转发原文标题《解读 Allora 白皮书：自我改进的去中心化 AI 网络》

当前市场Meme横行，AI 赛道进入了短暂的休息期。

不过随着英伟达的业绩猛增和下半年即将到来了的更多AI产业事件，加密 AI 项目仍是值得关注的标的。

目前有一个新的趋势正在崛起 —- zkML(零知识机器学习）与 AI 代理的结合。前者在确保隐私和安全的同时，验证AI计算结果的正确性；后者通过智能合约和去中心化网络，实现自动化任务执行和决策。

而一些老加密项目，则会借着这个新趋势来调整自己的业务方向，试图在新的周期中获得更多价值。

Allora Network 正是其中之一。

昨天，Allora 官宣了其最新的技术白皮书，将自己定位成一个”自我改进的去中心化AI网络”，也意味着项目业务向着叙事热点靠拢的趋势。

同时，项目也在5月份公布了其积分激励计划，无论是对于撸毛党还是 Alpha 猎手来说都有关注的价值。

在 AI 赛道已经很拥挤的情况下，Allora 有哪些独到之处？考虑到其技术白皮书较为复杂，我们对其进行了解读和分析，将关键价值点和项目简介以更加通俗的方式呈现给大家。

AI资源垄断的老问题

从Allora白皮书来看，该项目主要是针对当前AI领域的老问题：算力、算法和数据集中在少数巨头手中，资源垄断不利于机器学习（ML）达到最佳状态。

Allora认为，构建最优机器智能的关键在于最大化网络中的连接数量，让不同的数据集和算法在网络中自由组合，从而获得最相关的洞见。

因此，我们需要一种群体智能形式，能够连接大量的数据集和推理算法。

简而言之，现有的加密AI项目中，不同模型之间的合作不够好，激励方式也存在问题。模型之间要么是孤立的，要么联系得不够紧密和有效，导致最终的推理结果也不尽如人意。

Vitalik之前也提到，“需要一种更高级别的机制来评判不同AI的表现，让AI可以作为玩家参与其中。”

Allora的目标是通过更好的激励结构，让去中心化AI网络中的节点更好地协作；同时引入更多识别上下文细节的智能方式，以提高机器学习模型的效果，从而实现更高效的智能推理判断。

Allora: 引入上下文感知和差异化激励，提升模型表现

具体来看，Allora 是怎么实现一个“效果更好的去中心化AI网络”的？

关键的亮点，在于上下文感知和差异化的激励结构。这些创新使得网络能够在任何环境下，提供最佳的推断结果，同时为每个参与者的独特贡献提供公平的奖励。

但这两个词听起来有点玄乎，我们不妨先看看Allora网络的参与者。

Allora网络中的参与者包括工作者、评价者和消费者，每个角色都有其特定的职责和作用：

1. 工作者（Workers）：提供AI推断结果，并预测其他工作者推断结果的损失值。
2. 评价者（Reputers）：评估工作者提供的推断结果和预测损失值的质量。
3. 消费者（Consumers）：他们从网络请求推断结果并支付费用。

如图所示，Allora网络的三种主要参与者通过一个协调者（Topic Coordinator）进行交互：

• 消费者向网络请求推断结果，并支付费用以获取这些结果。
• 工作者提供推断结果和预测其他工作者推断结果的损失值。协调者根据这些信息进行综合，生成更准确的推断结果。
• 评价者根据工作者提供的推断结果和预测损失值，使用真实数据进行评估，确保评估的公正性，并根据其与其他评价者的共识获得奖励。

通过这三种角色的设计，实现了高效的去中心化机器智能网络，达到了优化资源利用和提升推断准确性的目标，本质上是一种通过角色分工和激励机制实现自我改进和公平奖励的设计。

明白这3类角色后，再来看 Allora 的上下文感知和差异化的激励设计，就更加容易了。

推断合成机制

Allora的推断合成机制是其实现去中心化机器智能的关键。它通过以下步骤实现：

1. 推断任务（Inference Task）：每个工作者使用自己的数据集和模型生成推断结果。
2. 预测任务（Forecasting Task）：每个工作者预测其他工作者推断结果的损失值，这些预测损失值代表工作者在当前条件下的预期表现。
3. 上下文感知推断（Context-Aware Inference）：网络使用工作者提供的预测损失值，通过加权平均生成一个上下文感知的预测推断结果。这些加权平均考虑了历史和上下文依赖的准确性。
4. 网络推断（Network Inference）：最终的网络推断通过结合工作者的推断结果和上下文感知的预测推断结果生成。

这种机制的关键在于，它不仅像其他加密项目那样考核模型历史准确性，还考虑了当前上下文，从而实现了最佳的推断组合，提升了整体网络的智能水平。

差异化奖励机制

同时，Allora引入差异化的奖励机制，以确保每个参与者的贡献得到公平的认可：

1. 工作者奖励：根据他们对推断和预测任务的贡献进行分配，激励他们提供高质量的数据和预测。
2. 评价者奖励：基于其与共识的接近程度和持有股份分配奖励，确保评价的准确性和公平性。
3. 整体奖励分配：奖励机制不仅鼓励参与者的积极贡献，还通过去中心化的设计，避免了单一参与者过度集中的情况。

目前 Allora 上正在使用的一些解决方案：

• AI 价格预测：提供对高级金融原语至关重要的精确、实时资产价格信息。
• 由人工智能驱动的保险库：使开发人员能够实施先进的 DeFi 策略并提高收益潜力。
• 人工智能风险建模：允许协议构建更安全的系统来应对外来风险。
• AnyML：提供任何机器学习模型的轻松集成，以便任何人（不仅仅是机器学习工程师）都可以使用分散式 AI 构建更强大的产品。

代币经济

Allora网络使用其原生代币ALLO来促进网络参与者之间的价值交换。ALLO代币的具体用途包括：

1. 购买推断结果：用户可以使用ALLO代币购买由网络生成的推断结果。Allora采用“你愿意支付多少”（PWYW）的模型，允许用户自主决定为推断支付的ALLO费用。
2. 支付参与费用：ALLO代币可以用于支付创建主题或参与网络（作为工作者、评价者或网络验证者）的费用。参与费用是可变的。
3. 质押：评价者和网络验证者可以使用ALLO代币进行质押，其他代币持有者也可以将其代币委托给评价者或网络验证者。质押的评价者、验证者及其委托者将获得ALLO奖励。
4. 奖励支付：网络使用ALLO代币向参与者支付奖励。对于工作者，这些奖励与他们对网络准确性的独特贡献成比例。对于评价者和网络验证者，这些奖励与其质押和共识成比例。

代币价值

Allora网络中的代币经济设计旨在确保代币的内在价值和稳定性：

1. 费用收入：所有网络收取的费用将添加到网络库房，用于支付奖励发放。这意味着在实际操作中，网络库房将比单纯的指数衰减速度更慢，从而维持高APY
2. 代币回收：网络使用收取的费用首先支付奖励，然后再铸造新代币。这意味着根据市场动态，ALLO的流通量可以增加（对应于通货膨胀）或减少（对应于通货紧缩）
3. 平滑发行机制：通过应用指数移动平均线，代币的发行得以平滑，从而在主要代币解锁时避免APY的急剧下降，确保代币持有者继续质押其代币。

不过，白皮书中没有提到代币的发售日期和细节，更多信息还需要关注其社媒动向

Allora 背后的资源

上述内容中其实还没有提到文章开头说的zkML技术，似乎Allora 与这一技术毫无关系。

但在 Allora 背后，老项目 Upshot 是 Allora 开发的核心贡献者。

Upshot 通过在网络上部署其旗舰价格预测模型来增强 Allora 的功能，该模型为超过 4 亿种资产提供人工智能驱动的价格信息。该模型中最准确的预测历来显示置信度为 95-99%。

此外，该模型的输出可以通过 zkPredictor （迄今为止最大的链上 zkML 应用程序）提供，使应用程序能够以加密可验证的方式使用输出。

同时，Upshot 也在22年拿到了由 Polychain、Framework、CoinFund和 Blockchain Capital 领头的2200万美金融资，当时的方向是利用技术做实时的NFT资产评价，目前随着AI的兴起赛道也随之转换，但之前积累的技术则也运用到了新的Allora上。

Roadmap 和测试网激励

从Allora 官方博客之前的信息看，项目的上线分为三个阶段：

• 测试网第一阶段：2024 年 2 月中旬
• 测试网第二阶段：2024 年 3 月中旬
• 主网：2024 年第二季度初

眼下时间点看起来项目进度有所延缓，但仍在主网上线之前的阶段。

为了配合造势和让更多人使用，Allora 在5月17日也推出了其第一阶段的测试网激励计划，参与链上下活动也可以赚取积分，以博取后续更多的空投预期。

具体能够获得积分的活动有：

链上活动

1. 创建主题：识别和定义网络内特定问题或感兴趣的领域，吸引其他参与者开发和提供解决方案。
2. 引入机器学习模型：将机器学习模型添加到网络中供其他人使用。
3. 使用 Allora 支持的应用程序：参与利用 Allora 机器智能功能的应用程序和服务

链下活动

1. 社区参与：在 Twitter 上关注 Allora，加入 Discord 和 Telegram 群组。
2. 参与社区活动：参与精选的社区活动和活动以支持 Allora 网络。

目前，普通用户容易参与的活动都可以在 Galxe 活动页面上找到，感兴趣的玩家可以点击此处参与

总体来说，Allora 属于有一定技术创新、背景资源和能力复用的加密项目，在 AI 热点转换中能够跟随趋势，最大化利用自己的能力来拓展新业务方向，至少可以保证在新的注意力战争中不掉队。

而至于上限有多高，一是等AI的风重新吹来，二则取决于项目后续更多的运营玩法。

声明：

1. 本文转载自[techflow]，原文标题《解读 Allora 白皮书：自我改进的去中心化 AI 网络》，著作权归属原作者[深潮 TechFlow]，如对转载有异议，请联系Gate Learn团队，团队会根据相关流程尽速处理。
2. 免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。
3. 文章其他语言版本由Gate Learn团队翻译， 在未提及Gate.io的情况下不得复制、传播或抄袭经翻译文章。