Reenvía el título original '解读 Allora 白皮书:自我改进的去中心化 AI 网络'

El meme está actualmente desenfrenado en el mercado, y la pista de IA ha entrado en un período de descanso de coro.

Sin embargo, con el aumento del rendimiento de Nvidia y la llegada de más eventos de la industria de la IA en la segunda mitad del año, los proyectos de IA encriptada siguen siendo dignos de atención.

Hay una nueva tendencia en el subir: la combinación de zkML (aprendizaje automático de conocimiento cero) y agentes de IA. El primero verifica la exactitud de los resultados del cálculo de la IA al tiempo que garantiza la privacidad y la seguridad; Este último realiza la ejecución automatizada de tareas y la toma de decisiones a través de contratos inteligentes y redes descentralizadas.

Algunos proyectos de encriptación antiguos aprovecharán esta nueva tendencia para ajustar sus direcciones comerciales en un intento de obtener más valor en el nuevo ciclo.

Allora Network es una de ellas.

Ayer, AlloraOficialmente anunció su último libro blanco técnico, posicionándose como una "red de IA descentralizada que se mejora a sí misma" también significa que el negocio de los proyectos se está acercando a los puntos calientes de la narrativa.

Al mismo tiempo, el proyecto también anunció su plan de incentivos de puntos en mayo, que es de gran interés tanto para los amantes del cabello como para los cazadores de Alfa.

Dado que la pista de IA ya está abarrotada, ¿qué hace que Allora sea único? Teniendo en cuenta que su libro blanco técnico es relativamente complejo, lo hemos interpretado y analizado, y le hemos presentado los puntos de valor clave y la introducción del proyecto de una manera más popular.

El viejo problema del monopolio de recursos de IA

A juzgar por el libro blanco de Allora, el proyecto está dirigido principalmente a viejos problemas en el campo actual de la IA: la potencia de cálculo, los algoritmos y los datos se concentran en manos de unos pocos gigantes, y el monopolio de los recursos no es propicio para el estado óptimo del aprendizaje automático (ML).

Allora cree que la clave para construir una inteligencia artificial óptima es maximizar el número de conexiones en la red, permitiendo que diferentes conjuntos de datos y algoritmos se combinen libremente en la red para obtener los conocimientos más relevantes.

Por lo tanto, necesitamos una forma de inteligencia de enjambre que pueda conectar grandes conjuntos de datos y algoritmos de inferencia.

En coro, en los proyectos de IA encriptados existentes, la cooperación entre diferentes modelos no es lo suficientemente buena, y también hay problemas con los métodos de incentivo. Los modelos están aislados o no están estrechamente conectados y son lo suficientemente efectivos, lo que resulta en resultados de razonamiento final insatisfactorios.

Vitalik también mencionó antes: "Se necesita un mecanismo de nivel superior para juzgar el rendimiento de las diferentes IA para que la IA pueda participar como jugadores".

El objetivo de Allora es permitir que los nodos de la red de IA descentralizada colaboren mejor a través de una mejor estructura de incentivos; al mismo tiempo, introducir formas más inteligentes de identificar detalles contextuales para mejorar la efectividad de los modelos de aprendizaje automático, logrando así una inteligencia más eficiente en el razonamiento y el juicio.

Allora: Introducción de la conciencia del contexto e incentivos diferenciados para mejorar el rendimiento del modelo

En concreto, ¿cómo consigue Allora una "mejor red de IA descentralizada"?

Lo más destacado es queEstructuras de incentivos diferenciadas y conscientes del contexto. Estas innovaciones permiten a la red ofrecer resultados de inferencia óptimos en cualquier entorno, al tiempo que proporcionan recompensas justas por las contribuciones únicas de cada participante.

Pero estas dos palabras suenan un poco misteriosas. Podríamos echar un vistazo primero a los participantes de la red Allora.

Los participantes en la red Allora incluyen trabajadores, evaluadores y consumidores, cada rol tiene sus responsabilidades y roles específicos:

1. Trabajadores: proporcione resultados de inferencia de IA y prediga el valor de pérdida de los resultados de inferencia de otros trabajadores.
2. Reputers: Evalúan la calidad de los resultados de inferencia y los valores de pérdida previstos proporcionados por los trabajadores.
3. Consumidores: Solicitan y pagan para inferir resultados de la red.

una red interactúa a través de un coordinador (Topic Coordinator):

• consumerSolicite los resultados de inferencia de la red y pague una tarifa para obtenerlos.
• workerProporciona resultados de inferencia y un valor de pérdida para predecir los resultados de inferencia de otros trabajadores. El coordinador sintetiza esta información para generar resultados de inferencia más precisos.
• evaluadorSobre la base de los resultados de la inferencia y los valores de pérdida previstos proporcionados por los trabajadores, las evaluaciones se realizan utilizando datos reales para garantizar la equidad de la evaluación y se recompensan en función de su consenso con otros evaluadores.

A través del diseño de estos tres roles, se logra una red de inteligencia artificial descentralizada eficiente, logrando el objetivo de optimizar la utilización de recursos y mejorar la precisión de la inferencia. Es esencialmente un sistema que logra la superación personal y recompensas justas a través de la división de roles y los mecanismos de incentivos. diseño.

Después de comprender estos tres tipos de roles, será más fácil observar el conocimiento del contexto y el diseño de incentivos diferenciados de Allora.

Inferir el mecanismo de síntesis

El mecanismo de síntesis de inferencia de Allora es la clave para su realización de la inteligencia artificial descentralizada. Se logra a través de los siguientes pasos:

1. Tarea de inferencia: cada trabajador genera resultados de inferencia utilizando su propio conjunto de datos y modelo.
2. Tarea de previsión: cada trabajador predice el valor de pérdida de los resultados de inferencia de otros trabajadores. Estos valores de pérdida previstos representan el rendimiento esperado del trabajador en las condiciones actuales.
3. Inferencia sensible al contexto: La red utiliza el valor de pérdida de predicción proporcionado por el trabajador para generar un resultado de inferencia de predicción sensible al contexto a través de un promedio ponderado. Estos promedios ponderados tienen en cuenta cuenta precisión histórica y dependiente del contexto.
4. Inferencia de red: la inferencia de red final se genera combinando los resultados de inferencia del trabajador con los resultados de inferencia predichos según el contexto.

La clave de este mecanismo es que no solo evalúa la precisión histórica del modelo como otros proyectos criptográficos, sino que también tiene en cuenta el contexto actual, logrando así la mejor combinación de inferencias y mejorando la inteligencia de la red en general.

Mecanismo de recompensa diferenciado

Al mismo tiempo, Allora introduce un mecanismo de recompensa diferenciado para garantizar que la contribución de cada participante sea reconocida de manera justa:

1. Recompensas a los trabajadores: se asignan en función de su contribución a las tareas de inferencia y predicción, lo que les incentiva a proporcionar datos y predicciones de alta calidad.
2. Recompensas de los revisores: asigne recompensas en función de su cercanía al consenso y las acciones mantenidas para garantizar la precisión y la equidad de la evaluación.
3. Distribución general de recompensas: El mecanismo de recompensas no solo fomenta las contribuciones positivas de los participantes, sino que también evita la concentración excesiva de un solo participante a través de un diseño descentralizado.

Algunas soluciones actualmente en uso en Allora:

• Predicción de precios con IA: Proporciona información precisa y en tiempo real sobre los precios de los activos, fundamental para las primitivas financieras avanzadas.
• Bóveda impulsada por inteligencia artificial: permite a los desarrolladores implementar estrategias avanzadas de DeFi y aumentar el potencial de ganancias.
• Modelado de riesgos de inteligencia artificial: Permite a los protocolos construir sistemas más seguros para hacer frente a los riesgos externos.
• AnyML: Proporciona una fácil integración de cualquier modelo de aprendizaje automático para que cualquier persona (no solo los ingenieros de aprendizaje automático) pueda crear productos más potentes utilizando IA descentralizada.

Token economía

La red Allora utiliza su token nativo ALLO para facilitar la intercambio de valor entre los participantes de la red. Los usos específicos de los tokens ALLO incluyen:

1. Comprar resultados de inferencia: los usuarios pueden usar tokens ALLO para comprar resultados de inferencia generados por la red. Allora adopta un modelo de "qué está dispuesto a pagar" (PWYW, por sus siglas en inglés), lo que permite a los usuarios decidir de forma independiente la tarifa ALLO a pagar por la inferencia.
2. Pagar la cuota de participación: Los tokens ALLO se pueden utilizar para pagar la creación de temas o la participación en la red (como trabajador, evaluador o validador de la red). Las cuotas de participación son variables.
3. Compromiso: Los evaluadores y validadores de red pueden usar tokens ALLO para apostar, y otros titulares de tokens también pueden delegar sus tokens a evaluadores o validadores de red. Los evaluadores de staking, los verificadores y sus delegadores recibirán recompensas ALLO.
4. Pago de incentivos: La red utiliza tokens ALLO para pagar recompensas a los participantes. Para los trabajadores, estas recompensas son proporcionales a su contribución única a la precisión de la red. Para los evaluadores y los validadores de la red, estas recompensas son proporcionales a su stake y consenso.

Token value

La economía de los tokens en la red Allora está diseñada para garantizar el valor intrínseco y la estabilidad de los tokens:

1. Ingresos por tarifas: Todas las tarifas recaudadas por la red se agregarán a la tesorería de la red para pagar la emisión de recompensas. Esto significa que, en la práctica, Network Depot decaerá más lentamente que una simple decaimiento exponencial, manteniendo un alto
2. reciclaje de tokens APY: las tarifas recaudadas por el uso de la red primero pagan recompensas antes de que se acuñen nuevos tokens. Esto significa que, dependiendo de la dinámica del mercado, la oferta circulante de ALLO puede aumentar (correspondiente a la inflación) o disminuir (correspondiente a la deflación)
3. Mecanismo de emisión suave: Al aplicar una media móvil exponencial, emisión de token se suaviza, evitando así un Soltar brusco en APY cuando se desbloquea el token principal, asegurando que los poseedores de tokens continúen stake sus tokens.
   

Sin embargo, el libro blanco no mencionó la fecha de lanzamiento ni los detalles del token. Para obtener más información, debe prestar atención a sus tendencias en las redes sociales.

Los recursos detrás de Allora

El contenido anterior en realidad no menciona la tecnología zkML mencionada al principio del artículo. Parece que Allora no tiene nada que ver con esta tecnología.

Pero detrás de Allora, el antiguo proyecto Upshot es un contribuyente fundamental para el desarrollo de Allora.

Upshot mejora las capacidades de Allora mediante la implementación de su modelo insignia de predicción de precios, que proporciona información de precios impulsada por IA para más de 400 millones de activos, en la red. Los pronósticos más precisos del modelo han mostrado históricamente niveles de confianza del 95-99%.

Además, se puede acceder a la salida del modelo a través de zkPredictor (Se proporciona la aplicación zkML de on-chain más grande hasta la fecha) para permitir que las aplicaciones consuman la salida de una manera criptográficamente verificable.

Al mismo tiempo, Upshot también recibió US $ 22 millones en financiamiento en 2022 liderado por Polychain, Framework, CoinFund y Cadena de bloques Capital. La dirección en ese momento era utilizar la tecnología para hacer una evaluación de activos NFT en tiempo real. Ahora, con la subida de la IA, la pista también ha cambiado. , pero la tecnología acumulada anteriormente también se ha aplicado al nuevo Allora.

Hoja de ruta e incentivos de la red de prueba

A juzgar por la información previa en el blog oficial de Allora, el lanzamiento del proyecto se divide en tres etapas:

• Testnet Phase 1: mediados de febrero de 2024
• Testnet Phase 2: mediados de marzo de 2024
• Mainnet: principios del Q2 2024

En este momento, parece que el progreso del proyecto se ha retrasado, pero todavía está en la etapa antes de que se lance la red principal.

Con el orden de generar impulso y permitir que más personas lo usen, Allora también lanzó la primera fase de su plan de incentivos de red de prueba el 17 de mayo. También puede ganar puntos participando en actividades on-chain y off-chain para obtener más expectativas de airdrop en el futuro.

Las actividades específicas que pueden ganar puntos incluyen:

Actividades on-chain

1. Crear temas: Identificar y definir problemas específicos o áreas de interés dentro de la red, involucrando a otros actores para desarrollar y ofrecer soluciones.
2. Introducción de modelos de aprendizaje automático: agregue modelos de aprendizaje automático a la red para que otros usuarios los usen.
3. Utilice Allora Powered Apps: Participe en aplicaciones y servicios que aprovechen las capacidades de inteligencia artificial de Allora

Actividades fuera de la cadena

1. Participación de la comunidad: Sigue a Allora en Twitter y únete a los grupos de Discord y Telegram.
2. Participe en la comunidad: Participe en eventos y actividades comunitarias seleccionadas para soporte de la red Allora.

Actualmente, las actividades en las que los usuarios comunes pueden participar fácilmente se pueden encontrar en la página del evento Galxe. Los jugadores interesados puedenHaga clic aquí para participar

En términos generales, Allora es un proyecto de encriptación con cierta innovación tecnológica, recursos de fondo y capacidad de reutilización. Puede seguir la tendencia en la transformación de los puntos calientes de IA y maximizar el uso de sus capacidades para expandir nuevas direcciones comerciales. Al menos puede asegurarse de que atraiga nueva atención. Nunca te quedes atrás en una guerra.

En cuanto a qué tan alto es el límite superior, en primer lugar, depende de esperar a que el viento de la IA vuelva a soplar y, en segundo lugar, depende de métodos más operativos del proyecto en el futuro.

Disclaimer:

1. Este artículo es una reimpresión de [Techflow]. Reenvía el título original '解读 Allora 白皮书:自我改进的去中心化 AI 网络'. Todos los derechos de autor pertenecen al autor original [TechFlow]. Si hay objeciones a esta reimpresión, póngase en contacto con el equipo de Gate Learn, y ellos se encargarán de ello con prontitud.
2. Descargo de responsabilidad: Los puntos de vista y opiniones expresados en este artículo son únicamente los del autor y no constituyen ningún consejo de inversión.
3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de Gate Learn. A menos que se mencione, está prohibido copiar, distribuir o plagiar los artículos traducidos.