「AI＋Blockchain」のもう一つの視点：AIはいかにイーサリアムを革新するのか？
TechFlow厳選深潮セレクト
「AI＋Blockchain」のもう一つの視点：AIはいかにイーサリアムを革新するのか？
チェーン上の計算能力が徐々に増加するにつれて、ネットワーク管理や取引監視、セキュリティ監査などさまざまな分野でより複雑なモデルが開発され、イーサリアムネットワークの効率性と安全性が向上していくことが予想される。
Web3業界の深掘り報道に専念し潮流を洞察執筆：Mirror Tang、Salus；
Yixin Ren、Hongshan Capital；
Lingzhi Shi、Salus；
Jiangyue Wang、Salus
過去一年間，隨著生成AI（generative AI）屢屢突破大眾預期，AI生産力革命的浪潮席捲了加密貨幣圈。我們看到，許多AI概念項目在二級市場上掀起了一波造富神話，同時越來越多開發者開始著手開發自己的「AI+Crypto」項目。
然而仔細觀察可以發現，這些項目的同質化現象非常嚴重，且大多數項目僅停留在改善「生產關係」的層面，例如通過去中心化網絡來組織算力，或創建「去中心化的Hugging Face」等。極少有項目嘗試從底層技術進行真正的融合與創新。我們認為，這種現象的原因在於AI與區塊鏈領域之間存在一種「領域偏見」。儘管兩者的交集廣泛，但很少有人能深入理解這兩個領域。例如，AI開發者難以了解以太坊的技術實現和歷史基建狀態，因此更難提出深層次的優化方案。
以機器學習（ML）這一最基本的AI分支為例，它是一種無需明確編程指令，機器便能通過數據做出決策的技術。機器學習在數據分析與模式識別方面展現出巨大潛力，且已在Web2中普及。但由於誕生之初的時代局限，即使是在區塊鏈技術創新的前沿陣地如以太坊，其架構、網絡與治理機制也尚未將機器學習作為解決複雜問題的有效工具。
「偉大的創新往往誕生於交叉領域。」我們撰寫本文的初衷是為了讓AI開發者更好地理解區塊鏈世界，同時也為以太坊社區的開發者提供新思路。文章中，我們首先介紹了以太坊的技術實現，隨後提出將機器學習這一基礎AI算法應用於以太坊網絡的方案，以提升其安全性、效率與可擴展性。我們希望以此案例為起點，拋出一些與市場不同的視角，激發開發者生態中更多「AI+Blockchain」的創新組合。
以太坊的技術實現
-
基礎數據結構
區塊鏈本質是一條連接區塊的鏈，用於區分鏈的關鍵就是鏈配置，這也是區塊鏈在創世時必不可少的一部分。對於以太坊，鏈配置用於區分不同鏈，並標識出一些重要升級協議與標誌事件。例如DAOForkBlock標記了以太坊經歷DAO攻擊的硬分叉高度，ConstantinopleBlock則標示君士坦丁堡升級的區塊高度。針對包含大量改進提案的重大升級，會設置專門字段標記對應區塊高度。此外，以太坊包含多種測試網與主網，通過ChainID唯一標識對應網絡生態。
創世區塊作為整個區塊鏈的第零個區塊，其他區塊直接或間接引用它。因此節點啟動時必須載入正確的創世區塊信息，且不可任意修改。創世區塊的配置信息包含前述鏈配置，以及挖礦獎勵、時間戳、難度與Gas限制等字段。需要注意的是，以太坊共識機制已從工作量證明（PoW）轉向權益證明（PoS）。
以太坊賬戶分為外部賬戶與合約賬戶。外部賬戶由私鑰唯一控制，而合約賬戶無私鑰控制，只能通過外部賬戶調用合約執行代碼來操作。兩者都擁有一個唯一地址。以太坊世界狀態是一個賬戶樹，每個賬戶對應一個葉子節點，存儲該賬戶的狀態（包括各種賬戶信息與代碼信息）。
交易：以太坊作為一種去中心化平台，其本質是為了交易與合約。以太坊的區塊即打包的交易，附加其他相關信息。具體區塊分為兩部分——區塊頭與區塊體。區塊頭數據包含了將所有區塊連接成鏈的證據，可理解為前一區塊哈希、證明整體以太坊世界狀態的狀態根、交易根、回執（receipt）根，以及其他標識難度、計數nonce等額外數據。區塊體則存儲交易列表與叔塊頭列表（因以太坊已轉為PoS，叔塊引用不再存在）。
交易回執提供交易執行後的結果與附加信息，這些無法僅通過查看交易本身獲得。具體內容包括共識內容、交易信息與區塊信息，涵蓋交易是否成功處理、交易日誌與Gas消耗等。開發者可通過分析回執信息來調試智能合約代碼、優化Gas消耗，並確認交易已被網絡處理，可查看其結果與影響。
在以太坊中，Gas費用可簡單理解為手續費。當你發送Token、執行合約、轉移ETH或進行任何操作時，都需要消耗Gas。以太坊虛擬機在處理交易時需計算並消耗網絡資源，因此用戶必須支付Gas才能讓系統為其服務。最終燃料費作為手續費支付給驗證者，其計算公式為Fee = Gas Used × Gas Price，即實際消耗乘以單價。單價由交易發起者自行設定，通常決定交易上鏈速度。若設置過低，交易可能無法執行；同時還需設置Gas Limit上限，以防合約錯誤導致不可預期的Gas消耗。
-
交易池
在以太坊中存在大量交易，相比中心化系統，去中心化系統每秒處理交易數明顯落後。由於大量交易湧入節點，節點需要維護一個交易池以有效管理這些交易。交易廣播通過P2P進行，具體而言，節點將可執行交易廣播至鄰居節點，繼而繼續傳播，使一筆交易可在6秒內擴散至整個以太坊網絡。
交易池中的交易分為可執行與非可執行兩類。可執行交易具有更高優先級，會被優先打包進區塊。所有剛進入交易池的交易均為非可執行，之後才轉為可執行。可執行與非可執行交易分別存於pending容器與queue容器中。
此外，交易池還維護一個local交易列表。Local交易享有諸多優勢：優先級更高、不受交易量限制影響，且在重啟節點時可立即重新加載到交易池中。Local交易的本地持久化存儲通過journal實現（用於節點重啟時重新加載），目的是避免未完成的本地交易丟失，並定期更新。
交易入隊列前會進行合法性檢查，包括防DOS攻擊、防負數交易、Gas上限等多種類型校驗。交易池基本組成為queue + pending（二者構成全部交易）。完成合法性檢測後，還需進一步檢查交易隊列是否達上限，判斷remote交易（非local交易）是否為交易池中價格最低者，並替換之。對於可執行交易的替換，默認只有提高10%以上手續費的交易才允許替換等待中的交易，替換後原交易變為非可執行。此外，在交易池維護過程中還會刪除無效或超限交易，並對滿足條件的交易進行替換。
-
共識機制
以太坊早期共識基於難度值哈希計算方法，即需計算區塊哈希以滿足目標難度條件，該區塊才算合法。由於目前共識算法已從PoW轉為PoS，故不再詳述挖礦理論。在此簡述PoS算法：以太坊於2022年9月完成信標鏈合併，實現PoS共識。基於PoS的以太坊，每個區塊出塊時間穩定在12秒。用戶質押ETH以獲取成為驗證者的資格，系統隨機選出一批參與質押的用戶作為驗證者。每輪周期包含32個插槽（slot），在每個插槽中選出一名驗證者作為提議者（proposer）負責出塊，其餘驗證者組成委員會，驗證提議者區塊的合法性，並對上一輪區塊的合法性作出判決。PoS顯著提升了出塊穩定性與速度，同時大幅減少計算資源浪費。
-
簽名算法
以太坊沿襲比特幣的簽名標準，同樣採用secp256k1曲線，具體使用ECDSA簽名算法。也就是說，簽名根據原始消息的哈希值生成，整體簽名結構可簡化為R+S+V。每次計算引入隨機數，其中R+S是ECDSA原始輸出，末尾字段V稱為恢復字段（recovery ID），表示從內容與簽名中成功恢復公鑰所需的查找次數，因為根據R值在橢圓曲線上可能找到多個符合要求的坐標點。
整個過程可梳理如下：交易數據與簽名相關信息經RLP編碼後取哈希，再結合私鑰通過ECDSA生成最終簽名，所使用的曲線正是secp256k1橢圓曲線。最後將簽名數據與交易數據組合，即可得到已簽名交易數據並進行廣播。
以太坊的數據結構不僅依賴傳統區塊鏈技術，還引入了默克爾帕特里夏樹（Merkle Patricia Trie, MPT），又稱默克爾壓縮前綴樹，用於高效存儲與驗證大量數據。MPT結合了默克爾樹的加密哈希功能與帕特里夏樹的鍵路徑壓縮特性，提供既保障數據完整性又支持快速查找的解決方案。
-
默克爾壓縮前綴樹
在以太坊中，MPT用於存儲所有狀態與交易數據，確保任何數據變更都會反映在樹的根哈希上。這意味著只需驗證根哈希，即可證明數據的完整性與準確性，無需檢查整個數據庫。MPT由四種節點組成：葉子節點、擴展節點、分支節點與空節點，共同構成一棵適應動態數據變化的樹。每次數據更新時，MPT通過節點的增刪改反映變更，同時更新樹的根哈希。由於每個節點均經哈希加密，任何微小數據改動都會導致根哈希劇烈變化，從而保證數據安全與一致性。此外，MPT設計支持「輕客戶端」驗證，允許節點僅存儲根哈希與必要路徑節點，就能驗證特定信息的存在或狀態，極大降低數據存儲與處理需求。
通過MPT，以太坊不僅實現了數據的高效管理與快速訪問，還確保了網絡的安全性與去中心化特性，支撐整個以太坊網絡的運行與發展。
-
狀態機
以太坊核心架構融合了狀態機概念，其中以太坊虛擬機（EVM）是執行所有智能合約代碼的運行環境，而以太坊本身可視為一個全球共享的狀態轉換系統。每個區塊的執行都是一個狀態轉換過程，從一個全局共享狀態轉移到另一個。這種設計不僅保障了網絡的一致性與去中心化，也使得智能合約執行結果可預測且不可篡改。
在以太坊中，狀態指所有賬戶的當前信息，包括餘額、存儲數據與智能合約代碼。每次發生交易時，EVM根據交易內容計算並轉換狀態，此過程通過MPT高效安全地記錄。每次狀態轉換不僅改變賬戶數據，也觸發MPT更新，體現在根哈希的變化上。
EVM與MPT的關係至關重要，因為MPT為以太坊的狀態轉換提供了數據完整性保障。當EVM執行交易並更改賬戶狀態時，相應MPT節點會被更新以反映變更。由於MPT各節點通過哈希鏈接，任何狀態修改都會引起根哈希變化，這個新根哈希隨後被包含在新区塊中，確保整體以太坊狀態的一致性與安全性。下面介紹EVM虛擬機。
-
EVM
EVM虛擬機是以太坊構建智能合約執行與狀態轉換的根本，正得益於EVM，以太坊才能真正被視為一台「世界計算機」。EVM是圖靈完備的，意味著以太坊上的智能合約能夠執行任意複雜邏輯運算，而Gas機制的引入成功防止了無限循環，保障網絡穩定與安全。從更深層技術角度看，EVM是基於棧的虛擬機，使用以太坊專用字節碼執行智能合約。開發者通常使用Solidity等高級語言編寫合約，再編譯成EVM可執行的字節碼。EVM是以太坊區塊鏈創新的關鍵，不僅支撐智能合約運行，也為去中心化應用開發奠定堅實基礎。通過EVM，以太坊正在塑造一個去中心化、安全且開放的數字未來。
歷史回顧
図 1 以太坊の歴史的回顧
以太坊面臨的挑戰
安全性
智能合約是運行在以太坊區塊鏈上的計算機程序，允許開發者創建和發布各類應用，包括借貸、去中心化交易所、保險、二次融資、社交網絡與NFT等。智能合約的安全性對這些應用至關重要。這些應用直接處理與控制加密資產，任何漏洞或惡意攻擊都將直接威脅資金安全，甚至造成重大經濟損失。例如，2024年2月26日，DeFi借貸協議Blueberry Protocol因智能合約邏輯缺陷遭攻擊，損失約140萬美元。
智能合約漏洞涵蓋不合理業務邏輯（Business Logic）、權限控制不當、數據驗證不足、重入攻擊及DOS（Denial of Service）攻擊等方面。這些漏洞可能導致合約執行異常，影響正常運作。以DOS攻擊為例，攻擊者通過發送大量交易耗盡網絡資源，導致正常用戶交易無法及時處理，降低用戶體驗，並推高Gas費用——在网络资源紧张时，用户需支付更高费用以获得优先处理。
此外，以太坊用戶還面臨投資風險，資金安全受威脅。例如「垃圾幣」，指被認為幾乎無價值或缺乏長期增長潛力的加密貨幣。垃圾幣常被用作詐騙工具或操縱價格的「拉高出貨」策略。其投資風險極高，可能導致重大財務損失。因其價格低、市值小，極易受到操控與波動。此類幣種常涉及「蜜罐騙局」（rug pull），即創始人突然撤出所有流動性，導致代幣價值暴跌。這些騙局通常藉由虛假合作夥伴與背書進行營銷，一旦幣價上漲，騙子便出售持倉套現消失，留下投資者手中一文不值的代幣。同時，投資垃圾幣還會分散人們對具有實際應用與增長潛力的合法加密貨幣的注意力與資源。
除垃圾幣外，空氣幣與传销幣也是快速獲利方式。對缺乏專業知識與經驗的用戶而言，很難將其與合法加密貨幣區分。
效率
評估以太坊效率的兩個直接指標是交易速度與Gas費用。交易速度指單位時間內網絡能處理的交易數量，直接反映其處理能力，越快代表效率越高。每筆交易需支付一定Gas費用，補償驗證者的工作。Gas費用越低，說明效率越高。
交易速度下降會導致Gas費用上升。一般情況下，當處理速度降低時，由於區塊空間有限，爭奪進入下一個區塊的交易增多。為脫穎而出，交易者往往提高Gas費用，因為驗證者通常優先選擇Gas費高的交易。更高的Gas費用會降低用戶體驗。
交易只是以太坊的基本活動。在此生態中，用戶還可進行借貸、質押、投資、保險等操作，均可通過特定DApp完成。然而，鑑於DApp種類繁多且缺乏類似傳統行業的個性化推薦服務，用戶在選擇適合自己的應用時容易迷茫，導致滿意度下降，進而影響整個以太坊生態效率。
以借貸為例。一些DeFi借貸平台為維護自身安全穩定，採用超額抵押機制，即借款人需提供更多資產作為抵押，且在借款期間不能挪作他用，導致資金利用率下降，進而削弱市場流動性。
機器學習在以太坊中的應用
機器學習模型如RFM模型、生成對抗網絡（GAN）、決策樹、K近鄰算法（KNN）、DBSCAN聚類算法等，正在以太坊中發揮重要作用。這些模型可用於優化交易處理效率、提升智能合約安全性、實現用戶分層以提供個性化服務，並有助於維護網絡穩定運行。
算法介紹
機器學習算法是一組解析數據、學習數據模式並據此做出預測或決策的指令或規則。它們能自動從數據中學習與改進，無需人工明確編程。上述模型正積極應用於以太坊，幫助優化交易效率、提升合約安全性、實現用戶分層與網絡穩定。
-
貝葉斯分類器
貝葉斯分類器是一種統計分類方法，旨在最小化分類錯誤概率或特定成本框架下的平均風險。其設計哲學基於貝葉斯定理，能在已知某些特徵條件下計算對象屬於某類的概率，通過計算後驗概率進行決策。具體來說，貝葉斯分類器首先考慮先驗概率，再運用貝葉斯公式綜合觀測數據，更新分類信念。在所有可能分類中，選擇後驗概率最大的類別。其核心優勢在於能自然處理不確定性與不完整信息，是一種強大而靈活的工具，適用於廣泛場景。
如圖2所示，在監督式機器學習中，利用數據與基於貝葉斯定理的概率模型進行分類決策。通過似然度與類別及特徵的先驗概率，計算數據點屬於各類的後驗概率，並將其分配至最大後驗概率類別。右側散點圖中，分類器試圖找到一條曲線，最好地區分不同顏色的點，從而最小化分類錯誤。
図 2 ベイズ分類器
-
決策樹
決策樹算法常用於分類與回歸任務，採用分層判斷思想，根據數據選取信息增益率較大的特徵分裂成樹，訓練出決策樹。簡單來說，算法能從數據中自學習出決策規則，判斷變量值。實現上，能將複雜決策分解為若干簡單子決策，每個簡單決斷派生自父決策準則，形成樹狀結構。
從圖3可見，每個節點代表一項決策與某屬性的判斷準則，分支代表決策結果，每個葉子節點代表最終預測結果與類別。從構成上看，決策樹模型直觀易懂，解釋性強。
図 3 決策樹モデル
-
DBSCAN算法
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一種基於密度的帶噪聲空間聚類算法，對非連通數據集尤其有效。該算法能發現任意形狀的簇，無需預先指定簇數量，對異常值具有良好的魯棒性，還能在含噪數據中有效識別異常點——噪聲或異常點被定義為低密度區域的點，如圖4所示。
-
KNN算法
KNN（K-Nearest Neighbors）算法既可用於分類也可用於回歸。分類問題中按投票機制決定待分類項類別；回歸問題中則計算k個最近鄰樣本的平均值或加權平均值進行預測。
如圖5所示，KNN在分類中的原理是找出新數據點最近的K個鄰居，根據這些鄰居的類別預測新點類別。若K=1，新點即歸入最近鄰居類別；若K>1，通常採用投票法，將新點歸入最多鄰居所屬類別。用於回歸時，基本思想相同，結果為K個最近鄰樣本輸出值的平均值。
図 5 KNNアルゴリズムによる分類
-
生成式人工智能
生成式人工智能是一種根據輸入需求生成新內容（如文本、圖像、音樂等）的AI技術，背景基於機器學習與深度學習進展，特別是在自然語言處理與圖像識別領域的應用。生成式AI通過從大量數據中學習模式與關聯，根據這些知識生成全新內容。其關鍵在於模型訓練，需優質數據進行學習，過程中模型逐步提升生成能力。
-
Transformer
Transformer作為生成式AI的基石，開創性引入注意力機制，使信息處理既能聚焦關鍵又能綜覽全局，這種能力使其在文本生成領域大放異彩。利用最新自然語言處理模型如GPT（Generative Pre-trained Transformer），理解用戶以自然語言表述的需求，並自動轉換為可執行代碼，可降低開發難度並大幅提升效率。
如圖6所示，通過多頭注意力與自注意力機制，配合殘差連接與全連接神經網絡，並借助以往word embedding技術，使自然語言處理相關的生成式模型性能大幅提升。
図 6 Transformerモデル
-
RFM模型
RFM模型是一種基於用戶購買行為的分析模型，通過分析交易行為識別不同價值用戶群體。該模型根據用戶最近消費時間（R）、消費頻次（F）、消費金額（M）對用戶分層。
如圖7所示，這三個指標構成RFM模型核心。模型根據三維度為用戶打分並排序，識別最有價值用戶群體，並有效劃分客戶群體，實現用戶分層。
図 7 RFM階層モデル
可能的應用
在運用機器學習應對以太坊安全挑戰時，我們從四個主要方向進行研究：
-
基於貝葉斯分類器識別並過濾惡意交易
構建貝葉斯分類器，識別並過濾可能的垃圾交易，包括導致DOS攻擊的大量、頻繁、小額交易。該方法通過分析Gas價格、交易頻率等特徵，有效維護網絡健康，保障以太坊穩定運行。
-
生成安全且滿足特定要求的智能合約代碼
生成對抗網絡（GAN）與基於Transformer的生成式網絡皆可用於生成符合特定需求且盡可能安全的智能合約代碼。兩者在訓練數據類型上有所不同：前者主要依賴不安全代碼樣本，後者則相反。
通過訓練GAN學習現有安全合約模式，構建自對抗模型生成潛在不安全代碼，再學習辨別這些不安全性，最終實現自動生成高質量、高安全性的合約代碼。利用基於Transformer的生成式模型，學習大量安全合約範例，生成滿足特定需求且Gas優化的合約代碼，將進一步提升開發效率與安全性。
-
基於決策樹進行智能合約風險分析
利用決策樹分析智能合約特徵，如函數調用頻率、交易值、源碼複雜度等，有效識別合約潛在風險等級。通過分析運行模式與代碼結構，預測可能漏洞與風險點，為開發者與用戶提供安全性評估。此方法有望顯著提升以太坊生態中智能合約的安全性，減少因漏洞或惡意代碼造成的損失。
-
構建加密貨幣評價模型以降低投資風險
通過機器學習算法分析加密貨幣的交易數據、社交媒體活動、市場表現等多維信息，構建預測垃圾幣可能性的評價模型。該模型可為投資者提供有價值參考，幫助避開投資風險，促進市場健康發展。
此外，機器學習還有潛力進一步提升以太坊效率。我們可從以下三個關鍵維度深入探討：
-
優化交易池排隊模型的決策樹應用
利用決策樹可有效優化以太坊交易池排隊機制。通過分析Gas價格、交易大小等特徵，決策樹可優化交易選擇與排隊順序，顯著提升交易處理效率，減緩網絡擁堵，降低用戶等待時間。
-
對用戶進行分層並提供個性化服務
RFM模型作為廣泛應用於客戶關係管理的工具，可通過評估用戶最近交易時間（Recency）、交易頻率（Frequency）與交易金額（Monetary value）實現有效用戶分層。在以太坊平台上應用RFM模型，有助於識別高價值用戶群體，優化資源分配，提供更個性化服務，提升用戶滿意度與平台整體效率。
DBSCAN算法也能分析用戶交易行為，幫助識別以太坊上不同用戶群體，為不同用戶提供定制化金融服務。這種用戶分層策略可優化營銷策略，提高客戶滿意度與服務效率。
-
基於KNN進行信用評分
K近鄰算法（KNN）可通過分析以太坊用戶交易歷史與行為模式進行信用評分，在借貸等金融活動中具有重要作用。信用評分可幫助機構評估借款人還款能力與信用風險，做出更精準貸款決策，避免過度借貸，提升市場流動性。
未來方向
從宏觀資金配置角度，以太坊作為全球最大分布式計算機，在基礎設施層面的投資無論多少都不為過，需吸引更多背景的開發者參與共建。本文梳理了以太坊技術實現與面臨問題，設想了一系列直觀的機器學習應用場景，也非常期待社區中的AI開發者能將這些願景轉化為真實落地價值。
隨著鏈上算力逐步增加，我們預見更複雜的模型將被開發出來，應用於網絡管理、交易監控、安全審計等各方面，提升以太坊網絡的效率與安全性。
更遠的未來，AI/agent驅動的治理機制也可能成為以太坊生態的一大創新點。這種機制帶來更高效、透明、自動化的決策過程，為平台提供更靈活可靠的治理結構。這些發展方向不僅推動以太坊技術創新，也將為用戶帶來更優質的鏈上體驗。
TechFlow公式コミュニティへようこそ
Telegram購読グループ：https://t.me/TechFlowDaily
Twitter公式アカウント：https://x.com/TechFlowPost
Twitter英語アカウント：https://x.com/BlockFlow_News
@salus_sec
