在区块链上的应用。

• 内存限制：区块链环境的内存容量有限，难以满足 AI 模型的存储需求。

• 执行时间：区块链的区块时间对 AI 模型的运行速度形成了限制，可能影响其性能。

• 数据结构的整合：AI 模型使用复杂的数据结构，而这些结构难以直接融入区块链的存储模式中。

• 预言机问题（验证需求）：区块链依赖预言机来获取外部数据，但如何验证 AI 计算的准确性仍是一个难题。尤其是 AI 系统需要丰富的上下文和低延迟，这与区块链的特性存在冲突。