为了提高数字货币的可用性，有许多不同的路径可供选择。最近，我一直在关注“代币性经济学”项目，因为我觉得更好的奖励分配是前进的道路。例如，传统的交换没有给用户提供足够的奖励;少数例外是Binance, Coss或ABCC。我特别喜欢最后一个，因为它真正关注的是通过其本地货币AT代币(AT token)向用户分配最大的收入。他们甚至实现了一个基于治理的代币模型，该模型为代币持有者提供了额外的权力。我真的很期待看到授权用户的下一步，对我来说，这是去中心化的真正目的。

无论如何，我觉得是时候考虑其他假设了，比如人工智能（AI）在数字货币的全球应用中所扮演的角色。我同意这不是一项简单的任务，因为我们大多数人都不是技术人员，我们对技术如何工作以及如何与用户交互的理解实际上是有限的。

尽管如此，我今天的目标是分析一些AI工具，这些工具可以帮助数字货币项目部署更好的产品，具有更直观的界面。我们将讨论四种类型的工具，它们可以与自然语言处理相结合(既有已知的目标，也有未知的目标)，目标相对简单:允许任何代理更好地与区块链交互。最后，我们认识到数据可视化作为用户更好地理解区块链数据的关键因素的重要性。就像顿悟一样，现在看来，支持人工智能的工具对数字货币可用性的影响是显而易见的。

由于糟糕的用户界面和智能合约代码错误，出现了许多问题，我觉得围绕智能合约审计或创建以用户为中心的交互式机器人，实施自治的预防措施肯定会导致采用方面的重大改进。用户如何最终受益?让我们来看看下面的内容吧!这篇文章不应该被认为是财务上的建议，因为它仅代表了我个人的观点。我有储蓄投资于数字货币，所以不管我写什么，都要持怀疑态度。不要投资你承受不起的东西，总是在投资前尽可能多地了解一个项目，这不会错。永远不要忘记:权力越大，责任越大。成为自己的银行意味着你总是对自己的钱负责。

什么是神经网络?

如果你想了解人工智能是如何学习和提高其知识的，你应该先读一下人工神经网络。这是关于机器学习的最新研究。神经网络(和自然语言处理算法)允许机器像人类一样学习。特别是，神经元的行为和它们在输入(如眼睛或手中的神经末梢)、处理和大脑输出(如对光线、触摸或热量的反应)之间传递的电信号给它们带来灵感。从某种意义上说，神经网络对机械学习采取了一种启发式的方法，因为它把失败作为获得知识的一种方法。如果你想拓宽你对神经网络的理解，要学习的关键概念是博弈论、效用最大化和最优化。

神经网络的类型

出于显而易见的原因，我不会描述所有类型的神经网络，但是我想提到最重要的一个，它可以用于自然语言处理(NLP)。然后，支持人工智能的设备和算法可以使用NLP，通过使用常见的机器学习技术(如蒙特卡罗模拟和随机游动的应用)来学习如何从语言到语言、文本到语音、图像到文本或语音到文本的翻译。

神经网络的最终目标是赋予机器通过尝试错误来学习人类逻辑的能力。多层感知器(MLP)在MLP网络中，每一层的每个节点都连接到下一层的每个节点，使网络完全连接。例如，多层感知自然语言处理(NLP)应用程序是语音识别和机器翻译。卷积神经网络(CNN)卷积层对输入进行卷积运算，将结果传递给下一层。这意味着卷积神经网络在图像和语音应用(如翻译器和机器人)中显示出优异的效果。长短时记忆(LSTM)简单地说，LSTM网络具有一些作为长期或短期记忆细胞的内部前后状态细胞。LSTM网络的输出由这些单元的状态调制。我们需要神经网络的预测，并依赖于输入的历史背景，这是一个非常重要的性质。

助手是什么?

既然您已经掌握了可以实现哪种类型的学习过程，那么让我们来解释一下这些网络是如何与普通用户进行通信的。通常，当我想到助手的时候，我的脑海中会浮现出典型的90年代安装向导，这是一个帮助用户安装软件的好工具。你还记得吗?当然，现在，我们简单地称它们为接口。直到现在，随着人工智能技术的进步，新型智能助手才被开发和引入到不同的产品中。我们可以通过查看在Telegram和一些使用通信机器人的网站找到一些例子——通信机器人是一种非常基本的oracle或genie类型(取决于它的属性)。

助手的类型

我们可以选择四种主要类型的助手，它们赋予用户与给定人工智能轻松通信的能力。根据助手的不同，交互代理做出错误决策的几率会更高或更低——这可能是任何违背最终用户目标的决策。正如我们之前看到的，每个人工智能预测的成功程度与数据集和机器学习算法有关。在深入研究每一种人工智能助手类型之前，有一件事值得一提，那就是了解辅助人工智能交互的优缺点。

第一个问题是，在大多数情况下，智能体不能绝对确定地预测AI是否遵循所提议的编程逻辑，以达到可能的最佳结果;换句话说，人工智能的目标可能会根据它的偏好而改变，因此，应用正确的奖励和激励机制就像游戏一样对任何人工智能的成功都至关重要。

第二个问题是，没有一个AI开发者能够创造足够的故障安全装置来防止愚蠢的用户犯错。原因是，专业知识来自于知识和实践，也就是说，如果某个人工智能进化到人类理解的某一门槛以上，即使人工智能创造者也不会拥有足够的技能来理解其目标和逻辑。好了，既然这些问题已经解决了，让我们集中讨论每种助手类型。

1.Oracles:问答系统(只读)Oracles是用户与机器之间的第一道界面。通常，Oracles的作用是向用户提供关于某个程序机制的快速答案或指示。Oracles设计的领域是有限的，所以每个答案都是基于数学的;接下来是限制输出的Oracles，这些Oracles代表的系统给出了一个具体类型的答案，最后，有一些Oracles会有故障保险，比如不回答进入灾难标准列表的问题。Telegram bots(在大多数ICO项目中都有)通常属于这一类，因为用户可以通过请求机器人关于与该项目相关的主题的信息来与特定的组进行交互。

2.Genies:命令执行系统(读写)Genies是工具助手的第二层，因为它们拥有一定程度的用户感知智能。通常，这个助手会在一个基于用户逻辑的系统上执行操作——这可以通过自然语言(再一次，看看Telegram bot)。在大多数情况下，用户通过指令(命令)或问题/答案与Genies交流，系统将根据用户期望的结果执行操作。可以创建故障安全机制，以防止代理促进不好的结果，尽管这个系统很容易出现人为错误，通常情况下，它比Oracles要开放得多。

3. Sovereigns:开放式自主经营(有已知目标或未知目标)Sovereigns通常可以与自然语言技术相联系，因为这些开放式的系统是在有限的指令下创建的，以实现特定的目标。人工智能应该学习使用模型，如蒙特卡洛(随机游动)，并通过尝试和错误找到最有效的路径。

4.人工智能工具:一种不用于展示目标导向行为的系统工具表示开放的搜索过程。创建一个支持AI的工具将意味着它的行为将是机械的，而不是基于基因的喜好，这可能是一个问题，因为打开的搜索框可能会产生意想不到的结果。工具允许用户定义参数和上下文，它们通常与IBM Watson或谷歌Big Query之类的业务应用程序相关联。你能想象在几年后，当人工智能完全开发出易于使用的界面时，我们能做些什么吗?巨大的强大用户将拥有超过数据分析，如预测行为和预防性监测将是精美的。错误越少，性能越好。

数据可视化的重要性

既然您已经了解了神经网络的基础知识及其用途，以及帮助用户与机器(物联网设备、网站、平台、协议等)交互的各种助手，那么您能试着猜测一下缺失的部分吗?如果您考虑过数据可视化，那么您完全正确。用户和人工智能之间的最终边界是如何表达数据;通过添加图形、信息图形、图像和图表等可视化工具，人们可以更容易地记住信息。这就是为什么新的人工智能可视化工具能够与机器人和NLP系统一起实现的原因。这是在机器和人之间传递信息的最快和最有效的方式。区块链、DappRadar、Ethplorer和Coin360等平台在创建数据可视化方面做得非常出色，我们可以使用这些数据可视化来更好地了解数字货币市场;然而，我觉得需要更多的选择。如果能够教Oracles或Sovereigns与数据可视化交互，那么向所有数字货币用户传授复杂信息就会更容易。已经有很多有趣的区块链项目有很多不同的用例了;下面的列表是我个人感兴趣的AI项目。当然，还有很多数字货币项目，其中很多我可能还不知道。