Прикладной интеллект: где ИИ в связке с блокчейном оказался реально полезен

Пока разработчики спорят о вероятности ИИ-апокалипсиса, а регуляторы предупреждают об угрозе криптовалют для финансовой системы, технологии блокчейна и цифрового разума уже находят применение в медицине и научных исследованиях.

ForkLog собрал наиболее интересные проекты, которые показывают, как распределенные базы данных и ИИ помогают решать практические задачи далеко за пределами финансового сектора.

Приватная передача данных для реанимации

В отделениях интенсивной терапии важную роль играет прогнозирование внутрибольничной смертности, позволяющее врачам раньше начинать агрессивное лечение и эффективнее распределять ограниченные ресурсы. Для решения этой задачи уже используют модели искусственного интеллекта, однако многие из них обучаются на данных одной клиники. 

Поэтому при переносе в другие медучреждение ИИ теряет точность — слишком различаются демография, протоколы документирования и клинические практики. Совместное обучение на объединенных данных из множества источников могло бы решить эту проблему, но HIPAA и GDPR категорически запрещают передачу «сырых» медицинских записей между учреждениями.

Федеративное обучение (FL) теоретически обходит этот запрет. Больницы обмениваются не данными пациентов, а только обновлениями градиентов нейросети. 

Но даже в существующих FL‑системах оставалось четыре нерешенных вопроса: отсутствие криптографической гарантии согласия пациентов, невозможность проверить целостность присланных обновлений, уязвимость к атакам злоумышленников и отсутствие аудита расхода приватности. Платформа BlockFedMed хочет решить все эти проблемы сразу. 

Блокчейн‑оркестрируемая ИИ-система построена на Hyperledger Fabric v2.5 и использует двунаправленную LSTM‑модель с Гауссовской дифференциальной приватностью. 

Вместо того чтобы полагаться на честность руководства больниц, BlockFedMed превращает соблюдение приватности в криптографически проверяемый аудиторский след. Три смарт‑контракта управляют верифицируемым согласием, целостностью обновлений и стимулированием участников. 

Встроенный агрегатор FedMed‑Bft устойчив к византийским атакам — он принимает только те обновления, которые прошли проверку контрактом целостности. 

Обучение проводилось на базе MIMIC‑IV (дата-база 52 167 поступлений в реанимацию), а внешняя валидация — на полностью независимом наборе eICU (200 859 записей о пациентах из 208 больниц по всему миру). 

При внешней валидации внутрибольничной летальности решение достигло показателя AUROC 0,841 — на 7,4 пункта выше, чем у локальных моделей. Значение всего на 3,1 пункта уступает теоретическому максимуму, достигаемому при централизованном обучении, которое запрещено.

В результате независимого исследования благодаря BlockFedMed скорость обработки согласия пациентов на передачу данных сократилась на 71%. 

К сегодняшнему дню больницы по всему миру накопили внушительные количество цифровых записей, которые идеально подходят для обучения ИИ, но передавать их запрещено законом. BlockFedMed позволяет сотням клиник совместно обучить мощную нейросеть для предсказания смертности в реанимации, а блокчейн используется для верификации передаваемой информации.  

Пока это независимый проект, целью которого является демонстрация возможности федеративного обучения. Однако успех исследования может открыть дорогу другим аналогичным решениям. 

Верифицируемый ИИ в фармакогеномике

В персонализированной медицине ИИ‑модели уже неплохо предсказывают, какой препарат окажется эффективным для конкретного пациента на основе его генома. Но врачи и регуляторы не могут независимо проверить, был ли прогноз честно получен из модели и корректных данных или он изменен постфактум. В медицинских решениях, где цена ошибки — жизнь пациента, это неприемлемо.

Исследователи из Университета Южной Дании предложили децентрализованную модель, которая интегрирует ИИ‑прогнозирование с блокчейн‑верификацией, обеспечивая целостность, прослеживаемость и воспроизводимость результатов. 

Система вычисляет прогноз, затем генерирует криптографические хеши входных данных модели и самих данных, после чего неизменно сохраняет их в блокчейне через смарт‑контракт. 

В модели используются детерминированная токенизация и каноническое хеширование, которые связывают каждую пару «входные данные — прогноз» в верифицируемый ончейн‑коммит. 

Любой стейкхолдер — врач, регулятор, страховщик или пациент — может независимо подтвердить, что прогноз действительно получен из известной модели и достоверного источника. При этом сами геномные данные не раскрываются: проверяется только подпись для сохранения приватности.

Эксперименты на наборе GDSCv2 (геномные данные по чувствительности к лекарствам) показали, что модель Random Forest Regressor продемонстрировала коэффициент детерминации на уровне 0,979 для предсказания лекарственной чувствительности. Пятикратная перекрестная валидация продемонстрировала значение 0,977, подтверждая высокую надежность и обобщающую способность (при максимуме в 1).

Тест целостности аудиторского следа на 10 выборках подтвердил верифицируемость и прозрачность на уровне до 70%. Это первый шаг к тому, чтобы ИИ в медицине стал не просто точным, но и юридически доверенным инструментом, сочетающим машинное обучение с требованиями регуляторов к прозрачности.

Углеродные рынки на блокчейне 

Экосистемы «голубого» углерода — мангровые леса, солончаки и морские травы — поглощают CO₂ в пять-десять раз эффективнее тропических лесов Амазонки. Они критически важны для смягчения климатических изменений, но их участие в углеродных рынках до сих пор ограничено. 

Причины — разрозненные практики мониторинга, отчетности и верификации (MRV), недостаточная аудируемость и высокие затраты на полевые измерения. Сами проекты в направлении страдают от непрозрачности, двойных счетов и гринвошинга.

Исследователи из Шанхайского университета международных исследований, Чанчжоуского университета и Foote Technology представили архитектуру, которая меняет сам подход к углеродным данным. Вместо сбора отчета раз в год система делает мониторинг непрерывным. 

IoT-датчики (счетчики электроэнергии, промышленные сенсоры, системы непрерывного мониторинга выбросов) круглосуточно передают информацию об окружающей среде. В то же время блокчейн на Hyperledger Fabric обеспечивает неизменность и прослеживаемость каждого события.

Таким образом углеродные данные перестают быть простыми числами в отчете и становятся непрерывно управляемым цифровым активом. 

Единый стандарт Carbon Data Interface Standard (CDIS) обеспечивает читаемость информации из любых источников. Управление решением построено по принципу ДАО, где предприятия, верификаторы и регуляторы совместно устанавливают правила. 

Механизм Dynamic Authority Selection Mechanism распределяет право участия в консенсусе в зависимости от верифицируемой эффективности участника — то есть чем качественнее данные, тем больше влияния.

Архитектура также предусматривает выход на публичные блокчейны вроде Ethereum через слой токенизации, позволяя создавать «углеродные RWA», открывая возможности для CO₂-кредитования.

Проектирование фотонных кристаллов

Фотонные кристаллы — это искусственные материалы с периодической структурой, управляющие движением фотонов на нанометровом уровне. Они необходимы для оптических компьютеров, сверхчувствительных биосенсоров и квантовых устройств. 

Проблема в том, что спроектировать такую структуру вручную практически невозможно. Субволновой масштаб фотонных кристаллов не позволяет использовать аналитические модели геометрической или волновой оптики. Традиционные методы проектирования либо опираются на готовые библиотеки с ограниченным набором конфигураций, либо требуют ресурсоемких вычислительных симуляций.

Для ускорения процесса в Университете Цинхуа разработали механизм AI-generated photonics (AIGP) на основе латентных диффузионных моделей. В отличие от традиционных методов, которые требуют итеративных симуляций на каждом шаге, AIGP напрямую отображает оптические свойства в структуры.

Заданные параметры выступают в роли промпта (например, «пропускать только свет с длиной волны 1550 нм»), на основе которых создается фотонный кристалл. 

Симуляции и эксперименты подтвердили, что этот метод генерирует функциональные структуры с высокой точностью, следуя заданным параметрам — мощности пропускания, фазе и поляризационным характеристикам.

Блокчейн в этой модели решает не менее важную задачу приватности. Лаборатории хотят делиться и обмениваться данными ИИ-обучения, но не хотят раскрывать конкурентам принципы работы своих технологий. Распределенный реестр позволяет им обмениваться обновлениями моделей, сохраняя в тайне патентованные подходы. 

Каждое обновление AIGP проходит верификацию, а информация о нем фиксируется в распределенном реестре, обеспечивая прозрачность истории изменений для участников сети.

Фотонные кристаллы лежат в основе следующего поколения ИИ‑чипов, которые потребляют на порядки меньше энергии и работают быстрее электронных. Поэтому это исследование не просто эксперимент, а первый шаг к более глубокому изучению нанофотоники.

Федеративная зарядка автомобилей

Массовый переход на электромобили создает три взаимосвязанные проблемы для энергосистем. Первая — пиковые нагрузки: когда все возвращаются с работы и одновременно ставят машины на зарядку, сеть перегружается. 

Вторая — приватность: коммерческие системы управления зарядкой видят, кто, где и когда заряжается, создавая риски утечки персональных данных. Третья — безопасность и доверие к централизованным решениям.

Проект PETAL-Grid (Privacy-preserving Edge-Trust-Adaptive Learning Framework) намерен решить эти проблемы с помощью ИИ-фреймворка на основе федеративного блокчейна для адаптивной и приватной координации энергопотребления в умных электросетях. 

Система интегрирует федеративный ИИ (совместное обучение без передачи исходных данных), интеллект на периферийных устройствах (edge-устройства прогнозируют локальный спрос в реальном времени) и блокчейн-управление доверием (прозрачные и защищенные от подделки транзакции через смарт-контракты).

Рабочий процесс PETAL-Grid состоит из пяти этапов: 

1. Локальный сбор данных с зарядных станций.
2. Прогнозирование спроса на периферийных устройствах.
3. Федеративная агрегация моделей (обмен обобщенными прогнозами, а не исходными данными). 
4. Адаптивная координация нагрузки.
5. Блокчейн-валидация транзакций. 

Распределенный реестр выполняет двойную функцию. Во-первых, он обеспечивает неизменность и прозрачность всех энергетических транзакций, а во-вторых, через смарт-контракты автоматизирует расчеты и распределение приоритетов.

Моделирование показало, что PETAL-Grid снижает пиковую нагрузку на сеть на 18% и повышает эффективность использования энергии на 17%. Безопасность транзакций достигла 98–99% — что значительно выше, чем у централизованных и базовых моделей. 

Предложенная система одновременно решает все три проблемы массовой электромобилизации: облегчает нагрузку на энергосети, защищает приватность водителей и обеспечивает криптографическую гарантию честности транзакций. При этом модель децентрализована и не имеет единой точки отказа.

***

Новые технологии всегда привлекали разного рода спекулянтов. И зачастую информационный шум, который они создают, скрывает реальную пользу за финансовой выгодой. 

В такой обстановке важно помнить — не все разработки обязательно поддаются монетизации, некоторые просто должны работать на благо людей.