轉發原標題 '解說 Allora 白皮書：自我改進的去中心化 AI 網络'

Meme目前在市場上猖獗，AI賽道進入空休息期。

不過，隨著英偉達業績的飆升，以及下半年更多AI行業事件的到來，加密AI專案仍然值得關注。

漲有一個新趨勢——zkML（零知識機器學習）和AI代理的結合。前者在保證隱私和安全的同時驗證AI計算結果的正確性;後者通過智能合約和分散的網路實現自動化的任務執行和決策。

一些老加密專案會利用這一新趨勢調整業務方向，試圖在新週期中獲得更多價值。

Allora Network就是其中之一。

昨日，Allora正式發佈最新技術白皮書，將自己定位為“自強去中心化AI網络”也意味著專案業務正在向敘事熱點靠攏。

同時，該專案還在5月公佈了積分激勵計劃，無論是美髮愛好者還是阿爾法獵人都非常感興趣。

由於AI賽道已經很擁擠，是什麼讓Allora與眾不同？考慮到其技術白皮書比較複雜，我們對它進行了解釋和分析，並以更通俗的方式為您呈現了關鍵價值點和項目介紹。

AI資源壟斷的老問題

從Allora白皮書來看，該專案主要針對當前AI領域的老問題：算力、演演演算法和數據集中在少數巨頭手中，資源壟斷不利於機器學習（ML）的最佳狀態。

Allora認為，構建最佳機器智慧的關鍵是最大化網路中的連接數量，允許不同的數據集和演演演算法在網路中自由組合，以獲得最相關的見解。

因此，我們需要一種可以連接大型數據集和推理演演演算法的群體智慧形式。

空，在現有的加密AI專案中，不同模型之間的合作不夠好，激勵方式也存在問題。這些模型要麼是孤立的，要麼是聯繫不夠緊密且不夠有效，導致最終推理結果不盡如人意。

Vitalik之前也提到，“需要一個更高層次的機制來判斷不同AI的表現，以便AI可以作為玩家參與其中。

Allora的目標是通過更好的激勵結構，使去中心化AI網路中的節點能夠更好地協作;同時引入更智慧的方法來識別上下文細節，以提高機器學習模型的有效性，從而實現更高效的智慧推理和判斷。

Allora：引入上下文感知和差異化激勵以提高模型性能

具體來說，Allora如何實現「更好的去中心化AI網路」？

關鍵亮點是情境感知和差異化的激勵結構。這些創新使網路能夠在任何環境中提供最佳推理結果，同時為每個參與者的獨特貢獻提供公平的獎勵。

但這兩個字聽起來有點神秘。我們不妨先看看Allora網路的參與者。

Allora 網路的參與者包括工作人員、評估員和消費者，每個角色都有其特定的職責和角色：

1. 工作線程：提供AI推理結果，預測其他工作線程推理結果的損失值。
2. 信譽：評估工作人員提供的推理結果和預測損失值的品質。
3. 消費者：他們請求並付費從網路推斷結果。

網路通過協調器（主題協調器）進行交互：

• 消費者從網路請求推理結果，並支付費用來獲取它們。
• 工作線程提供推理結果和損失值，用於預測其他工作線程的推理結果。協調器綜合此資訊以生成更準確的推理結果。
• 評估者基於工作人員提供的推理結果和預測損失值，使用真實數據進行評估，以確保評估的公平性，並根據他們與其他評估者的共識進行獎勵。

通過這三個角色的設計，實現高效的去中心化機器智慧網路，達到優化資源利用率、提高推理精度的目標。它本質上是一個通過角色劃分和激勵機制實現自我完善和公平獎勵的系統。設計。

瞭解了這三類角色后，就更容易看出了Allora的情境感知和差異化激勵設計。

推斷合成機制

Allora 的推理合成機制是其實現去中心化機器智能的關鍵。它是通過以下步驟實現的：

1. 推理任務：每個工作線程使用自己的數據集和模型生成推理結果。
2. 預測任務：每個工作線程預測其他工作線程推理結果的損失值。這些預測損失值表示工作人員在當前條件下的預期績效。
3. 情境感知推理：網路使用工作人員提供的預測損失值，通過加權平均值生成情境感知預測推理結果。這些加權平均值考慮了帳戶歷史和上下文相關的準確性。
4. 網路推理：通過將工作人員的推理結果與上下文感知的預測推理結果相結合，生成最終的網路推理。

這種機制的關鍵在於，它不僅像其他加密項目一樣評估模型的歷史準確性，而且還帳戶當前上下文，從而實現推理的最佳組合，提高整個網路的智慧。

差異化獎勵機制

同時，Allora引入差異化獎勵機制，確保每個參與者的貢獻得到公平認可：

1. 員工獎勵：根據他們對推理和預測任務的貢獻進行分配，激勵他們提供高質量的數據和預測。
2. 審稿人獎勵：根據其與共識的接近程度和持有的份額分配獎勵，以確保評估的準確性和公平性。
3. 整體獎勵分配：獎勵機制既鼓勵參與者的積極貢獻，又通過分散化設計避免單一參與者過度集中。

目前在 Allora 上使用的一些解決方案：

• AI價格預測：提供對高級金融原語至關重要的精確、實時的資產價格資訊。
• 由人工智慧提供支援的保險庫：使開發人員能夠實施高級去中心化金融策略並提高收入潛力。
• 人工智慧風險建模：允許協定構建更安全的系統來應對外部風險。
• AnyML：提供任何機器學習模型的輕鬆集成，以便任何人（不僅僅是機器學習工程師）都可以使用去中心化的 AI 構建更強大的產品。

代幣經濟

Allora 網路使用其原生代幣 ALLO 來促進網路參與者之間的價值交易所。ALLO代幣的具體用途包括：

1. 購買推理結果：使用者可以使用 ALLO 代幣購買網路生成的推理結果。Allora 採用“你願意支付什麼”（PWYW）模式，允許使用者獨立決定為推理支付的 ALLO 費用。
2. 支付參與費：ALLO代幣可用於支付創建主題或參與網路的費用（作為工作人員，評估者或網路驗證者）。參加費是可變的。
3. 質押：評估者和網路驗證者可以使用ALLO代幣進行質押，其他代幣持有者也可以將其代幣委託給評估者或網路驗證者。質押評估者、驗證者及其委託人將獲得 ALLO 獎勵。
4. 獎勵支付：網路使用 ALLO 代幣向參與者支付獎勵。對於工人來說，這些獎勵與他們對網路準確性的獨特貢獻成正比。對於評分者和網路驗證者，這些獎勵與他們質押和共識成正比。

代幣值

Allora網路中的代幣經濟學旨在確保代幣的內在價值和穩定性：

1. 費用收入：網路收取的所有費用將添加到網路金庫中，以支付獎勵發行。這意味著在實踐中，Network Depot 的衰減速度將比簡單的指數衰減慢，保持較高的 APY
2. 代幣回收：從網路使用中收取的費用首先在鑄造新代幣之前支付獎勵。這意味著根據市場動態，ALLO的流通供應量可以增加（對應於通貨膨脹）或減少（對應於通貨緊縮）
3. 平滑發行機制：通過應用指數移動平均線，代幣發行被平滑，從而避免在主代幣解鎖時APY急劇降低，確保代幣持有者繼續質押他們的代幣。
   

但是，白皮書沒有提到令牌的發佈日期和細節。有關更多資訊，您需要關注其社交媒體趨勢。

Allora 背後的資源

上面的內容實際上並沒有提到文章開頭提到的 zkML 技術。似乎Allora與這項技術無關。

但在Allora的背後，舊專案Upshot是Allora開發的核心貢獻者。

Upresult 通過在網路上部署其旗艦價格預測模型來增強 Allora 的能力，該模型為超過 4 億項資產提供人工智慧驅動的價格資訊。該模型最準確的預測歷來顯示95-99%的置信水準。

此外，可以通過 zkPredictor（迄今為止最大的 zkML 應用程式）訪問模型的輸出，以使應用程式能夠以加密可驗證的方式使用輸出。

與此同時，Upshot還在2022年獲得了由Polychain，Framework，CoinFund和區塊鏈 Capital領投的2200萬美元融資。當時的方向是利用技術進行即時NFT資產評估。現在隨著人工智慧的漲，賽道也發生了變化。，但之前積累的技術也已經應用到了新款Allora上。

路線圖和測試網激勵

從之前Allora官方博客上的資訊來看，該專案的啟動分為三個階段：

• 測試網 第一階段：2024年2月中旬
• 測試網 第二階段：2024年3月中旬
• 主網：2024年第二季度初

在這個時間點上，似乎專案進度已經延遲，但仍處於主網上線前的階段。

單子為了造勢，讓更多人使用它，Allora還於5月17日啟動了第一階段的測試網激勵計劃。您還可以通過參加鏈上和鏈下活動來賺取積分，以在未來獲得更多空投期望。

可以賺取積分的具體活動包括：

鏈上活動

1. 創建主題：確定和定義網路中的具體問題或感興趣的領域，讓其他參與者參與開發和提供解決方案。
2. 引入機器學習模型：將機器學習模型添加到網路供其他人使用。
3. 使用 Allora 提供支援的應用：參與利用 Allora 機器智慧功能的應用和服務

鏈下活動

1. 社區參與：在Twitter上關注Allora並加入Discord和Telegram群組。
2. 參與社區：參與選定的社區事件和活動，以支撐Allora網路。

目前，普通使用者容易參與的活動可以在Galxe活動頁面上找到。有興趣的玩家可以< href=“https://app.galxe.com/quest/HB6QSxwcfA3i6P53eVskJW/GCps2tzW3B?utm_medium=galxe&utm_campaign=points”>點擊這裡參加

一般來說，Allora是一個具有一定技術創新、背景資源和能力複用的加密專案。它可以順應AI熱點轉型的趨勢，最大限度地利用其能力拓展新的業務方向。至少它可以確保它吸引新的關注。在戰爭中永遠不要掉隊。

至於上限有多高，一是要等AI風再吹，二要看未來專案更多的操作方式。

免責聲明：

1. 本文轉載自 [Techflow]。轉發原標題 '解說 Allora 白皮書：自我進步的去中心化 AI 網络'.所有版權均屬於原作者[TechFlow]。如果對此轉載有異議，請聯繫Gate Learn團隊，他們會及時處理。
2. 免責聲明：本文中表達的觀點和意見僅代表作者的觀點和意見，不構成任何投資建議。
3. 文章到其他語言的翻譯由Gate Learn團隊完成。除非另有說明，否則禁止複製、分發或抄襲翻譯后的文章。