爲了提高數字貨幣的可用性，有許多不同的路徑可供選擇。最近，我一直在關注“代幣性經濟學”項目，因爲我覺得更好的獎勵分配是前進的道路。例如，傳統的交換沒有給用戶提供足夠的獎勵;少數例外是Binance, Coss或ABCC。我特別喜歡最後一個，因爲它真正關注的是通過其本地貨幣AT代幣(AT token)向用戶分配最大的收入。他們甚至實現了一個基於治理的代幣模型，該模型爲代幣持有者提供了額外的權力。我真的很期待看到授權用戶的下一步，對我來說，這是去中心化的真正目的。

無論如何，我覺得是時候考慮其他假設了，比如人工智能(AI)在數字貨幣的全球應用中所扮演的角色。我同意這不是一項簡單的任務，因爲我們大多數人都不是技術人員，我們對技術如何工作以及如何與用戶交互的理解實際上是有限的。

儘管如此，我今天的目標是分析一些AI工具，這些工具可以幫助數字貨幣項目部署更好的產品，具有更直觀的界面。我們將討論四種類型的工具，它們可以與自然語言處理相結合(既有已知的目標，也有未知的目標)，目標相對簡單:允許任何代理更好地與區塊鏈交互。

最後，我們認識到數據可視化作爲用戶更好地理解區塊鏈數據的關鍵因素的重要性。

就像頓悟一樣，現在看來，支持人工智能的工具對數字貨幣可用性的影響是顯而易見的。由於糟糕的用戶界面和智能合約代碼錯誤，出現了許多問題，我覺得圍繞智能合約審計或創建以用戶爲中心的交互式機器人，實施自治的預防措施肯定會導致採用方面的重大改進。用戶如何最終受益?讓我們來看看下面的內容吧!

這篇文章不應該被認爲是財務上的建議，因爲它僅代表了我個人的觀點。我有儲蓄投資於數字貨幣，所以不管我寫什麼，都要持懷疑態度。不要投資你承受不起的東西，總是在投資前儘可能多地瞭解一個項目，這不會錯。永遠不要忘記:權力越大，責任越大。成爲自己的銀行意味着你總是對自己的錢負責。

什麼是神經網絡?

如果你想了解人工智能是如何學習和提高其知識的，你應該先讀一下人工神經網絡。這是關於機器學習的最新研究。

神經網絡(和自然語言處理算法)允許機器像人類一樣學習。特別是，神經元的行爲和它們在輸入(如眼睛或手中的神經末梢)、處理和大腦輸出(如對光線、觸摸或熱量的反應)之間傳遞的電信號給它們帶來靈感。從某種意義上說，神經網絡對機械學習採取了一種啓發式的方法，因爲它把失敗作爲獲得知識的一種方法。如果你想拓寬你對神經網絡的理解，要學習的關鍵概念是博弈論、效用最大化和最優化。

神經網絡的類型

出於顯而易見的原因，我不會描述所有類型的神經網絡，但是我想提到最重要的一個，它可以用於自然語言處理(NLP)。然後，支持人工智能的設備和算法可以使用NLP，通過使用常見的機器學習技術(如蒙特卡羅模擬和隨機遊動的應用)來學習如何從語言到語言、文本到語音、圖像到文本或語音到文本的翻譯。

神經網絡的最終目標是賦予機器通過嘗試錯誤來學習人類邏輯的能力。

多層感知器(MLP)

在MLP網絡中，每一層的每個節點都連接到下一層的每個節點，使網絡完全連接。例如，多層感知自然語言處理(NLP)應用程序是語音識別和機器翻譯。

卷積神經網絡(CNN)

卷積層對輸入進行卷積運算，將結果傳遞給下一層。這意味着卷積神經網絡在圖像和語音應用(如翻譯器和機器人)中顯示出優異的效果。

長短時記憶(LSTM)

簡單地說，LSTM網絡具有一些作爲長期或短期記憶細胞的內部前後狀態細胞。LSTM網絡的輸出由這些單元的狀態調製。我們需要神經網絡的預測，並依賴於輸入的歷史背景，這是一個非常重要的性質。

助手是什麼?

既然您已經掌握了可以實現哪種類型的學習過程，那麼讓我們來解釋一下這些網絡是如何與普通用戶進行通信的。

通常，當我想到助手的時候，我的腦海中會浮現出典型的90年代安裝嚮導，這是一個幫助用戶安裝軟件的好工具。你還記得嗎?當然，現在，我們簡單地稱它們爲接口。直到現在，隨着人工智能技術的進步，新型智能助手才被開發和引入到不同的產品中。我們可以通過查看在Telegram和一些使用通信機器人的網站找到一些例子——通信機器人是一種非常基本的oracle或genie類型(取決於它的屬性)。

助手的類型

我們可以選擇四種主要類型的助手，它們賦予用戶與給定人工智能輕鬆通信的能力。

根據助手的不同，交互代理做出錯誤決策的幾率會更高或更低——這可能是任何違背最終用戶目標的決策。正如我們之前看到的，每個人工智能預測的成功程度與數據集和機器學習算法有關。在深入研究每一種人工智能助手類型之前，有一件事值得一提，那就是了解輔助人工智能交互的優缺點。

第一個問題是，在大多數情況下，智能體不能絕對確定地預測AI是否遵循所提議的編程邏輯，以達到可能的最佳結果;換句話說，人工智能的目標可能會根據它的偏好而改變，因此，應用正確的獎勵和激勵機制就像遊戲一樣對任何人工智能的成功都至關重要。

第二個問題是，沒有一個AI開發者能夠創造足夠的故障安全裝置來防止愚蠢的用戶犯錯。原因是，專業知識來自於知識和實踐，也就是說，如果某個人工智能進化到人類理解的某一門檻以上，即使人工智能創造者也不會擁有足夠的技能來理解其目標和邏輯。

好了，既然這些問題已經解決了，讓我們集中討論每種助手類型。

1.Oracles:問答系統(只讀)

Oracles是用戶與機器之間的第一道界面。通常，Oracles的作用是向用戶提供關於某個程序機制的快速答案或指示。Oracles設計的領域是有限的，所以每個答案都是基於數學的;接下來是限制輸出的Oracles，這些Oracles代表的系統給出了一個具體類型的答案，最後，有一些Oracles會有故障保險，比如不回答進入災難標準列表的問題。Telegram bots(在大多數ICO項目中都有)通常屬於這一類，因爲用戶可以通過請求機器人關於與該項目相關的主題的信息來與特定的組進行交互。

2.Genies:命令執行系統(讀寫)

Genies是工具助手的第二層，因爲它們擁有一定程度的用戶感知智能。通常，這個助手會在一個基於用戶邏輯的系統上執行操作——這可以通過自然語言(再一次，看看Telegram bot)。在大多數情況下，用戶通過指令(命令)或問題/答案與Genies交流，系統將根據用戶期望的結果執行操作。可以創建故障安全機制，以防止代理促進不好的結果，儘管這個系統很容易出現人爲錯誤，通常情況下，它比Oracles要開放得多。

3. Sovereigns:開放式自主經營(有已知目標或未知目標)

Sovereigns通常可以與自然語言技術相聯繫，因爲這些開放式的系統是在有限的指令下創建的，以實現特定的目標。人工智能應該學習使用模型，如蒙特卡洛(隨機遊動)，並通過嘗試和錯誤找到最有效的路徑。

4.人工智能工具:一種不用於展示目標導向行爲的系統

工具表示開放的搜索過程。創建一個支持AI的工具將意味着它的行爲將是機械的，而不是基於基因的喜好，這可能是一個問題，因爲打開的搜索框可能會產生意想不到的結果。工具允許用戶定義參數和上下文，它們通常與IBM Watson或谷歌Big Query之類的業務應用程序相關聯。

你能想象在幾年後，當人工智能完全開發出易於使用的界面時，我們能做些什麼嗎?巨大的強大用戶將擁有超過數據分析，如預測行爲和預防性監測將是精美的。錯誤越少，性能越好。

數據可視化的重要性

既然您已經瞭解了神經網絡的基礎知識及其用途，以及幫助用戶與機器(物聯網設備、網站、平臺、協議等)交互的各種助手，那麼您能試着猜測一下缺失的部分嗎?

如果您考慮過數據可視化，那麼您完全正確。

用戶和人工智能之間的最終邊界是如何表達數據;通過添加圖形、信息圖形、圖像和圖表等可視化工具，人們可以更容易地記住信息。這就是爲什麼新的人工智能可視化工具能夠與機器人和NLP系統一起實現的原因。這是在機器和人之間傳遞信息的最快和最有效的方式。

區塊鏈、DappRadar、Ethplorer和Coin360等平臺在創建數據可視化方面做得非常出色，我們可以使用這些數據可視化來更好地瞭解數字貨幣市場;然而，我覺得需要更多的選擇。如果能夠教Oracles或Sovereigns與數據可視化交互，那麼向所有數字貨幣用戶傳授複雜信息就會更容易。

已經有很多有趣的區塊鏈項目有很多不同的用例了;下面的列表是我個人感興趣的AI項目。當然，還有很多數字貨幣項目，其中很多我可能還不知道。