解讀 Allora 白皮書：自我改進的去中心化 AI 網絡

撰文：深潮 TechFlow

當前市場Meme橫行，AI 賽道進入了短暫的休息期。

不過隨著英偉達的業績猛增和下半年即將到來了的更多AI產業事件，加密 AI 項目仍是值得關注的標的。

目前有一個新的趨勢正在崛起 --- zkML(零知識機器學習）與 AI 代理的結合。前者在確保隱私和安全的同時，驗證AI計算結果的正確性；後者通過智能合約和去中心化網絡，實現自動化任務執行和決策。

而一些老加密項目，則會藉著這個新趨勢來調整自己的業務方向，試圖在新的週期中獲得更多價值。

Allora Network 正是其中之一。

昨天，Allora 官宣了其最新的技術白皮書，將自己定位成一個"自我改進的去中心化AI網絡"，也意味著項目業務向著敘事熱點靠攏的趨勢。

同時，項目也在5月份公佈了其積分激勵計劃，無論是對於擼毛黨還是 Alpha 獵手來說都有關注的價值。

在 AI 賽道已經很擁擠的情況下，Allora 有哪些獨到之處？考慮到其技術白皮書較為複雜，我們對其進行了解讀和分析，將關鍵價值點和項目簡介以更加通俗的方式呈現給大家。

AI資源壟斷的老問題

從Allora白皮書來看，該項目主要是針對當前AI領域的老問題：算力、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）達到最佳狀態。

Allora認為，構建最優機器智能的關鍵在於最大化網絡中的連接數量，讓不同的數據集和算法在網絡中自由組合，從而獲得最相關的洞見。

因此，我們需要一種群體智能形式，能夠連接大量的數據集和推理算法。

簡而言之，現有的加密AI項目中，不同模型之間的合作不夠好，激勵方式也存在問題。模型之間要麼是孤立的，要麼聯繫得不夠緊密和有效，導致最終的推理結果也不盡如人意。

Vitalik之前也提到，“需要一種更高級別的機制來評判不同AI的表現，讓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，讓去中心化AI網絡中的節點更好地協作；同時引入更多識別上下文細節的智能方式，以提高機器學習模型的效果，從而實現更高效的智能推理判斷。

Allora: 引入上下文感知和差異化激勵，提升模型表現

具體來看，Allora 是怎麼實現一個“效果更好的去中心化AI網絡”的？

關鍵的亮點，在於上下文感知和差異化的激勵結構。這些創新使得網絡能夠在任何環境下，提供最佳的推斷結果，同時為每個參與者的獨特貢獻提供公平的獎勵。

但這兩個詞聽起來有點玄乎，我們不妨先看看Allora網絡的參與者。

Allora網絡中的參與者包括工作者、評價者和消費者，每個角色都有其特定的職責和作用：

1. 工作者（Workers）：提供AI推斷結果，並預測其他工作者推斷結果的損失值。

2. 評價者（Reputers）：評估工作者提供的推斷結果和預測損失值的質量。

3. 消費者（Consumers）：他們從網絡請求推斷結果並支付費用。

如圖所示，Allora網絡的三種主要參與者通過一個協調者（Topic Coordinator）進行交互：

• 消費者向網絡請求推斷結果，並支付費用以獲取這些結果。

• 工作者提供推斷結果和預測其他工作者推斷結果的損失值。協調者根據這些信息進行綜合，生成更準確的推斷結果。

• 評價者根據工作者提供的推斷結果和預測損失值，使用真實數據進行評估，確保評估的公正性，並根據其與其他評價者的共識獲得獎勵。

通過這三種角色的設計，實現了高效的去中心化機器智能網絡，達到了優化資源利用和提升推斷準確性的目標，本質上是一種通過角色分工和激勵機制實現自我改進和公平獎勵的設計。

明白這3類角色後，再來看 Allora 的上下文感知和差異化的激勵設計，就更加容易了。

推斷合成機制

Allora的推斷合成機制是其實現去中心化機器智能的關鍵。它通過以下步驟實現：

1. 推斷任務（Inference Task）：每個工作者使用自己的數據集和模型生成推斷結果。

2. 預測任務（Forecasting Task）：每個工作者預測其他工作者推斷結果的損失值，這些預測損失值代表工作者在當前條件下的預期表現。

3. 上下文感知推斷（Context-Aware Inference）：網絡使用工作者提供的預測損失值，通過加權平均生成一個上下文感知的預測推斷結果。這些加權平均考慮了歷史和上下文依賴的準確性。

4. 網絡推斷（Network Inference）：最終的網絡推斷通過結合工作者的推斷結果和上下文感知的預測推斷結果生成。

這種機制的關鍵在於，它不僅像其他加密項目那樣考核模型歷史準確性，還考慮了當前上下文，從而實現了最佳的推斷組合，提升了整體網絡的智能水平。

差異化獎勵機制

同時，Allora引入差異化的獎勵機制，以確保每個參與者的貢獻得到公平的認可：

1. 工作者獎勵：根據他們對推斷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. 評價者獎勵：基於其與共識的接近程度和持有股份分配獎勵，確保評價的準確性和公平性。

3. 整體獎勵分配：獎勵機制不僅鼓勵參與者的積極貢獻，還通過去中心化的設計，避免了單一參與者過度集中的情況。

目前 Allora 上正在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、實時資產價格信息。

• 由人工智能驅動的保險庫：使開發人員能夠實施先進的 DeFi 策略並提高收益潛力。

• 人工智能風險建模：允許協議構建更安全的系統來應對外來風險。

• 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）都可以使用分散式 AI 構建更強大的產品。

代幣經濟

Allora網絡使用其原生代幣ALLO來促進網絡參與者之間的價值交換。ALLO代幣的具體用途包括：

1. 購買推斷結果：用戶可以使用ALLO代幣購買由網絡生成的推斷結果。Allora採用“你願意支付多少”（PWYW）的模型，允許用戶自主決定為推斷支付的ALLO費用。

2. 支付參與費用：ALLO代幣可以用於支付創建主題或參與網絡（作為工作者、評價者或網絡驗證者）的費用。參與費用是可變的。

3. 質押：評價者和網絡驗證者可以使用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價者或網絡驗證者。質押的評價者、驗證者及其委託者將獲得ALLO獎勵。

4. 獎勵支付：網絡使用ALLO代幣向參與者支付獎勵。對於工作者，這些獎勵與他們對網絡準確性的獨特貢獻成比例。對於評價者和網絡驗證者，這些獎勵與其質押和共識成比例。

代幣價值

Allora網絡中的代幣經濟設計旨在確保代幣的內在價值和穩定性：

1. 費用收入：所有網絡收取的費用將添加到網絡庫房，用於支付獎勵發放。這意味著在實際操作中，網絡庫房將比單純的指數衰減速度更慢，從而維持高APY

2. 代幣回收：網絡使用收取的費用首先支付獎勵，然後再鑄造新代幣。這意味著根據市場動態，ALLO的流通量可以增加（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，代幣的發行得以平滑，從而在主要代幣解鎖時避免APY的急劇下降，確保代幣持有者繼續質押其代幣。

不過，白皮書中沒有提到代幣的發售日期和細節，更多信息還需要關注其社媒動向

Allora 背後的資源

上述內容中其實還沒有提到文章開頭說的zkML技術，似乎Allora 與這一技術毫無關係。

但在 Allora 背後，老項目 Upshot 是 Allora 開發的核心貢獻者。

Upshot 通過在網絡上部署其旗艦價格預測模型來增強 Allora 的功能，該模型為超過 4 億種資產提供人工智能驅動的價格信息。該模型中最準確的預測歷來顯示置信度為 95-99%。

此外，該模型的輸出可以通過 zkPredictor （迄今為止最大的鏈上 zkML 應用程序）提供，使應用程序能夠以加密可驗證的方式使用輸出。

同時，Upshot 也在22年拿到了由 Polychain、Framework、CoinFund和 Blockchain Capital 領頭的2200萬美金融資，當時的方向是利用技術做實時的NFT資產評價，目前隨著AI的興起賽道也隨之轉換，但之前積累的技術則也運用到了新的Allora上。

Roadmap 和測試網激勵

從Allora 官方博客之前的信息看，項目的上線分為三個階段：

• 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

眼下時間點看起來項目進度有所延緩，但仍在主網上線之前的階段。

為了配合造勢和讓更多人使用，Allora 在5月17日也推出了其第一階段的測試網激勵計劃，參與鏈上下活動也可以賺取積分，以博取後續更多的空投預期。

具體能夠獲得積分的活動有：

鏈上活動

1. 創建主題：識別和定義網絡內特定問題或感興趣的領域，吸引其他參與者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絡中供其他人使用。

3. 使用 Allora 支持的應用程序：參與利用 Allora 機器智能功能的應用程序和服務

鏈下活動

1. 社區參與：在 Twitter 上關注 Allora，加入 Discord 和 Telegram 群組。

2. 參與社區活動：參與精選的社區活動和活動以支持 Allora 網絡。

目前，普通用戶容易參與的活動都可以在 Galxe 活動頁面上找到，感興趣的玩家可以點擊此處參與

總體來說，Allora 屬於有一定技術創新、背景資源和能力複用的加密項目，在 AI 熱點轉換中能夠跟隨趨勢，最大化利用自己的能力來拓展新業務方向，至少可以保證在新的注意力戰爭中不掉隊。

而至於上限有多高，一是等AI的風重新吹來，二則取決於項目後續更多的運營玩法。