DFINITY一直被视为是以太坊的姐妹网络，在DFINITY网络里，一种新的"AI即法律"模式，为遵序"代码即法律"的以太坊网络，提供了一种补充性的替代方案。
DFINITY还创造了能解决性能和扩展性问题，具备革命性的密码学技术，比如BLS算法下的阀值签名接力，这些也可以在以太坊中使用。而DFINITY使用区块链神经系统(BNS)，实现了“AI即法律”，这一点在前一篇文章中也探讨过。
这是一个几乎无所不能的混合人工智能系统，任何人都可以在抵押和付费后提交新的提案，BNS能在其上进行决策，并利用嵌入在EVM虚拟机内的新特权指令，来修改经济参数，升级协议，冻结恶意合同。还能运行任意的修复代码，应用这些指令来挽回或改善像DAO事件这样，破坏力巨大的黑客攻击。
尽管BNS可以有很多 目标，但它最终是为了捍卫多元性的长期价值的，这个过程中，市场一直充当了神经系统中多巴胺的角色。
在前面的文章中，我介绍了系统的基本原理，但没有探讨如何结合传统的人工智能技术，从而来扩展系统。在描述这些有趣的尝试之前，让我们快速回顾一下系统的基本工作原理(如果你已经熟悉BNS的工作原理，可以跳过这些要点，或者可以考虑阅读早期的技术文档)。
1、提案被提交给BNS，这些提案要么被拒绝，要么被采纳并执行(它也可以在多个不同的选项中进行选择，这将在另一篇文章中讨论)。
2、BNS通过统计“神经元”的投票输出来决定。
3、神经元的拥有者会因为神经元的投票而得到奖励。用户通过存储dfinities来创建新的神经元，神经元的投票权和潜在的奖励与锁在其中的dfinities成正比。
4、必须关闭一个神经元，才能解锁在里面的dfinities，这需要好几个月的时间。因此，神经元所有者有动机配置好自己的神经元，以便神经网络做出正确的决策，否则，市场变化会是质押的dfinities价值受损。
5、借助安装在个人电脑或者其他个人设备里的特殊客户端软件，用户可以管理他的神经元，包括手动投票。这可以通过神经元的“投票密钥”来设置。
6、特殊客户端软件可以很容易地浏览提案，配置神经元的行为，查看其他神经元如何、为何投票。
7、提案被提交给BNS的链上智能合约组件，涉及“治理”，“经济学”和“协议升级”等不同的主题类型。
8、在大多数情况下，用户配置他们的客户端软件，通过设置追随关系，从而让他们的神经元自动跟票，来响应其他神经元的投票活动。
例如，关于"协议升级"类型的提案，用户可以将自己的神经元配置为自动跟随一个专家神经元，该神经元的地址是reddit 帖子中公布的核心开发人员的地址。
9、有许多不同种类的跟随关系可以配置。比如配置一个相对简单的跟随关系，神经元在等待周期内，当它看到一个新提案时(允许所有者手动投票)，就会检索优先追随关系表，以便在之后自动投票。如果第一个神经元投了票，它就会跟着投。如果追随的优先度最高的神经元没有投票，当前神经元会检查优先度前二的神经元中，是否有一个投了票。如果有一个投了票，它就会按照最高优先级来投，否则它就会无限后退到上一步。更复杂的配置涉及到神经元总数与权重大小。
10、BNS 利用神经元的投票来做决定，需要"敬候投票完成"，而不是简单的等待"最小限度的参与"——它总能迅速并确定的获得最终决策，而不会因为参与度不高产生严重推迟。
11、针对每一个提案，有整个BNS中最终的追随映射关系来决定。由于时间变化下最终的映射关系可能发送变化，因此该过程是非确定性的。
12、追随关系封装了信任过程，这使得可以通过算法来展现群体智慧。因为这些封装只存储了每一个神经元客户端软件的链下部分，所以整个网络的追随关系图是不可知的。
13、由于跟随关系是不可知的，BNS就好像一个黑箱子，没办法预测BNS会以做出什么决策，或者知道哪些关键神经元可能会左右到未来提案的采纳。不可见一个基本属性。
14、BNS将从市场反馈中学习。例如，假设一个煽动者在reddit上说服了许多神经元所有者，让他们的神经元集体跟随他的步伐。然后由于他的影响，一个愚蠢的提议被采纳并执行。市场不会长时间被愚弄并做出负面反应，这使得人们会仔细检查他们的神经元，到底是追随了谁才会导致投票赞成这项提议。煽动者的神经元将从追随关系中被移除，随着时间的推移，通过这些行动，跟随关系将趋向于更理想的形式。
终于到了这篇文章的重点。虽然大多数神经元会通过接受处理其他神经元的输出而自动投票，但必须始终有一部分人自主的产生判断，进行投票，从而启动整个追随关系。通常，这些事情将由影响力强、知识渊博、责任意识强的人（如核心开发人员和行业人士）控制，但由于他们也是遵序程序化构造的，因此使用传统AI技术构建的系统来控制核心神经元，是理所当然的。这并不像看起来的那么复杂。
为了便于理解，我将先讨论使用一种非常基本的AI机制——贝叶斯分类器。利用托马斯·贝叶斯(Thomas Bayes, 1702-1761)的概率论，可以训练这些系统出于统计关系，感知属于不同类别的数据的概率。
最著名的例子，这类AI系统的应用，一直以来为我们过滤了许多的垃圾邮件。当你将Gmail上的一封邮件归类为垃圾邮件时，这些反馈信息被用于改进这个分类器，以便将来更好地自动识别垃圾邮件。此外，这类AI系统还用于一些其他的领域，比如根据你的个人资料数据，智能的推送广告。
让我们想象一下，BNS被扩展到这样一种情况：在过去的决策和市场波动之间的关系变得更加清晰之后，神经元上的AI程序可以在一段时间内对这类决策进行评估。
如果设计得当，这可以提供强大的训练反馈，结合提案中的数据点（实际上是其他上下文数据），可以让AI评估一个提案是"好"还是"坏"。这就可以嵌入到BNS中去，通过将这类AI连接到一个神经元上，从而来帮助BNS对提案做出判断。
简单地说，用户可能会发布一个由贝叶斯分类器控制的神经元的地址，这样信任这个AI，并认可它的投票记录的人，就可以将其纳入追随关系中。实际实现时，我们希望这些AI是基于预言机的，这样单个受信任的AI控制者，就不能通过简单地覆写AI代码，来间接的干扰BNS的决策。
虽然引入了AI，但我不应该认为它就具备了足够的独立性与智慧，更不应该优先追随这些AI。在BNS的追随关系中，AI应该只是通过评分机制来施加影响力。
因此，必须通过这种方式，将传统的AI技术整合到神经元上，甚至可以在很早的时候将这些技术嵌入到系统中。DFINITY基金会很有可能，在Copper版中就完成这个工作。我们也希望听到大家对“如何在BNS中应用传统AI”的讨论。
