大家好，我今天讲的题目是价值链的技术架构。我们讲软件的技术架构是一种框架。首先我们要理解的是价值链本身是一种软件技术。因此我们要想想要理解价值链的技术架构，就首先要理解什么是软件的技术架构。
软件的技术架构它是一种软件系统的结构和组件。我们要理解一个软件系统的结构，我们通常是理解哪些东西构成了这个软件系统。我们有一个形象化的比喻，就是把软件系统比作盖房子，我们每天都生活在各种各样的建筑当中，同时我们也每天都在使用各种各样的APP。我们先看一下我们在使用APP的时候到底在使用什么东西。当我们打开我们的淘宝的时候，首先映入眼帘的是这些淘宝的衣服、按钮、搜索框、促销活动等等。这些东西叫做用户的界面层功能，是用户可以交互、点击、旋转、删除、撤销、拖动等等。如果我们把它比作盖房子，那这一部分就相当于是室内的空间。你可以在室内的起居室里面休息，厕所里面上厕所，厨房里面做饭等，做你想做的活动。这是一个结构。
我们还可以从另外一个视角去思考什么呢？就是谁做了这个结构，也就是他的工种。首先用户界面成长成什么样子是由谁决定的呢？这一部分在软件开发当中叫做UI工程师和UX工程师。如果是盖房子，这一部分是由谁决定的呢？就是由设计师和规划师来决定的。但是这只是决定长成什么样子，具体是谁来完成它，按照他长的样子去开发。软件开发当中，这一部分叫做前端开发工程师。如果是盖房子的话，这一部分就叫做室内装修工程师。
好，这个是用户界面层。现在我们点开了其中一个商品，把他加入了购物车并且购买，这一部分就进入到了业务逻辑层，它是后台的一种业务逻辑，包括什么呢？包括用户申请结算，申请支付宝添加，减少购物车当中的商品。整个过程当中，我们会检查库存是否充足，用户信息是否完善。让它成功跳转到订单确认页，用户行使支付，比如说使用支付宝支付完了以后，再返回支付成功页这套业务逻辑。这也是一个结构。如果把这种结构也拿来当时盖房子的一个部分，那我们去比喻的话，它其实叫做一个建筑的梁和柱，也就是梁柱结构。这些结构是一个建筑当中最重要的结构，能够保证建筑稳固安全。OK这一部分叫业务逻辑层。对应这一部分的工种，我们在软件开发当中叫做后端工程师。在盖房子过程当中，这个叫做结构工程师。
第三个结构叫做数据访问层。你可以把它理解成建筑当中的水电、通风、供暖、电线、导管这些东西。虽然大家平常见的比较少，但是对于正常行驶建筑的这个功能来说是不可或缺的这一部分也是由后端工程师来负责的。
还有一部分就是软件的基础设施，包括软件的数据库服务器等。这一部分可以把它类比为盖房子当中的地基基础这一部分，盖房子的工作当中，这个工种叫做基础建设工程师，也就是基建工程师。在软件开发当中，也是涉及后端还有数据库数据开发这一部分的职能。这样子我们就从四个层级也理解了软件的常见结构。
还有一种理解的方式叫做软件的组件。什么叫做软件的组件呢？它是与功能这个概念相关的。比如说一个典型的功能就是加入购物车的功能，还有一个很常见的功能就是登录功能，登录用户身份确认，它可以比喻作建筑当中的安全安保权限系统。当然了，我们还可以把软件开发当中的搜索框、搜索栏、导航栏这些东西当做建筑当中的电梯导航系统，这一部分叫做组件。通过以上两个概念，我们就可以理解常见的软件技术架构。
价值链也属于软件技术当中的一种，因此我们也可以把价值链的技术架构分成四层。最底层的叫做数据和基础市场基础设施，包括服务器虚拟机。在上一层包括叫做数据层，包括价值码、数据资产还有隐私计算。往上一层叫做网络间网络层，包括节点p to p网络等，主要用于用户与数据库服务器之间传递消息。再上一层叫做业务逻辑层，它主要包括合约层和共识层，主要是管理数据的托管，平台数据，资产商城价值管理这一块。当然也包括一些价值链独有的算法，包括纳什算法和正态分布算法。
再往上一层叫做业务逻辑层，它可以分为两层，合约层和共识层。合约层主要是主管数据的托管平台数据资产商城和价值管理功能，而共识层主要是对这些合约进行算法。再往上一层就是应用层，也就是用户直接操作的层。它包括价值链APP以及隐藏在价值链APP当中的人工智能算法。当然再往上一层就是价值管理工程师了。这四层越往下的层级稳定性越强，而越往上的层级层次更新迭代越快。其中最往上的层级价值链APP就是连接用户与整个价值链生态系统的桥梁。
现在我们从一个价值管理工程师的角度去理解这个架构。首先我们打开价值管理工程师的价值链APP，它可以执行三个常见的动作。第一个是对于数据的托管发行。对应于价值链APP当中属于上传托管平台数据模块，它调用的是业务的逻辑层当中的数据托管合约。数据托管合约在访问这个价值链上的数据资产这样一个原生资产，以确保数据托管确权的稳定性和安全性。然后就是价值管理工程师对于数字资产的一个发行，他们的发行主要是调用数据资产生成合约，通过这个合约来生成数据资产。这个合约是建立在价值链这个链条上的一个协议。这个协议会去访问链上的数据，对数据进行增删查改这么一个操作。
第三个行为就是价值管理。价值管理工程师可以通过价值码这个模块进行价值管理。在这个模块当中，它又会涉及到纳什算法和正态分布算法等。通过计算以后，再通过节点和p two p网络计算得到价值观的工程师所获得的价值码的数量，再上链并对数据资产进行修改。但凡涉及到数据资产，都会有一个叫做隐私计算的东西。我们后面会讲到，隐私计算保证的是数据资产的可用不可见性。也就是说数据资产在价值链上流转，我们可以使用数据资产计算获得的结果，但是不会见到数据本身，也就是说不会泄露用户的隐私。从上页的PPT我们可以看到，数据资产是我们价值链的核心。我们近距离去看一下这个数据市场是怎样子的。我们平常接触到的都是一些原始数据，包括图片音频视频等等。这些数据都是没有加工过的数据。它会通过一系列的转换变成链上的数据资产。我们第一个需要理解的点就是数据资产通过原始数据经过托管平台托管确权、加密上链以后形成。
第二个需要理解的点是数据资产也分类别。也就是说数据资产可以分为很多类，包括个人的基础数据、健康数据、消费收入投资数据等等。消费数据又分为线上的消费数据，又可以分为各个电商平台的消费数据，APP内充值的数据流，媒体内的订阅数据等。线下的消费数据又可以分为零售店的消费数据，使用服务的一些消费数据，或者是观看娱乐活动的消费数据等等。还有收入数据，包括工资薪金收入所得，也包括基础工资和提成，还包括非工资薪金所得，比如说租金，版权所得等等。
投资数据又包括房地产投资数据，股票债券类的投资数据，企业的投资数据。企业的投资数据又可以分为工商数据、财务数据、管理数据等等。这些数据通过平台的托管、加密、商量后形成数据资产，产生数据价值。
现在我们的问题是这些数据怎么为价值管理工程师所用呢？那我们就要去看这个数据的加工程度。首先当然了，我们可以首先思考，为什么说我们要对通过平台对数据进行托管确权这么一个动作？这是因为根据中华人民共和国个人信息保护法，任何个人和组织不得非法侵占个人信息。因此为了遵循法律，平台指数托管确权，并且保证数据传输的安全性。基于这一条，所有用户都可以上传原始数据。
在上传到APP以后，数据价值管理工程师的作用就体现出来。首先上来以后，这些数据会进入市场模块，在市场模块当中是价值管理工程师可以看到这些所有的原始数据，并对这些数据进行价值管理。包括序列清洗、整理、训练、抽样等等，还包括数据标准化的动作。这一部分就属于价值管理工程师的对时间价值。在他们记录每一份劳动，记录每一份工作的时候，就变成了价值码。也就是说数据资产经过这些操作以后，并且经过价值管理工程师的价值管理不断的迭代升值，形成了有数据价值的数据资产，最终成功进入到数据交易所进行变现。举个一个具体的例子来说。一个人上传了个人的拼多多消费数据，该数据在发行链上之后的起始价值码为十个价值码。在经过B同学这是一个价值管理工程师，2个小时平均每个小时五个价值码的一个价值观。那么现在的这A同学的拼多多消费数据就变成了10加5乘以二等于20个价值。然后C同学又经过交易所变现，也就是说变现的结果是30个价值。那这个样子就变成了又从20变到30。那么30减20多出来的十个价值码就归数据的发行者，也就是A同学所有。在这个过程当中，A同学贡献了原始数据，然后B同学和C同学通过各自的劳动分别获得了十个价值码。这是一个整个的数据资产变现的链条。在上一页PPT当中，我们指出来了价值管理工程师通过劳动赚取基于时间的价值。那么在这一页当中我们来看一看数据价值管理工程师到底可以对数据进行哪些具体的操作。我们可以看到价值观工程师所做的事情非常的多，从左到右，从上到下，他们所有的目的都是为了让数据价值进行提升。只不过根据数据处理的难度和对价值提升的程度不同，我们把把它分成三类。
第一类是初级的数据价值管理活动，包括数据整理。抽样还有数据清洗等数据整理。举一个例子，原始数据是一些图片数据，它是一个个人的淘宝的购物记录。数据整理指的是把这些图片上显示的金额，买卖的商品的时间数量等转换成一个标准的形式，也就一行数据的形式。数据清洗指的是比如说这个用户他有一个1至12月份的淘宝购物数据，其中五月份数据不全。那么数据价值管理工程师就可以对这个数据进行行清洗删除。或者补正。数据抽样指的是1到12月份，数据价值管理工程师可以选取几个关键性的数据进行下一步的分析。
还有数据标注。数据标注指的是假设一个人上传了这个数据的图像数据。比如说上传了一些汽车、小轿车，数据标注实际上是对汽车这些实体进行标注分割出来。数据转换这一这些是属于终极的数据价值观与活动。数据转换指的是一个人上传了他每个月份的数据。我们价值观的工程师可以把这些收入数据的具体数字转换成一个固定分类。比如说5000以下是低收入，5000到1万是中收入，1万以上是高收入。高收入这种就叫做数据的转换。数据的聚合指的是比如说一个人上了船，他每天的购物数据。那么数据价值管理工程师可以将它转换成每周的数据统计，或者是每个月月的数据。统计数据下转指的是如果一个用户他有比如说一年的数据，数据价值管理工程师可以将它分成1至12月份，或者是分到每个季度来去。
还有一些高级的数据处理活动，包括数据可视化，指的是使用工具对一些不太好去观察特征的数据做可视化的操作。比如说做成饼图、曲线图、直方图，方便进一步做分析数据的特征提取。比如说提取一个人购物的关键性特征，比如说一些社会标签，如果一个人他经常购买一些婴幼儿的产品，说明她可能是一个宝妈。这些也属于数据关键性特征的提取以及训练模型。就是通过这些数据训练一个机器学习或者是一个AI模型。
数据层还有一个非常重要的概念叫做隐私计算。主要是基于中华人民共和国数据安全法和中华人民共和国个人信息保护法。这两个法律对于数据安全和个人信息的保护提出了更加严格的要求。
其中有一个最为核心的问题，我举一个很常见的例子。A企业有一些用户的消费数据，而B企业是一个初创型的公司，它也需要一些类似的数据来去帮助他们分析用户和消费者的行为。但是第一，对于B钱而言，他没有相关的数据。第二个，他如果想找A去要，A是不可能去给他的。因为我们提到过数据层，数据库这些东西是企业的基础设施，是企业的老底。A是根本不可能给到其他企业的。这样就存在了一个问题，B企业是否能够利用到这个数据训练出来他自己想要的结果，但是又看不到这个数据呢？这就涉及到了隐私计算的部分。所以隐私计算也将会实现数据的可用不可见。
什么叫做数据可用不可见呢？就比如说B企业可以使用这些数据来获得他们想要训练的模型和获得结果。但是他不会获得A企业本身的这些数据。这个场景生动形象的告诉我们B企业的需求，其实就是说你给不给我数据也不要紧。但是我只是希望我想要拿到这个数据，能够给我提供的数据价值。这里的数据价值就是模型。所以这个就是对数据可用不可见的一个理解。
目前我们对于隐私计算的发展主要有几个解决方案。第一个叫做原联邦学习。什么叫做联邦学习呢？B企业不是要训练模型吗？那A和B企业就一起训练一部分，这两个模型再连到一起训练。这个样子B企业也不会获得A的数据，但是却可以获得通过A企业的数据训练出来的那一部分模型的好处。
第二个方法叫做多方安全计算，指的是一起也不需要再去做模型的训练，A企业和B企业通过一种安全计多方安全计算的方式，能够直接获得B企业想要的这个结果。比如说B企业想要分析哪些用户是他们的潜在用户。那么A企业和B企业可以一起做这个安全的函数计算来去获得这个结果。再把结果给汇总起来。但是这个方法的问题在于，它对计算的要求非常高。也就是它涉及到一些混淆电路等等一些计算，对于企业的成本来说有一些高。
第三个解决方案叫做TE，也就是可信息。信息空间指的是我们创造一个虚拟机，在这个虚拟当中，数据是公开的，但是B企业看不到。可以确定的是，A企业和B企业都相互信赖这个可信执行空间，但是避邪是看不到这个数据的，相当于是隔离出来的一个环境。这种解决方法，它相当于是软硬件结合的一种解决方式。也就是我们在构建这个数据层和价值链过程当中，使用到了多方安全计算和可信执行环境这两种解决方案。
那我们现在要回到价值链当中另外一个核心概念就是价值码。价值码指的是价值链中一种仿真社会当中价值的这样一种概念，它是价值链当中的原生资产。也就是人类的劳动行为创造的价值。我们通过一个典型的用户行为链路，去并且观察价值码的一个生命周期和状态的变化，来为大家讲解价值码。
首先我们注意到普通用户，我们作为这个普通用户，包括任何使用价值链APP的用户，当然也包括数据价值观的工程师。那么所有的普通用户他都可以登记自己的时间价值，指定地点的劳动，这被称为登记动作，也就登记它的时间价值。登记时间价值的时候，有一个初始的价值，也就是指按照他的收入确定的时间价值。当在APP当中登记时间价值以后，就进行了注册价值码的状态。就变成了一个。已登记状态。比如说用户小A他是一个高中老师，他在价值链当中登记了一个提供一个两小时的授课答疑解惑的服务。每1个小时的它的价值码是按照100来算，也就是说它的初始价值码是200。当有一个学生小弟，他认为这个老师他想让这个老师给他提供服务，并且他愿意出300加什么。此时这个竞价行为一发生，这个价值码已登记状态变成了已生成状态。如果此时又存在另外一个学生小C他急着想要让这个老师给他去做考前的准备，那么他就愿意出400个价值码。此时这个价值码就从就变成了流转中，也就是从小B流转到了小C这个手里面。这个老师规定的一天内决定这个价值观的归属。那么除了小C以外，没有额外的同学再进行更高的出价。到达了指定时间以后，结束拍卖，价值码就进入了周转结束的状态。很明显小C同学出了400价值码来获得了这项劳动。那么在这个用户行为链路的过程当中，当然了在这个过程当中的最后一环是老师为小C提供这个服务。在提供完这个服务之后，价值码的状态就变成了劳动结束的状态。我们回顾整个行为链条，老师或者是什么呢？老师或者是首次登记价值码的时候，也就是小B同学给他的300价值码。那么小B同学获得了什么呢？小B同学获得了小C同学给予他的额外100的价值观，而小C同学获得的是老师的售后服务，2小时的售后服务，并且支出了300的价值码。在价值链条的最后一步，大家注意老师虽然获得了300的价值码，但是老师的实质进行了更新。也就是从最终的400价值码除以2，也就获得变成了200的市值。也就是说在市场上有人认可老师A的市值从100。迭代成了200。也就下一次在登记的时候，老师就会按照200进行这个时间价值的登记。所以我们认为整个用户的行为链路是实值不断上升的过程。当然了，除了价值码的生命周期和状态在不断变化，我们还需要一个叫做属性的概念来去描述这个价值码。典型的价值码的属性主要包括发行人。就比如说上一个例子当中的高中老师，也就是提供服务的对象。竞拍的截止时间，比如说24小时，一周提供的服务内容。包括授课、打扫卫生。演讲等等能够提供的服务内容。这一类叫做时间戳任务戳。还有包括这个服务内容的可复制性，也就是说这个服务是否可以向多个对象去提供等等这一系列的属性。通过这一系列的属性，我们就能够了解到这个价值码背后的劳动。从而更好的判断这个劳动的时间价值。每个人都可以决定是否去登记价值码，也可以去决定是否对这些价值码进行购买服务。但是只有价值管理工程师可以去对数据价值、数据资产进行价值增值服务，这是数据价值管理工程师的优势所在。这其中有一个容易混淆的概念，就是我们之前提到过数据资产，也就是原始数据确权托管、确权加密上链后的数据资产。上链之后，它会在我们的在这类APP当中的市场模块显示出来以后，价值管理工程师可以对数据资产进行价值管理，包括数据清洗等等。
在数据价值管理工程师对这个数据资产进行价值观点的时候，这个数据资产是已经确定了的。也就是他对着这个数据资产对着某一个确定的数据资产进行相关的服务活动。但是同时我们又说每一个人都可以登记自己的劳动的时间价值。那此时也就说明价值管理工程师也可以在数据资产还没有明确的情况下，就先登记一个自己的价值管理这项劳动。再由那些数据资产的发行人来去竞拍，来获得这些价值管理工程师的服务。这两个行为。结果上是比较类似。但是整个过程上存在是由A去找B也就是说是由价值管理工程师去找数据资产，还是说由数据资产的发行人去找价值管理工程师，这两个行为。但是这两个行为都是可以被允许的。我们鼓励那些优秀的数据价值管理工程师登记制的行为。他们这些行为有他们的这些价值码和服务，会被很多的数据发行人所青睐。同时那些对于数据资产挖掘能力比较优秀。对于这些数据资产有远见有洞察力的价值观点，工程师他们也可以主动去挖掘那些数据资产。我们现在看一下价值链中每一个区块内部的算法结构。每一个区块当中都包括两种算法，正态分布和纳什均衡。
首先我们先介绍一下正态分布。正态分布是在人类社会当中广泛存在的一种分布。比如说人的身高体重通常都是围绕一个常见的平均值而进行分布，极端高和极端矮的人相对都较少。一个班级和1个到1个年级的成绩也都是按照一个正态分布。大部分的人都在一个平均成绩上下进行波动。人类的血压的测量也是基于一个常见的平均正态分布。此外，还有一些科学仪器、操作计量误差等都是遵循正态分布。包括子弹的散布，也都是属于正态分布的范畴。在科学仪器当中，我们有一个概念叫做工具生产当中有一个概念叫六西格玛。这个西格马也是正态分布当中的一个参数，指的是偏离正态分布数学期望平均值的程度。
在价值链的理论当中，我们假设的是人的价值流量符合正态分布。具体来说就是在一个在每一个区块当中，因为我们有登记价值码的活动，我们认为这些登记的价值码的数量，它的实质是符合正态分布的。也就是说我们刚才提到高中老师小A他可能在某一个时间点的时值是100。那么在下一次别人竞拍的时候，他可能变成200。在下一次再下一次的时候，它可能变成50。那么这些数据围绕一个数学均值来呈正态分布，我们的目标就是获得。因为我们能够统计出来这个小A的所有的发行价值码的数量。因此我们就可以通过正态分布的算法来去获得它的一个数学期望和房产。
那么我们讲人的实质进行登记上链以后，就形成了价值码的生成事件，这个价值码的生成事件是符合也就是人类贡献的这个劳动时间，价值是符合正态分布的那此外还有一个过程叫做价值码的流转过程，也就是从小B流向小C的这样一个过程。这个过程是时间价值不断提升，不断迭代的一个过程。这个过程是符合纳什均衡算法的。也就是说小B和小C他们都是在选择一个最优的一个策略。并且每一个人其中每一个人他不可能仅仅通过改变自己的行为或者动作来获得更优的结果，这个是一种纳什均衡。那么我们说价值码的流转过程就是符合那是均衡算法的。同时我们也可以再去看一看这个正态分布算法。因为在这价值链当中，我们不仅使用到正态分布来去求得人的时间价值流量的数学期望和标准差。同时我们也使用正态分布的概率密度函数替换了常见的区块链当中哈希算法中的务实机制。区块链当中的哈希算法指的是通过不断求解某一个随机数的哈希值。并且让这个哈希值小于等于某一个特定的数字，我们叫做前导淋。因为哈希值如果对于这个计算机编码来讲，它的某一个数字我们将小于另外一个数字，那就相当于是这一个数字的前面几位数字编码全部都是零，也是足够小。传统的这些区块链的哈希算法耗费了大量的算力，GPU。和独特的CPU挖矿矿机等来去求得前到0，也就是数字小于既定数字的。这个数字，这也就是挖矿的一个过程。但是在价值链当中，我们使用正态分布的概率密度函数。替换了哈希算法中挖矿的这一个机制。比如挖矿这个机制耗费了大量的物力电力，产生了大量的成本，而且是无意义的成本。那么价值链的优势就在于通过这种几乎没有成本，并且有经济含义的函数来去替换了这种。算力密集型的这种算。
此外，价值链也有它自己独特的加密系统，它是使用pad无限且不重复的特征。通过截取固定长度，但是位置不同的派的数字段，来去建立对数字资产的唯一编码。比如说我们通过我们对第一个第一号的数字参，它的唯一编码是零到第100位的小数点。然后零到第100位的编码，第二号的数字编码是101到第200位的派的数字。这样使得。的加密系统安全系统和可追溯系统。以及这种正态分布的概率密度函数，这种共识机制成为可能。
除了正态分布算法以外，我们再去了解一下纳什算法。正如前面所讲到的一样，纳什算法是在价值链的流转过程中产生的。关于纳什算法有一个很经典的故事，我们可以想象一下这种场景，警方逮捕了两名嫌疑犯，我们称他为甲和乙。这两个人涉嫌合谋犯罪，但是警方手上没有足够的证据来直接指控他们，因此警方决定分别对他们进行询问，希望通过他们的选择来解决案件。警方分别给甲和乙提供了同样的3种选择。第一个是如果甲选择认罪并且举报乙，我们称之为背叛。而乙选择保持沉默，那么甲将被立即无罪释放，相当于戴罪立功了。而乙则会被判处十年监禁。如果甲和乙都选择保持沉默，我们称这种行为为合作，那么两个人都将被判处半年监禁。如果甲和乙都选择相互举报，也就是互相背叛，他们都将被判处五年的监禁。在这种情况下，每个人的抉择都将直接影响另外一个人的命运，并且甲和乙都不知道对方的选择。
既然甲和乙都不知道对方的选择，那么我们现在就可以从甲的视角来分析这一个问题。对于他而言，他是不知道乙的选择的。如果乙的选择是选择沉默，也就是选择合作的态度，那么甲现在有两种选择。第一种选择是同样保持沉默，两个人互相合作，此时甲获得的刑期是半年。第二种，假设乙也是乙在沉默的情况下，甲如果选择背叛，此时甲将戴罪立功，无罪释放。相比于刚才那种合作的选择，甲将省掉半年的前期。那我们再看在甲视角当中，乙的另外一种选择，就是乙也选择认罪。如果乙选择认罪的情况下，甲如果选择沉默，此时甲将获得一个非常重的刑罚，就是十年。这个是最差的一种结果。如果甲此时也选择认罪的话，两个人将同时获得五年的监禁。那么通过分别假设乙的选择，我们就可以得出来，无论是你选择沉默或者背叛，甲基于某一种既定的选择，最优的结果都一定只是选择背叛。这个就是纳什均衡点。也就指的是在整个的游戏规则当中，任何一个人不能够通过只改变自己的选择而去提升自己的效用。在这个囚徒困境当中，最佳的选择是都选择合作。也就两个人共同获得了半年的期限。但是纳什均衡就指出这并不是一个均衡点，均衡点只是说对于某一个人来说，他只能去认罪，因为认罪是他最优的一个选择。这是一个典型的纳什均衡的故事。
另外一个我们需要指出的故事案例就是强化学习。强化学习指的是我们假设有两个角色，一个是代理人角色，相当于是我们的本体，你就能够做出一些行为动作的一个角色。另外一个角色就是环境，环境它有一些状态，相当于是我们人，也就是代理人通过观察现在的环境和观察环境对他的一些奖励和惩罚来去做出适应性的判断。从第一个环境开始，代理人获得了当前的环境的状态，并且根据环境的状态执行了某一个动作。这个动作将是动态影响这个环境的状态的。也就是说，当我们对这个环境做出了一个动作之后，这个环境直接就被影响了。同时影响了还有这个环境对我们的一个反馈。比如说这个环境可能对于我们有奖赏和惩罚，那么基于这两个变量我们又进行下一次的动作，整个的这个动作是马尔科夫链的一个过程。这个也是一个强化学习和纳什均衡结合的一个例子。
我们在应用层当中也有人工智能算法。在过去二十多年，人工智能经历了多个技术性突破。这些突破不仅推动了AI技术的快速发展，也对多个行业产生了深远影响。2006年深度学习兴起，什么叫做深度学习呢？以前我们讲的机器学习。回归、分类，这些没有使用到神经元网络的，或者是使用的神经网络只有两层、三层。这个时候，我们还使用的是初级的机器学习，比如说线性回归等等这些机器学习模型。我直到2006年06年，亨腾这个人和他的同事重新激发了对于深度信念网络的兴趣。这一技术开始获得越来越多广泛的关注。这是标志着现代深度学习时代的其实也就是大家开始使用神经网络在处理图像识别和语音领域了。
第二个标志性事件是卷积神经网络在图像识别当中的应用。也就是hinton带领他的两个学生alex和伊利亚。在这个alex net当中，在国际知名的这个图像识别大赛当中，使用alex net这个深度神经网络取得了突破性的成绩。其中另外一个学生伊利，就是今天赫赫有名的OpenAI的CTO当然现在是前CTO了，因为赛罗奥特曼在OpenAI的宫斗当中，实际上是针锋相对的。正是这个伊琍亚也伊利亚实际上是神经网络，在2012年开始，就已经在神经网络这个研究当中取得了非凡的影响力了。
第三个事件是LSTM，我们叫长短期及网络。它是一种特殊的神经循环网络，它主要是用于处理时间序列过程当中的事件的分类和回归，以及自然语言处理。所谓的自然语言处理，就相当于是我们在说一句话，每一个字当中它也存在着关系。还有包括语音、文本以及翻译等领域的发展。然后就到了阿尔法狗的胜利，也就是deep mind。阿尔法狗在2016年击败了世界围棋冠军李世石。这个是人工智能在复杂策略游戏领域获得的重大突破。阿尔法狗成功展示了深度学习和强化学习结合的它的能力。
然后就是2017年transformer模型的提出。Transformer是谷歌在attention is all you need的论文中首次提出的。这种叫做自注意力机制的模型，极大的改善了机器翻译和其他自然语言处理的能力。在很长的一段时间，基于transformer的bert模型和GPT模型在多种单元处理当中都取得了非凡的结果。现在在AI前沿科技当中，transformer基本上是一统天下。当然了我们所熟知的ChatGPT也是基于transformer模型的。到2020 2022年GPT3的发布。2022年OpenAI发布的GPT3是一个前所未有的大型语言模型，拥有1750亿个参数。现在我们可以知道GP3在自然语言的理解和生成，还有代码复东万达撰写文章等等方面展示了其广泛的应用潜力。有些人还认为GT3已经形成了初步的智能。
下面我们讲合约层，价值链的合约层主要分为三个部分，数据资产托管、生成流转。我们在之前的例子中讲到过，普通用户在上传数据资产的时候，数据资产的合约首先要确定数据资产的托管和确权，并且还要确定数据资产的类型。这一部分就调用了价值链合约当中的托管合约。在符合托管的条件的情况下，税资产就会在链上生成。在链上生成的数据资产就包括它的内容，它的类型以及它的加工程度等等这些属性。如果有人对这个数据资产进行出价或者进行价值管理，整个数据资产就会进入流转的状态，直到竞拍结束，或者到数据资产数据交易所当中成功进行数据资产的变现。
价值管理工程师需要对他所进行价值管理的数据有清晰的认知和洞察力。并且他们要有一个深厚的数据管理的经验和能力，他们才能够赋予有意义的价值管理动作。给到这些损资产上面，才能够确保。他所管理的数据资产有高变现能力和高价值。比如说一个高级的价值管理工程师，他发现有些数据的资产包含了股票、债券的投资收益，并且非常可观。它可以对这些数据进行清洗、整理、抽样，甚至训练模型。通过这些有高数据价值管理，高价值含量的工作，他就有可能获得更高的数据变现价值，也就是更高的报酬。
同样，他也可以通过对某些数据资产进行收藏。收藏到明年或者指定的时期来获得今年和明年数据资产的增值的历程。最后一部分我们讲价值链APP的模块。这类APP主要分为四个模块。第一个是市场模块，第二个是数据模块，第三个是价值观模块，第四个是用户的个人信息模块。市场模块主要展示了目前在价值链上正在交易和流转当中的数据资产。当然它也展示了一些已经交易完成成功变现的数据资产和正在等待上链发行的数据资产。用户可以使用搜索框搜索自己想要的数据资产，价值观与工程师也可以通过。导航和搜索来对那些他们认为有升值空间，有数据价值的数据资产进行价值管理。
第二个模块是数据资产模块。任何用户当然包括价值管理工程师在内的用户，都可以将自己的数据或者自己认为有价值的数据上传到价值链APP当中。价值链APP对这些数据进行分门别类的整理。用户的个人基础数据、健康数据、投资数据、收入数据、消费数据等等。通过平台托管确权以后加密上链来去完成后续的操作。同时平台鼓励用户上传自己的基础信息数据库，并且对这些上传的数据，根据数据的质量、加工程度和数据价值，为这些行为提供价值码。
第三个模块是价值码模块，也就是我们提到过的所有用户都可以去登记自己的时间价值。在他人出价竞拍之后，价值码正式发行并在链上进行记录。第四个模块就是用户的个人信息模块。个人信息模块包括用户的个人视频简介，展示用户的同时实值，还有已获取的价值码以及已经变现的金额等相关信息。以上就是我讲的价值链技术架构中的全部内容，谢谢大家。
