聚焦 Allora 的结构和愿景:区块链如何解决人工智能长尾问题?
作者:Tranks,DeSpread
免责声明:本报告的内容反映了各自作者的观点,仅供参考,并不构成购买或出售代币或使用协议的建议。本报告中的任何内容均不构成投资建议,也不应被理解为投资建议。
1.引言自以ChatGPT为代表的生成式人工智能出现以来,AI技术迅速发展,企业对AI产业的参与和投资也不断增加。近期AI不仅在产生特定输出方面表现优异,在大规模资料处理、模式识别、统计分析、预测建模等方面也有出色表现,使得AI在各行各业的应用范围不断扩大。
JPMorgan:聘请超过600位ML工程师,开发和测试超过400个AI技术使用案例,包括演算法交易、诈欺预测和现金流量预测等。
Walmart:分析季节性和区域销售历史,以预测产品需求并优化库存。
Ford汽车:分析车辆感应器资料,以预测零件故障并通知客户,防止因零件故障而造成的事故。
近期,将区块链生态与AI结合的趋势越来越明显,其中DeFi协议与AI结合的DeFAI领域尤其受到关注。
此外,直接将AI融入协议运行机制的案例也越来越多,使得DeFi协议的风险预测和管理变得更有效率,并引入了之前无法实现的新型金融产品服务。
延伸阅读:「AI叙事升温,DeFi如何从中受益?」
然而,由于大量的资讯训练和专业的AI技术的进入门槛较高,建立专用于特定功能的AI模型目前仍被几个大型企业和AI专家所垄断。
因此,其他行业和小型初创公司在採用AI方面面临重大困难,而区块链生态dApp也面临相同的限制。由于dApp必须维持不需要信任第三方的「无信任」核心价值,就必须有一个去中心化的AI基础架构,才能让更多的协议採用AI,以提供用户可以信任的服务。
在这样的背景下,Allora旨在实现自我完善的去中心化AI基础架构,并支持希望将AI安全整合至其服务的项目。
2.Allora,去中心化推理合成网路Allora是一个去中心化推理网路,可针对不同实体所要求的特定主题,预测并提供未来数值。实作分散式AI推论的方法主要有两种:
单一模型/分散式处理:以去中心化的方式进行模型训练与推论流程,建立分散式单一AI模型。
多模型/推论合成:从多个预先训练的AI模型中收集推论结果,并将它们合成为单一推论结果。
在这两种方法中,Allora採用了多模型/推论合成的方法,AI模型操作员可以自由参与Allora网路,针对特定主题的预测请求执行推论,而协议将根据这些操作员所得出的推论值合成的单一预测结果来回应请求者的请求。
在合成AI模型的推论值时,Allora并不是单纯的计算每个模型所得出的推论的平均值,而是通过为每个模型分配权重来得出最终的推论值。随后,Allora会比较每个模型所得出的推论值和该主题的实际结果,并藉由赋予推论值与实际结果值相近的模型更高的权重与奖励来执行自我改善,以提高推论的精确度。
通过这种方法,Allora可以执行比单一模型/分散处理方法建立的AI更专业和针对特定主题的推论。为了鼓励更多AI模型参与协议,Allora提供开放原始码架构AlloraMDK(ModelDevelopmentKit),以协助任何人轻松建立并部署使用AI模型。
此外,Allora也为想要使用Allora推论资料的用户提供两个SDK,AlloraNetworkPython和TypeScriptSDK。这些SDK提供用户一个可以轻松整合和使用Allora所提供的资料的环境。
Allora的目标是成为连接AI模型和需要推论资料的协议的中间层,通过提供AI模型营运者创造营收的机会,同时为服务和协议搭建一个没有偏见的资料基础架构。
接下来,我们将探讨Allora的通讯协议架构,以近一步瞭解Allora的运作方式及特色。
2.1.通讯协议架构在Allora中,任何人都可以设定和部署特定的主题,而在执行推论和获得特定主题的最终推论值的过程中,有四个参与者:
消费者(Consumers):付费请求推论特定主题。
工作者(Workers):使用其资料库操作AI模型并执行消费者要求的特定主题的推论。
Reputers:通过比较和对照工作者所推论的资料与实际数值来进行评估。
验证者(Validators):操作Allora网路节点,处理并记录每个参与者所产生的交易。
Allora网路的结构分为推论执行者、评估者和验证者,并以网路代币$ALLO为中心。$ALLO用来作为推论请求的费用和推论执行的奖励,连接网路参与者,同时通过质押来确保安全性。
我们接下来会根据每个Layer的功能详细检视各个参与者之间的互动,包括推论消耗层、推论合成层和共识层。
2.1.1.推论消耗层
推论消费层处理协议参与者与Allora之间的互动,包括主题建立、主题参与者管理和推论请求。
希望建立主题的用户可以与Allora的主题与推论管理系统(TopicCoordinator)进行互动,通过支付一定额数的$ALLO并制定规则来定义想要推论的内容、如何验证实际结果,以及评估工作者所得出的推论值。
一旦建立了主题,工作者和Reputers就可以使用$ALLO支付註册费,註册成该主题的推理参与者。Reputers必须额外在该主题中投入一定额度的$ALLO,让自己暴露在恶意结果可能会带来的资产削减(AssetSlashing)风险中。
当主题建立、工作者与Reputers註册后,消费者可以向主题支付$ALLO来请求推论,而工作者与Reputers将会收到这些主题请求费用作为推论的奖励。
2.1.2.推论与合成层
推论与合成层是Allora用来产生去中心化推论的核心层,在这里,工作者会执行推论,Reputers会评估表现,并根据这些评估进行权重设定与推论合成。
Allora网路中的工作者不仅要针对消费者要求的主题提交推论值,还需要评估其他工作者推论的准确性,并根据这些评估得出「预测损失」(ForecastedLosses)。这些预测损失会反映在推论综合所需的权重计算中,当工作者的推论准确并且准确的预测其他工作者的推论准确度时时,工作者就会获得较高的奖励。通过这种结构,Allora可以推导出考虑各种情境的推论综合权重,而不是只有工作者过去的表现。
Workers'inferenceaccuracypredictionforcontextawareness
Source:AlloraDocs
举例来说,在预测Bitcoin一小时后价格的主题中,我们假设工作者A和B的情况如下:
工作者A:平均推论精确度高达90%,但在市场不稳定的情况下,准确度会降低。
工作者B:平均推论精确度为80%,但在市场波动的情况下仍维持相对较高的精确度。
如果当前市场高度波动,而多位工作者预测「工作者B在波动情况下的优势,他们在此预测中只会有约5%的误差」,并同时预测「工作者A在此波动情况下预计会有约15%的误差」的话,儘管工作者B的平均历史绩效较低,Allora仍会为其在此预测中的推论赋予较高的权重。
主题协调者使用通过此流程得出的最终权重综合推论,并将最终推论值提供给消费者。此外,该过程中会根据工作者提交的推论值分佈计算并提供置信区间(ConfidenceIntervals)。随后,Reputers将实际结果与最终推论值进行比较,以评估每位工作者的推论表现并预测其他工作者推论准确度的准确性,根据质押共识比例调整工作者的权重。
Allora通过此方法进行推论综合与评估,尤其其「情境认知」结构,让每个工作者都能评估其他工作者的推论准确度,使Allora能针对各种情况推导出最佳化的推论值,有助于提高推论准确度。此外,随着工作者推论效能资料的累积,情境感知功能的运作效率也会提高,让Allora的推论功能更有效的自我改善。
Allora'sinferencesynthesisprocess
Source:AlloraDocs
Allora的共识层是进行主题权重计算、网路奖励分发和记录参与者活动的地方,建立在基于CometBFT和DPoS共识机制的CosmosSDK上。
用户可通过铸造$ALLO代币和操作节点,以验证者身份参与Allora网路,收取Allora参与者提交的交易费用,来作为操作网路和确保安全性的报酬。即使没有操作节点,用户也可以通过将其$ALLO委托给验证者,间接获得这些奖励。
此外,Allora的特色是向网路参与者分发$ALLO奖励,新解锁与分发的$ALLO有75%分发给参与主题推论的工作者与Reputers,其馀25%则分发给验证者。当所有的$ALLO都发佈完毕后,这些通膨奖励就会停止,并且遵循解锁数量逐渐减半的结构。
当75%的通货膨胀奖励分发给工作者和Reputers时,分发比例不仅取决于工作者的表现和Reputers的质押,还取决于主题权重。主题权重是根据参与该主题的Reputers的质押额和费用收入来计算,从而激励工作者和Reputers继续参与具有高需求和高稳定性的主题。
3.从链上到各行各业3.1.即将推出的Allora主网Allora于2025年1月10日成立Allora基金会,在完成超过300,000名参与工作者的公开测试网后,正加速主网的推出。截至2月6日,Allora通过进行AlloraModelForgeCompetition,为即将推出的主网挑选AI模型创作者。
AlloraModelForgeCompetitioncategories
Source:AlloraModelForgeCompetition
此外,Allora在主网推出之前,也与多数项目建立了合作关係。Allora的主要合作关係及其提供的功能如下:
Plume:在Plume网路上提供RWA价格、即时APY和风险预测。
StoryProtocol:提供IP价值评估与潜在分析、非流通性链上资产的价格资讯、并为基于StoryProtocol的DeFi项目提供Allora推论。
Monad:为缺乏流动性的链上资产提供价格资讯,并为基于Monad的DeFi项目提供Allora推论。
0xScope:使用Allora的情境感知功能,支持链上助理AIJarvis的开发。
VirtualsProtocol:通过将Allora推论与VirtualProtocol的G.A.M.E框架整合,增强代理性能。
ElizaOS(前身为ai16z):通过将Allora推理与ElizaOS的Eliza框架整合,增强代理性能。
目前,Allora的合作伙伴主要集中在AI/加密货币项目,反映出两个关键因素:1)加密货币项目对去中心化推论的需求,以及2)AI模型执行推论所需的链上资料的需求。
对于早期的主网发佈,Allora预计会分配大量的通货膨胀奖励来吸引参与者。为了鼓励这些通货膨胀奖励所吸引的参与者持续活动,Allora需要为$ALLO维持适当的价值。然而,由于通货膨胀奖励会随着时间逐渐减少,长期的挑战将会是通过增加推论需求来产生足够的网路交易费用,以激励持续参与协议。
因此,要评估Allora的潜在成功,关键在于Allora的短期$ALLO升值策略,以及促进推论需求来确保稳定且长期的费用收入的能力。
4.结论随着AI技术的进步和实用性成长,AI推理的採用与实作也在多数的产业中积极发展。然而,採用AI所需的资源密集性正在扩大已成功导入AI的大型企业与尚未成功导入的小型公司之间的竞争差距。在这种环境下,对于Allora的功能(提供主题最佳化推论,并通过分散化自我改善资料精确度)的需求,预计将逐渐增加。
Allora的目标是成为各行各业都能广泛採用的去中心化推论基础架构,而实现这一目标需要证明功能的有效性和永续性。为了证明这一点,Allora需要在主网发布后获得足够的工作者和Reputers,并确保这些网路参与者获得可持续的奖励。
如果Allora成功解决这些挑战,并获得各行各业的採用,它不仅能证明区块链作为重要AI基础架构的潜力,还能成为一个重要范例,展示AI与区块链技术可以如何作结合来带来真正的价值。