聚焦 Allora 的結構和願景：區塊鏈如何解決人工智能長尾問題？

作者：Tranks，DeSpread

免責聲明：本報告的內容反映了各自作者的觀點，僅供參考，並不構成購買或出售代幣或使用協議的建議。 本報告中的任何內容均不構成投資建議，也不應被理解為投資建議。

1. 引言

自以 ChatGPT 為代表的生成式人工智能出現以來，AI 技術迅速發展，企業對 AI 產業的參與和投資也不斷增加。近期 AI 不僅在產生特定輸出方面表現優異，在大規模資料處理、模式識別、統計分析、預測建模等方面也有出色表現，使得 AI 在各行各業的應用範圍不斷擴大。

• JP Morgan：聘請超過 600 位 ML 工程師，開發和測試超過 400 個 AI 技術使用案例，包括演算法交易、詐欺預測和現金流量預測等。

• Walmart：分析季節性和區域銷售歷史，以預測產品需求並優化庫存。

• Ford 汽車：分析車輛感應器資料，以預測零件故障並通知客戶，防止因零件故障而造成的事故。

近期，將區塊鏈生態與 AI 結合的趨勢越來越明顯，其中 DeFi 協議與 AI 結合的 DeFAI 領域尤其受到關注。

此外，直接將 AI 融入協議運行機制的案例也越來越多，使得 DeFi 協議的風險預測和管理變得更有效率，並引入了之前無法實現的新型金融產品服務。

延伸閱讀：「AI 敘事升溫，DeFi 如何從中受益？」

然而，由於大量的資訊訓練和專業的 AI 技術的進入門檻較高，建立專用於特定功能的 AI 模型目前仍被幾個大型企業和 AI 專家所壟斷。

因此，其他行業和小型初創公司在採用 AI 方面面臨重大困難，而區塊鏈生態 dApp 也面臨相同的限制。由於 dApp 必須維持不需要信任第三方的「無信任」核心價值，就必須有一個去中心化的 AI 基礎架構，才能讓更多的協議採用 AI，以提供用戶可以信任的服務。

在這樣的背景下，Allora旨在實現自我完善的去中心化 AI 基礎架構，並支持希望將 AI 安全整合至其服務的項目。

2. Allora，去中心化推理合成網路

Allora是一個去中心化推理網路，可針對不同實體所要求的特定主題，預測並提供未來數值。實作分散式 AI 推論的方法主要有兩種：

• 單一模型/分散式處理：以去中心化的方式進行模型訓練與推論流程，建立分散式單一 AI 模型。

• 多模型/推論合成：從多個預先訓練的 AI 模型中收集推論結果，並將它們合成為單一推論結果。

在這兩種方法中，Allora 採用了多模型/推論合成的方法，AI 模型操作員可以自由參與 Allora 網路，針對特定主題的預測請求執行推論，而協議將根據這些操作員所得出的推論值合成的單一預測結果來回應請求者的請求。

在合成 AI 模型的推論值時，Allora 並不是單純的計算每個模型所得出的推論的平均值，而是通過為每個模型分配權重來得出最終的推論值。隨後，Allora 會比較每個模型所得出的推論值和該主題的實際結果，並藉由賦予推論值與實際結果值相近的模型更高的權重與獎勵來執行自我改善，以提高推論的精確度。

通過這種方法，Allora 可以執行比單一模型/分散處理方法建立的 AI 更專業和針對特定主題的推論。為了鼓勵更多 AI 模型參與協議，Allora 提供開放原始碼架構 Allora MDK (Model Development Kit)，以協助任何人輕鬆建立並部署使用 AI 模型。

此外，Allora 也為想要使用 Allora 推論資料的用戶提供兩個 SDK ，Allora Network Python和 TypeScript SDK。這些 SDK 提供用戶一個可以輕鬆整合和使用 Allora 所提供的資料的環境。

Allora 的目標是成為連接 AI 模型和需要推論資料的協議的中間層，通過提供 AI 模型營運者創造營收的機會，同時為服務和協議搭建一個沒有偏見的資料基礎架構。

接下來，我們將探討 Allora 的通訊協議架構，以近一步瞭解 Allora 的運作方式及特色。

2.1. 通訊協議架構

在 Allora 中，任何人都可以設定和部署特定的主題，而在執行推論和獲得特定主題的最終推論值的過程中，有四個參與者：

• 消費者 (Consumers)：付費請求推論特定主題。

• 工作者 (Workers)：使用其資料庫操作 AI 模型並執行消費者要求的特定主題的推論。

• Reputers：通過比較和對照工作者所推論的資料與實際數值來進行評估。

• 驗證者 (Validators)：操作 Allora 網路節點，處理並記錄每個參與者所產生的交易。

Allora 網路的結構分為推論執行者、評估者和驗證者，並以網路代幣 $ALLO 為中心。$ALLO 用來作為推論請求的費用和推論執行的獎勵，連接網路參與者，同時通過質押來確保安全性。

我們接下來會根據每個 Layer 的功能詳細檢視各個參與者之間的互動，包括推論消耗層、推論合成層和共識層。

2.1.1. 推論消耗層

推論消費層處理協議參與者與 Allora 之間的互動，包括主題建立、主題參與者管理和推論請求。

希望建立主題的用戶可以與 Allora 的主題與推論管理系統 (Topic Coordinator) 進行互動，通過支付一定額數的 $ALLO 並制定規則來定義想要推論的內容、如何驗證實際結果，以及評估工作者所得出的推論值。

一旦建立了主題，工作者和 Reputers 就可以使用 $ALLO 支付註冊費，註冊成該主題的推理參與者。Reputers 必須額外在該主題中投入一定額度的 $ALLO，讓自己暴露在惡意結果可能會帶來的資產削減（Asset Slashing）風險中。

當主題建立、工作者與 Reputers 註冊後，消費者可以向主題支付 $ALLO 來請求推論，而工作者與 Reputers 將會收到這些主題請求費用作為推論的獎勵。

2.1.2. 推論與合成層

推論與合成層是 Allora 用來產生去中心化推論的核心層，在這裡，工作者會執行推論，Reputers 會評估表現，並根據這些評估進行權重設定與推論合成。

Allora 網路中的工作者不僅要針對消費者要求的主題提交推論值，還需要評估其他工作者推論的準確性，並根據這些評估得出「預測損失」（Forecasted Losses）。這些預測損失會反映在推論綜合所需的權重計算中，當工作者的推論準確並且準確的預測其他工作者的推論準確度時時，工作者就會獲得較高的獎勵。通過這種結構，Allora 可以推導出考慮各種情境的推論綜合權重，而不是隻有工作者過去的表現。

Workers' inference accuracy prediction for context awareness

Source: Allora Docs

舉例來說，在預測 Bitcoin 一小時後價格的主題中，我們假設工作者 A 和 B 的情況如下：

• 工作者 A：平均推論精確度高達 90%，但在市場不穩定的情況下，準確度會降低。

• 工作者 B：平均推論精確度為 80%，但在市場波動的情況下仍維持相對較高的精確度。

如果當前市場高度波動，而多位工作者預測「工作者 B 在波動情況下的優勢，他們在此預測中只會有約 5% 的誤差」，並同時預測「工作者 A 在此波動情況下預計會有約 15% 的誤差」的話，儘管工作者 B 的平均歷史績效較低，Allora 仍會為其在此預測中的推論賦予較高的權重。

主題協調者使用通過此流程得出的最終權重綜合推論，並將最終推論值提供給消費者。此外，該過程中會根據工作者提交的推論值分佈計算並提供置信區間 (Confidence Intervals)。隨後，Reputers 將實際結果與最終推論值進行比較，以評估每位工作者的推論表現並預測其他工作者推論準確度的準確性，根據質押共識比例調整工作者的權重。

Allora 通過此方法進行推論綜合與評估，尤其其「情境認知」結構，讓每個工作者都能評估其他工作者的推論準確度，使 Allora 能針對各種情況推導出最佳化的推論值，有助於提高推論準確度。此外，隨著工作者推論效能資料的累積，情境感知功能的運作效率也會提高，讓 Allora 的推論功能更有效的自我改善。

Allora's inference synthesis process

Source: Allora Docs

Allora 的共識層是進行主題權重計算、網路獎勵分發和記錄參與者活動的地方，建立在基於 CometBFT 和 DPoS 共識機制的 Cosmos SDK 上。

用戶可通過鑄造 $ALLO 代幣和操作節點，以驗證者身份參與 Allora 網路，收取 Allora 參與者提交的交易費用，來作為操作網路和確保安全性的報酬。即使沒有操作節點，用戶也可以通過將其 $ALLO 委託給驗證者，間接獲得這些獎勵。

此外，Allora 的特色是向網路參與者分發 $ALLO 獎勵，新解鎖與分發的 $ALLO 有 75% 分發給參與主題推論的工作者與 Reputers，其餘 25% 則分發給驗證者。當所有的 $ALLO 都發佈完畢後，這些通膨獎勵就會停止，並且遵循解鎖數量逐漸減半的結構。

當 75% 的通貨膨脹獎勵分發給工作者和 Reputers 時，分發比例不僅取決於工作者的表現和 Reputers 的質押，還取決於主題權重。主題權重是根據參與該主題的 Reputers 的質押額和費用收入來計算，從而激勵工作者和 Reputers 繼續參與具有高需求和高穩定性的主題。

3. 從鏈上到各行各業

3.1. 即將推出的 Allora 主網

Allora 於 2025 年 1 月 10 日成立 Allora 基金會，在完成超過 300,000 名參與工作者的公開測試網後，正加速主網的推出。截至 2 月 6 日，Allora 通過進行 Allora Model Forge Competition，為即將推出的主網挑選 AI 模型創作者。

Allora Model Forge Competition categories

Source: Allora Model Forge Competition

此外，Allora 在主網推出之前，也與多數項目建立了合作關係。Allora 的主要合作關係及其提供的功能如下：

• Plume：在 Plume 網路上提供 RWA 價格、即時 APY 和風險預測。

• Story Protocol：提供 IP 價值評估與潛在分析、非流通性鏈上資產的價格資訊、併為基於 Story Protocol 的 DeFi 項目提供 Allora 推論。

• Monad：為缺乏流動性的鏈上資產提供價格資訊，併為基於 Monad 的 DeFi 項目提供 Allora 推論。

• 0xScope：使用 Allora 的情境感知功能，支持鏈上助理 AI Jarvis 的開發。

• Virtuals Protocol：通過將 Allora 推論與 Virtual Protocol 的 G.A.M.E 框架整合，增強代理性能。

• Eliza OS（前身為 ai16z）：通過將 Allora 推理與 Eliza OS 的 Eliza 框架整合，增強代理性能。

目前，Allora 的合作伙伴主要集中在 AI/加密貨幣項目，反映出兩個關鍵因素：1) 加密貨幣項目對去中心化推論的需求，以及 2) AI 模型執行推論所需的鏈上資料的需求。

對於早期的主網發佈，Allora 預計會分配大量的通貨膨脹獎勵來吸引參與者。為了鼓勵這些通貨膨脹獎勵所吸引的參與者持續活動，Allora 需要為 $ALLO 維持適當的價值。然而，由於通貨膨脹獎勵會隨著時間逐漸減少，長期的挑戰將會是通過增加推論需求來產生足夠的網路交易費用，以激勵持續參與協議。

因此，要評估 Allora 的潛在成功，關鍵在於 Allora 的短期 $ALLO 升值策略，以及促進推論需求來確保穩定且長期的費用收入的能力。

4. 結論

隨著 AI 技術的進步和實用性成長，AI 推理的採用與實作也在多數的產業中積極發展。然而，採用 AI 所需的資源密集性正在擴大已成功導入 AI 的大型企業與尚未成功導入的小型公司之間的競爭差距。在這種環境下，對於 Allora 的功能 (提供主題最佳化推論，並通過分散化自我改善資料精確度) 的需求，預計將逐漸增加。

Allora 的目標是成為各行各業都能廣泛採用的去中心化推論基礎架構，而實現這一目標需要證明功能的有效性和永續性。為了證明這一點，Allora 需要在主網發佈後獲得足夠的工作者和 Reputers，並確保這些網路參與者獲得可持續的獎勵。

如果 Allora 成功解決這些挑戰，並獲得各行各業的採用，它不僅能證明區塊鏈作為重要 AI 基礎架構的潛力，還能成為一個重要範例，展示 AI 與區塊鏈技術可以如何作結合來帶來真正的價值。