区块链如何为AI构建可信基础设施：从数据溯源到智能协作

1. 项目概述：当AI的“黑箱”遇见区块链的“账本”

最近和几个做AI应用落地的朋友聊天，大家不约而同地提到了同一个词：信任危机。这听起来有点危言耸听，毕竟AI正以前所未有的速度渗透到金融、医疗、内容创作乃至自动驾驶等关键领域。但仔细一想，问题确实无处不在：你如何相信一个AI医疗诊断模型的结论是公正且未被篡改的？一个AI生成的新闻稿，其素材来源和创作过程是否透明可追溯？一个自动驾驶系统在发生事故时，其决策逻辑能否被清晰复盘？这些问题，已经不再是纯粹的技术优化问题，而是关乎可靠性、责任归属和伦理底线的系统性挑战。这恰恰是“AI与区块链”这个交叉领域正在试图回答的核心命题：用区块链的技术特性，为AI系统构建一个可信的、可审计的“数字脊梁”。

这个项目标题“Emerging Problems In AI, and Blockchain As a Solution”精准地概括了这一趋势。它并非空谈概念，而是直指AI规模化应用进程中几个最棘手的“暗礁”：数据与模型的不可信、过程的不可解释、以及协作的不可追溯。而区块链，凭借其去中心化、不可篡改、透明可追溯的天然禀赋，为我们提供了一套全新的工具箱。我的理解是，这绝非简单的“技术拼接”，而是一场深刻的范式融合。它试图将AI这个追求“智能”与“效率”的引擎，装入区块链这个提供“信任”与“秩序”的框架中，从而催生出更负责任、更可持续的新一代智能应用。

接下来的内容，我将结合自己参与过的几个概念验证项目，以及行业内的前沿探索，为你深度拆解AI面临的三大核心困境，并逐一剖析区块链如何作为一种“解决方案”介入其中。我们会从原理、架构到具体的实现思路和潜在挑战，进行一次彻底的探讨。无论你是AI工程师、区块链开发者，还是关注技术伦理的产品经理，相信都能从中获得启发。

2. AI的三大核心困境：信任赤字从何而来？

在欢呼AI能力突飞猛进的同时，我们必须冷静审视其基础架构中存在的固有缺陷。这些缺陷在实验室或小规模场景下或许不明显，但一旦进入严肃的商业和社会应用，就会演变为巨大的风险。

2.1 数据溯源与完整性的“罗生门”

AI模型的质量，根本上取决于“喂”给它的数据。然而，当前的数据供应链存在严重的信息不对称和信任缺口。

问题本质：你无法确信训练数据的来源是否合法、是否被污染、是否在流转过程中被有意无意地修改。例如，一个用于信贷评估的模型，其训练数据可能包含了带有隐性偏见的历史决策记录，或者数据在从多个合作方汇集时，某个环节被植入了特定样本以操纵模型输出。一旦模型出现问题，追责将变得异常困难，因为没人能说清“脏数据”到底是从哪个环节混进来的。

一个具体场景：设想一个医疗影像AI联盟，多家医院贡献脱敏的X光片数据用于训练肺结节检测模型。传统中心化模式下，联盟管理者拥有数据的绝对控制权。如果某家医院事后质疑模型对其医院数据的特异性表现不佳，它几乎无法验证：1）自己贡献的数据是否被完整、无误地纳入了训练集；2）在数据预处理阶段，自己的数据是否被以“标准化”为名进行了不当处理，导致信息损失；3）其他合作方的数据质量究竟如何。整个数据流水线是一个黑盒。

注意：这里的数据完整性，不仅指数据本身没被篡改，更包括数据标签的准确性、数据采集过程的合规性，以及数据在整个生命周期内的流转记录。这是构建可信AI的第一道，也是最基础的一道门槛。

2.2 模型黑箱与决策不可审计的“信任墙”

即使数据是干净的，模型本身依然是个“黑箱”。尤其是复杂的深度学习模型，其内部决策逻辑对人类而言难以理解。

问题本质：我们缺乏有效的技术手段，对AI的决策过程进行事后审计和事前验证。当自动驾驶汽车决定紧急转向、当AI招聘系统筛掉一份简历、当内容推荐算法持续推送特定信息时，我们无法获得一个令人信服的“解释”。这不仅阻碍了debug和模型优化，更在法律、伦理层面埋下隐患。谁该为AI的错误决策负责？是开发者、运营方还是模型本身？

实操中的困境：我曾参与一个金融风控项目，团队尝试引入一个高性能的神经网络模型替代传统的逻辑回归。模型上线后，AUC指标确实提升了，但风控委员会却拒绝批准。他们的理由很直接：“当这个模型拒绝一笔贷款时，我们无法向合规部门、甚至无法向客户解释具体原因。我们不能用一个无法审计的‘黑箱’来决定客户的金融权利。” 可解释性AI（XAI）技术提供了一些局部解释工具（如LIME, SHAP），但这些解释本身是事后、近似且不稳定的，难以构成法律意义上的证据链。

2.3 多方协作与价值分配中的“博弈困境”

AI的发展越来越依赖于跨组织的数据与模型协作（如联邦学习），以及AI生成内容（AIGC）的产权确认。这里面的核心矛盾是：如何在不完全信任对方的情况下进行合作？如何公平地衡量各参与方的贡献并据此分配收益？

问题本质：在联邦学习中，参与方可能谎报本地数据质量或模型更新，进行“搭便车”甚至恶意攻击。在AIGC领域，一幅由AI生成、经多人多次提示词调优的作品，其版权归属和收益分配极其复杂。传统的中心化平台充当了信任中介和分配者，但这带来了权力集中、规则不透明、抽成过高和单点故障等问题。

联邦学习中的具体挑战：在一个横向联邦学习场景中，十家公司共同训练一个模型。中心服务器负责聚合各方的模型梯度更新。但这里存在两个信任问题：1）服务器是否诚实地执行了聚合算法，而没有窃取或篡改各方的梯度？2）参与方提交的梯度更新，是否真的来自其宣称的数据训练所得，而不是随机噪声或旨在破坏模型的恶意更新？缺乏一个中立的、可验证的协作框架，大规模的高价值数据协作就难以展开。

3. 区块链作为解决方案：如何构建可信AI的基础设施？

区块链不是AI的“替代品”，而是其“增强层”。它主要从三个维度注入信任：存证与溯源、验证与执行、激励与结算。下面我们拆解其核心作用原理。

3.1 核心原理：区块链为AI提供了什么？

区块链的本质是一个分布式、不可篡改的账本。这个简单的定义，在AI语境下衍生出几个关键特性：

1. 不可篡改的日志系统：任何上链的数据（或数据哈希）一旦被确认，就无法被单方面修改或删除。这为数据来源、模型版本、操作记录提供了终极的“存在性证明”。
2. 去中心化的验证网络：共识机制确保了网络中的多个独立节点对状态的变更达成一致，无需依赖单一中心化权威。这为多方协作提供了中立的“裁判”。
3. 可编程的智能合约：将协作规则、业务逻辑以代码形式固化在链上，确保其自动、透明地执行，无人能干预结果。这实现了“代码即法律”的自动化协作。
4. 通证化的激励体系：通过原生数字货币或通证，可以精确计量、记录和结算参与方在AI价值链中的贡献（如数据提供、算力贡献、模型训练），并自动分配收益。

将这四点组合起来，区块链实际上为AI世界搭建了一个“可信计算环境”。在这个环境里，所有关键动作都被记录，所有规则都被预先设定并自动执行，所有贡献都被量化并得到回报。

3.2 架构模式：区块链与AI的三种结合方式

根据信任需求的强弱和性能要求的差异，区块链与AI的结合在架构上大致分为三种模式：

模式一：链上存证，链下计算（主流模式）这是目前最务实、最流行的模式。将AI工作流中需要“信任”的关键环节的证明（Proof）上链，而计算本身在链下高效完成。

• 做什么：将训练数据的哈希、模型初始权重哈希、每轮训练的梯度更新哈希、最终模型版本的哈希、乃至推理请求和结果的哈希，定期或按事件记录到区块链上。
• 为什么：区块链（尤其是公链）吞吐量低、存储成本高，不适合存储大量原始数据或进行密集计算。但存储哈希值（一个固定长度的字符串）成本极低。哈希值如同数据的“数字指纹”，任何对原始数据的细微改动都会导致哈希值巨变。通过比对链上哈希和链下数据的哈希，任何人都能独立验证数据的完整性。
• 适用场景：模型审计溯源、数据版权保护、AI生成内容（AIGC）的权属证明。

模式二：链上验证，链下计算（进阶模式）在模式一的基础上，引入更复杂的密码学原语，使得链上不仅能存证，还能对链下计算结果的正确性进行“验证”。

• 做什么：利用零知识证明（ZKP）或可信执行环境（TEE）等技术。数据提供方或计算方在链下完成计算后，生成一个极小的“证明”（例如ZK-SNARK证明），提交到链上。智能合约可以快速验证这个证明，从而确信链下计算是按照预定规则正确执行的，而无需知道计算的具体输入和输出。
• 为什么：这解决了“如何相信一个你无法直接观察的计算过程”的问题。例如，在联邦学习中，参与方可以生成一个证明，表明其提交的梯度更新确实来自于其本地数据经过指定模型训练所得，且没有泄露原始数据。
• 适用场景：隐私保护的协同计算（如联邦学习）、外包计算的完整性验证。

模式三：全链上AI（探索模式）将轻量级的AI模型（如决策树、小型神经网络）的推理甚至训练过程完全放在区块链上执行。

• 做什么：将模型参数和推理逻辑写入智能合约。用户通过调用合约函数并输入数据，直接在链上获得推理结果。
• 为什么：实现了最高级别的去中心化和可信度，推理过程完全透明、可审计、抗审查。
• 挑战与现状：受限于区块链极高的计算成本和Gas费，目前只能运行极其简单的模型。这更像是一个面向未来的技术探索，展示了“完全可信AI”的一种终极形态。

对于大多数实际应用，我们目前重点讨论和实现的是模式一，并积极探索模式二。模式三更多是概念验证。

4. 实操解析：用区块链应对具体AI问题的实现思路

理论说再多，不如看具体怎么干。我们针对第二章提出的三个问题，分别设计基于区块链（主要是模式一和模式二）的解决方案框架。

4.1 构建可信数据供应链：从源头到训练集的全程追溯

目标：确保用于训练AI模型的数据，其来源、流转、预处理过程全程可追溯、可验证。

核心架构：

1. 数据上链锚定：数据提供方在采集或生成数据后，立即计算该批数据的默克尔树根哈希（Merkle Root Hash），并将此根哈希连同时间戳、提供方签名、数据描述元数据（如格式、数量、标签定义）写入区块链。注意，原始数据本身不上链，存储于IPFS、Arweave或私有存储中，仅将其内容标识符（CID）或存储地址与哈希关联。
2. 流转过程记录：每当数据被转移、授权给另一方（如数据清洗公司、模型训练方），双方通过智能合约完成一次“数据使用权转移”的交易。该交易记录在链上，包含转移方、接收方、对应的数据哈希标识、授权范围和使用期限。
3. 预处理操作日志：数据预处理（如清洗、标注、增强）的每一步关键操作，其操作类型、参数和输出数据的哈希值，也被记录上链。这形成了一条从原始数据到最终训练集的数据处理流水线日志。
4. 训练集完整性证明：模型训练方在开始训练前，需要公布最终使用的训练集文件列表及其哈希。任何数据提供方都可以验证自己的数据哈希是否包含在这个最终的训练集证明中。

技术要点与避坑：

• 哈希函数选择：使用抗碰撞性强的加密哈希函数，如SHA-256或SHA-3。避免使用MD5等已不安全的算法。
• 默克尔树的应用：对于大批量数据，为每个文件计算哈希，然后构建默克尔树。只需将树根哈希上链，即可代表整批数据。任何单个文件的变动都会导致树根哈希变化。验证时，可以提供某个文件及其在树中的路径（Merkle Proof），由智能合约快速验证其是否属于当初承诺的那批数据。
• 元数据标准化：设计一套链上元数据Schema，强制包含数据格式、采集设备、时间、地理位置（如涉及）、标签定义版本等关键信息。这能极大提升后续审计效率。
• 隐私考虑：对于敏感数据，可以在计算哈希前先进行差分隐私处理或同态加密，但需注意这会改变原始数据，其哈希值也将对应处理后的数据。需要清晰定义和记录所采用的隐私处理技术及参数。

4.2 实现模型审计与决策解释的链上存证

目标：为AI模型建立不可篡改的“生命周期档案”，并对关键决策提供可验证的解释证据。

核心架构：

1. 模型版本库上链：
   • 初始化：将模型架构的定义（如网络结构的JSON描述）、初始权重的哈希值上链，注册为一个新模型。
   • 版本更新：每次训练产生新版本时，将新版本模型的权重文件哈希、训练配置（超参数、优化器）、所使用的训练集哈希（链接到4.1的数据溯源记录）以及性能评估报告哈希，作为一个新版本记录上链。版本间通过父哈希形成链式结构。
2. 推理服务与决策存证：
   • 部署一个“存证代理”与模型推理服务相伴。每当模型处理一个重要的推理请求（如贷款审批、医疗诊断），该代理自动将推理请求的哈希、模型版本标识、时间戳以及推理结果的哈希打包，发送到区块链上存证。
   • 对于需要解释的决策，可以结合可解释性AI（XAI）工具。例如，对于图像分类，计算并保存该决策对应的显著性图（Saliency Map）或关键特征；对于文本分类，保存LIME或SHAP给出的特征重要性权重。将这些解释性结果的摘要哈希也一并上链。
3. 创建可验证的审计线索：当需要审计某个具体决策时，审计员可以获得当时的推理请求数据、模型版本文件、以及解释性结果。通过计算其哈希并与链上记录比对，即可验证所有材料是否与决策发生时记录的状态一致，排除了事后篡改的可能。然后，可以在一个可信环境中，使用验证过的模型和输入，复现当时的决策和解释。

实操心得：

• 存证粒度是关键：并非所有推理都需要上链，那样成本太高。需要根据业务风险定义存证策略。例如，只对“高价值交易”、“争议性决策”或“随机抽查样本”进行存证。
• 解释的“可验证性”比“复杂性”更重要：过于复杂的解释模型可能本身也难以验证。优先选择那些结果相对稳定、且解释过程本身可以（在链下）被独立验证的XAI方法。
• 性能权衡：链上存证会引入额外的网络延迟。需要在业务延迟要求（如实时推理）和存证必要性之间取得平衡。一种折中方案是采用“先响应，后异步存证”的模式。

4.3 设计基于智能合约的AI协作与激励平台

目标：为联邦学习、数据市场、AIGC共创等场景，提供一个自动化、可信的协作与价值分配框架。

核心架构（以联邦学习平台为例）：

1. 智能合约定义协作规则：一份部署在区块链上的智能合约，明确定义了以下内容：
   • 任务目标：要训练的模型架构、评估指标。
   • 参与方角色与要求：数据提供方需要满足的数据格式、最小数据量、安全承诺。
   • 训练流程：轮次、本地训练周期、梯度聚合算法（如FedAvg）。
   • 贡献评估与奖励公式：如何根据各参与方提交的梯度质量、数据量、在线时长等计算其贡献度，并据此分配通证奖励。例如，贡献度可以通过测试集上模型性能的提升来间接衡量，或通过其他参与方对其梯度的验证来评估。
2. 链上协调与存证：
   • 注册与押金：参与方需向智能合约注册并可能存入一定押金，以防止作恶。
   • 任务发布与锚定：任务发布者将任务描述和初始全局模型哈希上链。
   • 梯度提交与验证：每轮训练中，参与方将本地计算得到的梯度更新哈希提交上链。这里可以结合模式二（链上验证），要求参与方同时提交一个零知识证明，证明该梯度是其本地数据经正确计算所得。
   • 聚合与更新：智能合约或一个被合约信任的链下“聚合器”（其行为被合约监督）执行梯度聚合，生成新的全局模型。新模型的哈希被记录上链。
3. 自动化的奖励结算：训练结束后，智能合约根据预设的公式，自动计算各参与方的贡献度，并从任务发布者锁定的奖励池中，将通证奖励分发到各参与方的区块链地址。整个过程无需人工干预，规则透明，结果不可篡改。

对于AIGC的价值分配：可以设计更细粒度的贡献记录合约。用户A的提示词、用户B的调参、用户C的迭代优化，每一步的输入输出哈希都被记录。最终作品售出后，智能合约根据链上记录的贡献序列和预先约定的分成比例，自动将收益分配给所有贡献者。

常见问题与排查：

• 贡献评估的公平性难题：如何设计一个抗博弈、真正反映价值的贡献评估算法是最大挑战。简单的按数据量分配可能鼓励提交垃圾数据。需要设计更精巧的机制，如基于梯度的相似性、基于测试集表现的Shapley值计算等，但这些计算本身可能复杂且昂贵。
• 链下组件的可信度：在模式一中，负责梯度聚合的“聚合器”通常是链下中心化服务，它可能成为瓶颈或作恶点。需要通过经济抵押、多签、或将其行为关键步骤哈希上链等方式进行约束。
• 合规与隐私：全球数据合规要求（如GDPR）可能与区块链的不可删除特性冲突。需要仔细设计架构，确保个人数据本身不上链，只上链合规同意书的哈希或数据使用授权的记录。

5. 技术选型与实现路径：从概念到落地

明确了思路，下一步就是选择合适的技术栈，并规划一个可行的实施路径。

5.1 区块链平台选型考量

没有“最好”的区块链，只有“最适合”场景的区块链。主要从以下几个维度评估：

选型建议：

• 面向公众的AIGC版权平台、去中心化AI数据市场：优先考虑公有链或应用链，利用其强大的免信任特性和通证经济。
• 跨机构医疗研究联盟、供应链金融风控模型协作：联盟链是更务实的选择，它在性能、隐私和合规之间取得了良好平衡。
• 初期概念验证（PoC）：可以从低成本、易开发的联盟链框架（如Fabric）或公有链测试网（如Goerli）开始。

5.2 一个最小可行产品（MVP）的实现步骤

假设我们要为一个“多方安全数据协作训练AI模型”的场景构建一个基于联盟链的MVP。

第一步：定义业务逻辑与智能合约

1. 梳理流程：明确参与方（数据方A、B、C，计算方，结果使用方）、数据流转步骤、贡献评估方法、资金/奖励流转。
2. 编写合约：使用Solidity（如用Fabric则可能是Go/Java）编写核心智能合约。合约功能至少包括：参与方注册与管理、任务发布、数据/梯度提交存证、贡献记录、奖励计算与发放接口。
3. 本地测试：在Truffle/Hardhat（以太坊）或Fabric本地开发网络上，对合约进行全面的单元测试和模拟流程测试。

第二步：搭建区块链网络与后端服务

1. 部署链网络：根据选型，部署一个多节点的联盟链测试网络。配置通道、共识机制（如Fabric的Raft）、CA证书体系。
2. 开发链下后端服务：
   • 存证服务：接收来自AI训练流程的关键事件（如数据就绪、训练开始、梯度生成、模型更新），计算哈希并调用智能合约进行存证。
   • 数据协调服务：管理链下数据的存储（如IPFS、S3）、访问授权，处理联邦学习中的协调逻辑（如分发全局模型、收集梯度）。
   • 监听与索引服务：监听区块链事件，将链上存证记录索引到数据库（如MongoDB），方便前端快速查询。

第三步：集成AI训练流程

1. 改造训练脚本：在现有的联邦学习训练脚本中，插入对“存证服务”的调用。例如，在每一轮训练开始时，记录全局模型版本哈希；在本地训练完成后，将梯度哈希提交上链。
2. 实现贡献评估：根据合约定义的规则，在训练过程中或结束后，计算各参与方的贡献度，并将结果提交至合约。
3. 注意异步处理：确保链上交易提交是异步的，不要阻塞核心训练循环。需要处理好交易回执、失败重试等边缘情况。

第四步：开发前端审计界面

1. 开发DApp或管理后台：提供一个Web界面，允许授权用户（如审计员、参与方）查看。
   • 任务总览：所有协作任务的列表和状态。
   • 溯源详情：点击任一任务，可以图形化展示数据从源头到最终模型的完整流转路径，所有环节都有链上哈希为证。
   • 贡献看板：展示各参与方的贡献度排名和奖励明细。
   • 验证工具：允许用户上传一份本地文件（如数据文件、模型文件），输入其声称的链上交易ID，系统自动计算哈希并进行比对验证。

第五步：测试、审计与部署

1. 端到端测试：模拟完整业务流程，测试网络异常、参与方掉线、恶意输入等情况下的系统表现。
2. 安全审计：邀请专业团队对智能合约和关键后端服务进行安全审计，特别是重入攻击、权限控制、整数溢出等常见漏洞。
3. 生产部署：将联盟链网络、后端服务部署到生产环境，接入真实的参与方。

6. 面临的挑战与未来展望

尽管前景广阔，但将区块链与AI深度融合的道路上布满荆棘。清醒地认识这些挑战，比盲目乐观更重要。

6.1 当前面临的主要挑战

1. 性能与成本的现实瓶颈：区块链，尤其是追求高度去中心化的公链，其吞吐量和延迟与AI训练/推理的海量计算需求之间存在巨大鸿沟。将每一次梯度更新、每一次推理都上链是不现实的。我们必须在“信任粒度”和“成本效率”之间做出艰难取舍。Layer2扩容方案和新型共识算法正在改善这一问题，但距离支撑大规模AI应用仍有距离。
2. 隐私保护的复杂博弈：区块链的透明性与数据隐私存在天然张力。虽然哈希和零知识证明能在一定程度上保护隐私，但它们也增加了系统的复杂性。例如，ZKP的生成本身计算量巨大；TEE则依赖于硬件厂商的可信度。如何在保证可审计性的同时，满足GDPR等法规中“被遗忘权”（要求删除个人数据）的要求，是一个尚未完全解决的法律与技术交叉难题。
3. 标准化与互操作性的缺失：目前缺乏统一的链上AI元数据标准、模型存证格式、贡献度评估协议。各个项目各自为政，形成了一个个“信任孤岛”。这阻碍了生态的发展，也使得跨链、跨平台的AI资产流转和验证变得困难。
4. “垃圾进，垃圾出”的信任局限：区块链只能保证“记录的真实性”，即“你当时提交的就是这个哈希对应的数据”。但它无法保证数据本身的质量和真实性。如果数据提供方一开始就上传了带有偏见或错误的数据，区块链只会忠实地记录这个“垃圾”。因此，区块链解决的是“过程可信”问题，而不能替代对数据源头的治理和质量管理。
5. 认知与人才壁垒：同时精通AI和区块链的复合型人才凤毛麟角。两个领域的技术栈、思维模式差异巨大。让AI工程师理解共识机制、智能合约安全，让区块链开发者理解梯度下降、过拟合，都需要时间和成本。

6.2 可行的演进路径与未来方向

面对挑战，我认为务实的发展路径是“由外到内，由轻到重”：

1. 从外围存证切入，逐步深入核心流程：当前最易落地的是“模式一”（链上存证）。优先在模型发布、数据版权、AI生成物确权等对绝对信任要求高、但频率不高的场景应用。让市场先习惯“AI+区块链”的存在，再逐步向训练过程验证、联邦学习协调等更核心的环节渗透。
2. 发展链下计算与链上验证的混合架构：这是中期最有潜力的方向。随着零知识证明（ZKP）、安全多方计算（MPC）等密码学技术的成熟和硬件加速，实现高效、可验证的链下计算将成为可能。区块链作为最终的仲裁层和结算层。
3. 推动关键标准的制定：行业联盟、开源社区应牵头制定AI模型链上存证的标准元数据格式、贡献度评估的通用接口规范等。这就像互联网的TCP/IP协议，是生态繁荣的基础。
4. 聚焦高价值、高信任需求的垂直领域：不要追求大而全的平台。初期应深耕那些痛点最明显、付费意愿最强的领域，如：
   • 金融科技：反洗钱模型、信贷评分模型的审计与合规。
   • 医疗健康：跨医院医疗研究联盟中的数据协作与模型溯源。
   • 供应链管理：商品溯源与需求预测模型的可靠性保障。
   • 内容产业：AIGC作品的版权登记、交易与收益分配。

在我个人看来，区块链为AI带来的最大价值，不是性能提升，而是信任增强。它正在为AI这个强大的“数字大脑”编织一套可审计的“神经系统”和基于共识的“社会规则”。这个过程不会一蹴而就，它需要两个领域的技术人员放下偏见，深入理解对方的需求与约束。对于那些正在构建下一代关键AI应用的产品和技术负责人，我的建议是：现在就开始小范围试点。从一个具体的、可衡量的信任问题出发，比如“如何向监管机构证明我们的模型从未被恶意篡改？” 用最小的成本搭建一个原型，去感受这项技术带来的透明性和它引入的复杂性。这项融合技术的未来，不属于空谈者，而属于那些愿意在泥泞中前行的实践者。