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

O meme está atualmente em alta no mercado, e a faixa de IA entrou em um período de descanso curto.

No entanto, com o desempenho da Nvidia em alta e mais eventos da indústria de IA chegando no segundo semestre do ano, os projetos de IA criptografada ainda merecem atenção.

Há uma nova tendência no Elevar —-A combinação de zkML (aprendizado de máquina de conhecimento zero) e agentes de IA. O primeiro verifica a exatidão dos resultados do cálculo de IA, garantindo privacidade e segurança; Este último realiza a execução automatizada de tarefas e a tomada de decisões por meio de redes contratos inteligentes e descentralizadas.

Alguns projetos de criptografia antigos aproveitarão essa nova tendência para ajustar seus rumos de negócios na tentativa de ganhar mais valor no novo ciclo.

A Allora Network é uma delas.

Ontem, a AlloraAnunciou oficialmente seu mais recente white paper técnico, posicionando-se como uma "rede de IA descentralizada auto-aprimorada" também significa que o negócio do projeto está se aproximando de pontos quentes narrativos.

Ao mesmo tempo, o projeto também anunciou seu plano de incentivo de pontos em maio, o que é de grande interesse tanto para os amantes de cabelo quanto para os caçadores de Alpha.

Como a pista de IA já está lotada, o que torna Allora única? Considerando que seu white paper técnico é relativamente complexo, nós o interpretamos e analisamos, e apresentamos os principais pontos de valor e a introdução do projeto para você de uma maneira mais popular.

O velho problema do monopólio de recursos de IA

A julgar pelo white paper da Allora, o projeto é voltado principalmente para problemas antigos no campo atual de IA: poder de computação, algoritmos e dados estão concentrados nas mãos de alguns gigantes, e o monopólio de recursos não é propício ao estado ideal de aprendizado de máquina (ML).

Allora acredita que a chave para construir a inteligência de máquina ideal é maximizar o número de conexões na rede, permitindo que diferentes conjuntos de dados e algoritmos sejam livremente combinados na rede para obter os insights mais relevantes.

Portanto, precisamos de uma forma de inteligência de enxame que possa conectar grandes conjuntos de dados e algoritmos de inferência.

Na curto, nos projetos de IA criptografada existentes, a cooperação entre diferentes modelos não é boa o suficiente, e também há problemas com os métodos de incentivo. Os modelos são isolados ou não estão intimamente conectados e são suficientemente eficazes, resultando em resultados finais de raciocínio insatisfatórios.

Vitalik também mencionou antes: "Um mecanismo de alto nível é necessário para julgar o desempenho de diferentes IAs para que a IA possa participar como jogadores".

O objetivo da Allora é permitir que os nós da rede de IA descentralizada colaborem melhor por meio de uma melhor estrutura de incentivos e, ao mesmo tempo, introduzir maneiras mais inteligentes de identificar detalhes contextuais para melhorar a eficácia dos modelos de aprendizado de máquina, alcançando assim um raciocínio e julgamento de inteligência mais eficientes.

Allora: Introducing context awareness and differentiated incentives to improve model

performance Especificamente, como a Allora alcança uma "melhor rede de IA descentralizada"?

O principal destaque é queEstruturas de incentivo diferenciadas e sensíveis ao contexto. Essas inovações permitem que a rede forneça resultados de inferência ideais em qualquer ambiente, fornecendo recompensas justas para as contribuições exclusivas de cada participante.

Mas essas duas palavras soam um pouco misteriosas. Poderíamos muito bem dar uma olhada nos participantes da rede Allora primeiro.

Os participantes da rede Allora incluem trabalhadores, avaliadores e consumidores, cada função tem suas responsabilidades e papéis específicos:

1. Trabalhadores: Fornecer resultados de inferência de IA e prever o valor de perda dos resultados de inferência de outros trabalhadores.
2. Reputers: Avaliar a qualidade dos resultados de inferência e valores de perda previstos fornecidos pelos trabalhadores.
3. Consumidores: Solicitam e pagam para inferir resultados da rede.

uma rede interage através de um coordenador (Coordenador de Tópicos):

• consumerRequest inferência resulta da rede e pagar uma taxa para obtê-los.
• trabalhadorFornece resultados de inferência e um valor de perda para prever os resultados de inferência de outros trabalhadores. O coordenador sintetiza essas informações para gerar resultados de inferência mais precisos.
• avaliadorCom base nos resultados de inferência e valores de perda previstos fornecidos pelos trabalhadores, as avaliações são conduzidas usando dados reais para garantir a justiça da avaliação e são recompensadas com base em seu consenso com outros avaliadores.

Através do projeto dessas três funções, uma eficiente rede descentralizada de inteligência de máquina é alcançada, atingindo o objetivo de otimizar a utilização de recursos e melhorar a precisão da inferência. É essencialmente um sistema que alcança autoaperfeiçoamento e recompensas justas através da divisão de papéis e mecanismos de incentivo. projetar.

Depois de entender esses três tipos de papéis, será mais fácil olhar para a consciência de contexto e o design de incentivo diferenciado da Allora.

Inferir o mecanismo de síntese

O mecanismo de síntese de inferência de Allora é a chave para sua realização de inteligência de máquina descentralizada. Ele é alcançado através das seguintes etapas:

1. Tarefa de inferência: Cada trabalhador gera resultados de inferência usando seu próprio conjunto de dados e modelo.
2. Tarefa de previsão: Cada trabalhador prevê o valor de perda dos resultados de inferência de outros trabalhadores. Esses valores de perda previstos representam o desempenho esperado do trabalhador nas condições atuais.
3. Inferência sensível ao contexto: A rede usa o valor de perda de previsão fornecido pelo trabalhador para gerar um resultado de inferência de previsão sensível ao contexto por meio de uma média ponderada. Essas médias ponderadas levam em conta precisão histórica e dependente do contexto.
4. Inferência de rede: A inferência final de rede é gerada pela combinação dos resultados de inferência do trabalhador com resultados de inferência previstos com reconhecimento de contexto.

A chave para esse mecanismo é que ele não apenas avalia a precisão histórica do modelo como outros projetos de criptografia, mas também leva em conta o contexto atual, alcançando assim a melhor combinação de inferências e melhorando a inteligência da rede como um todo.

Mecanismo de recompensa diferenciado

Ao mesmo tempo, a Allora introduz um mecanismo de recompensa diferenciado para garantir que a contribuição de cada participante seja reconhecida de forma justa:

1. Recompensas do trabalhador: Atribuídas com base em sua contribuição para tarefas de inferência e previsão, incentivando-os a fornecer dados e previsões de alta qualidade.
2. Recompensas do revisor: Aloque recompensas com base em sua proximidade com o consenso e as ações mantidas para garantir a precisão e a justiça da avaliação.
3. Distribuição geral da recompensa: O mecanismo de recompensa não apenas incentiva as contribuições positivas dos participantes, mas também evita a concentração excessiva de um único participante por meio do design descentralizado.

Algumas soluções atualmente em uso no Allora:

• AI Price Prediction:Fornece informações precisas e em tempo real sobre o preço dos ativos essenciais para primitivas financeiras avançadas.
• Vault alimentado por inteligência artificial: permita que os desenvolvedores implementem estratégias avançadas de DeFi e aumentem o potencial de ganhos.
• Modelagem de Risco por Inteligência Artificial: Permite que os protocolos construam sistemas mais seguros para lidar com riscos externos.
• AnyML: Fornece fácil integração de qualquer modelo de aprendizado de máquina para que qualquer pessoa (não apenas engenheiros de aprendizado de máquina) possa criar produtos mais poderosos usando IA descentralizada.

Token economia

A rede Allora usa seu token nativo ALLO para facilitar a exchange de valor entre os participantes da rede. Os usos específicos dos tokens ALLO incluem:

1. Comprar resultados de inferência: Os usuários podem usar tokens ALLO para comprar resultados de inferência gerados pela rede. A Allora adota um modelo "o que você está disposto a pagar" (PWYW), permitindo que os usuários decidam de forma independente a taxa ALLO a pagar pela inferência.
2. Pague a taxa de participação: os tokens ALLO podem ser usados para pagar pela criação de tópicos ou participação na rede (como trabalhador, avaliador ou validador de rede). As taxas de participação são variáveis.
3. Promessa: Avaliadores e validadores de rede podem usar tokens ALLO para staking, e outros detentores de tokens também podem delegar seus tokens a avaliadores ou validadores de rede. Os avaliadores de aposta, verificadores e seus delegados receberão recompensas ALLO.
4. Pagamento de incentivo: A rede usa tokens ALLO para pagar recompensas aos participantes. Para os trabalhadores, essas recompensas são proporcionais à sua contribuição única para a precisão da rede. Para avaliadores e validadores da rede, essas recompensas são proporcionais à sua staking e consenso.

Token valor

A economia de tokens na rede Allora é projetada para garantir o valor intrínseco e a estabilidade dos tokens:

1. Receita de tarifas: Todas as taxas cobradas pela rede serão adicionadas ao tesouro da rede para pagar a recompensa emissão. Isso significa que, na prática, o Network Depot decairá mais lentamente do que um simples decaimento exponencial, mantendo um alto APY
2. Token reciclagem: as taxas coletadas do uso da rede primeiro pagam recompensas antes que novos tokens sejam cunhados. Isso significa que, dependendo da dinâmica do mercado, a oferta circulante de ALLO pode aumentar (correspondente à inflação) ou diminuir (correspondente à deflação)
3. Mecanismo de emissão suave: Ao aplicar uma média móvel exponencial, emissão de tokens é suavizada, evitando assim uma Gota acentuada no APY quando o token principal é desbloqueado, garantindo que os detentores de tokens continuem a staking seus tokens.
   

No entanto, o white paper não mencionou a data de lançamento e detalhes do token. Para mais informações, você precisa prestar atenção às suas tendências de mídia social.

Os recursos por trás do Allora

O conteúdo acima não menciona a tecnologia zkML mencionada no início do artigo. Parece que Allora não tem nada a ver com essa tecnologia.

Mas por trás do Allora, o antigo projeto Upshot é um contribuinte central para o desenvolvimento do Allora.

O Upshot aprimora os recursos da Allora implantando seu principal modelo de previsão de preços, que fornece informações de preços orientadas por IA para mais de 400 milhões de ativos, na rede. As previsões mais precisas do modelo têm mostrado historicamente níveis de confiança de 95-99%.

Além disso, a saída do modelo pode ser acessada via zkPredictor (A maior na rede aplicativo zkML até o momento) é fornecida para permitir que os aplicativos consumam a saída de maneira criptograficamente verificável.

Ao mesmo tempo, a Upshot também recebeu US$ 22 milhões em financiamento em 2022 liderado pela Polychain, Framework, CoinFund e Blockchain Capital. A orientação na época era usar a tecnologia para fazer avaliação de ativos NFT em tempo real. Agora, com o Elevar da IA, a pista também mudou. , mas a tecnologia acumulada anteriormente também foi aplicada ao novo Allora.

Roteiros e incentivos testnet

A julgar por informações anteriores no blog oficial da Allora, o lançamento do projeto é dividido em três etapas:

• Testnet Fase 1: meados de fevereiro de 2024
• Testnet Fase 2: meados de março de 2024
• Mainnet: início do 2º trimestre de 2024

Neste momento, parece que o progresso do projeto foi atrasado, mas ainda está na fase antes do lançamento da rede principal.

Em ordem de criar impulso e permitir que mais pessoas o usem, a Allora também lançou a primeira fase de seu plano de incentivo testnet em 17 de maio. Você também pode ganhar pontos participando de atividades na rede e fora da cadeia para ganhar mais expectativas de airdrop no futuro.

Atividades específicas que podem ganhar pontos incluem:

Atividades on-chain

1. Criar tópicos: Identificar e definir questões específicas ou áreas de interesse dentro da rede, envolvendo outros atores para desenvolver e entregar soluções.
2. Introduzir modelos de aprendizado de máquina: adicione modelos de aprendizado de máquina à rede para que outras pessoas usem.
3. Use Allora Powered Apps: participe de aplicativos e serviços que aproveitam os recursos de inteligência de máquina da Allora

Atividades fora da cadeia

1. Envolvimento da comunidade: Siga a Allora no Twitter e participe dos grupos do Discord e do Telegram.
2. Participe da comunidade: Participe de eventos e atividades selecionadas da comunidade para apoiar a rede Allora.

Atualmente, as atividades que são fáceis para os usuários comuns participarem podem ser encontradas na página do evento Galxe. Os jogadores interessados podemClique aqui para participar

De um modo geral, Allora é um projeto criptografia com certa inovação tecnológica, recursos de fundo e reutilização de capacidades. Ela pode seguir a tendência na transformação dos pontos quentes de IA e maximizar seu uso de seus recursos para expandir novas direções de negócios. Pelo menos pode garantir que atraia novas atenções. Nunca seja deixado para trás em uma guerra.

Quanto ao quão alto é o limite superior, em primeiro lugar, depende de esperar que o vento da IA volte a soprar e, em segundo lugar, depende de métodos mais operacionais do projeto no futuro.

Isenção de responsabilidade:

1. Este artigo foi reimpresso de [Techflow]. Encaminhe o título original '解读 Allora 白皮书:自我改进的去中心化 AI 网络'. Todos os direitos autorais pertencem ao autor original [TechFlow]. Se houver objeções a essa reimpressão, entre em contato com a equipe Gate Learn e eles lidarão com isso prontamente.
2. Isenção de responsabilidade: Os pontos de vista e opiniões expressos neste artigo são exclusivamente do autor e não constituem qualquer conselho de investimento.
3. As traduções do artigo para outros idiomas são feitas pela equipe do Gate Learn. A menos que mencionado, copiar, distribuir ou plagiar os artigos traduzidos é proibido.