先說答案，這個想法是能夠實現的，但是現在有些技術點還不成熟。下面先來說說區塊鏈加機器學習的應用框架，然後再來進行可行性分析。

區塊鏈加機器學習的應用框架

目前市面上有一些公鏈（其實都還沒到公鏈這一階段，還是隻是白皮書構想），動輒就宣稱自己使用什麼區塊鏈+人工智慧，區塊鏈+機器學習，區塊鏈+大資料，區塊鏈+...只要是比較火的技術概念，通通強行和區塊鏈掛上鉤，然後出一個白皮書，就開始找人投資割韭菜了。所以我聽說區塊鏈+機器學習，也是在看這些白皮書的過程中接觸到的。

目前見到最多的區塊鏈+機器學習的應用方式如下：

使用pow的共識方式，簡單來說就是礦工挖礦爭奪記賬權，來維護整個區塊鏈系統的執行。在pow中解決的難題並不是如目前成熟的區塊鏈系統如比特幣、以太坊中求取hash的難題，而是求解機器學習的難題。這些難題來自於科研機構發放的機器學習的難題。

所以整個系統就可以用下圖描述：

當然，這裡的難題釋出方可以是研究機器學習演算法的科研機構，也可以是其它需要進行機器學習的第三方廠商等。當然機器學習演算法的難題也可以換成什麼預測的難題啊，什麼量化的難題啊都可以。

可行性分析

前面大概描述了區塊鏈+機器學習的應用方式，那麼我們再分析分析它的可行性。首先我的觀點是認為目前這個想法是不具有操作性的，原因如下：

算題的難度無法把控。在區塊鏈系統中，出塊的時間是需要控制的，如何控制出塊的時間，則是透過調整pow計算的難題的難度來控制的。比特幣使用的是hash演算法，以太坊使用的ethash，兩者都能夠根據之前的出塊之間，很好的調整當前的難度，從而達到讓整個系統平均的出塊時間穩定在固定的值。在比特幣中，這個值是10分鐘，而在以太坊中，這個值是15秒。如果使用機器學習的演算法，出多少個區塊我們調整一下演算法，這個演算法又如何調整，這些都是問題。計算難題的結果是否能保證快速驗證。區塊鏈系統中的挖礦演算法有一個特點，那就是計算時，需要一定的算力，但是驗證時非常容易，能夠達到快速驗證的效果。使用機器學習的演算法能否保證這一點，目前值得商榷。

那麼，區塊鏈+機器學習這個想法是否就完全不行呢？答案是否定的。如果一款區塊鏈使用完全符合挖礦功能特點的機器學習演算法，同時該演算法又能在機器學習的場景中解決一些問題，那麼，上面舉例的場景就能得到很好的應用。另外，隨著區塊鏈技術和機器學習技術的發展，肯定還能從其它方面找到兩者應用的切合點。