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 pista 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 são dignos de atenção.

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

Alguns projetos de encriptação 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 críticos narrativos.

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

Como a pista de IA já está lotada, o que torna Allora único? Considerando que seu white paper técnico é relativamente complexo, nós o interpretamos e analisamos, e apresentamos os principais pontos de valor e 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 visa principalmente problemas antigos no campo atual da 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).

A Allora acredita que a chave para construir 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.

Além curto, nos projetos de IA encriptados existentes, a cooperação entre diferentes modelos não é suficientemente boa, existindo também problemas com os métodos de incentivo. Os modelos são isolados ou não estão intimamente ligados e são suficientemente eficazes, resultando em resultados de raciocínio final insatisfatórios.

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

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

Allora: Introduzindo consciência de contexto e incentivos diferenciados para melhorar o desempenho do modelo

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

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

Mas estas 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 os 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 Temático):

• consumerRequest inference results from the network e pague uma taxa para obtê-los.
• workerFornece 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 nos valores de perda previstos fornecidos pelos trabalhadores, as avaliações são conduzidas usando dados reais para garantir a equidade da avaliação e são recompensadas com base no seu consenso com outros avaliadores.

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

Depois de entender esses três tipos de papéis, será mais fácil olhar para a consciência do 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 a sua realização da inteligência de máquina descentralizada. É conseguido 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 com reconhecimento de 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 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 sensíveis ao 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 geral.

Mecanismo de recompensa diferenciado

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

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 avaliador: Atribuir recompensas com base na sua proximidade com o consenso e as ações detidas para garantir a precisão e a equidade da avaliação.
3. Distribuição geral de recompensas: O mecanismo de recompensa não só incentiva as contribuições positivas dos participantes, mas também evita a concentração excessiva de um único participante através 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, críticas para primitivos financeiros avançados.
• Vault alimentado por inteligência artificial: permita que os desenvolvedores implementem estratégias avançadas de DeFi e aumentem o potencial de ganho.
• Modelagem de Risco de Inteligência Artificial: Permite que 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 para pagar pela inferência.
2. Pague a taxa de participação: os tokens ALLO podem ser usados para pagar a criação de tópicos ou a 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 stakes, 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 os avaliadores e validadores da rede, essas recompensas são proporcionais à sua stake e consenso.

Token valor

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

1. receitas de taxas: Todas as taxas cobradas pela rede serão adicionadas à tesouraria 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 cobradas pelo 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 suavizado, evitando assim uma Gota acentuada no APY quando o token principal é desbloqueado, garantindo que os detentores de tokens continuem a stake seus tokens.
   

No entanto, o white paper não mencionou a data de lançamento e os detalhes do token. Para obter 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 esta tecnologia.

Mas por trás de Allora, o antigo projeto Upshot é um contribuinte fundamental para o desenvolvimento de Allora.

A 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 historicamente mostrado níveis de confiança de 95-99%.

Além disso, a saída do modelo pode ser acessada via zkPredictor (O maior aplicativo zkML na cadeia até o momento) é fornecido 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 por 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 subir da IA, a pista também mudou. , mas a tecnologia acumulada anteriormente também foi aplicada ao novo Allora.

Incentivos Roadmap e 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
• Rede principal: início do segundo 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 utilizem, 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 de na cadeia e fora da cadeia para ganhar mais expectativas de airdrop no futuro.

As atividades específicas que podem ganhar pontos incluem:

Atividades em cadeia

1. Criar tópicos: Identificar e definir questões específicas ou áreas de interesse dentro da rede, envolvendo outros atores para desenvolver e entregar soluções.
2. Introduza modelos de aprendizado de máquina: adicione modelos de aprendizado de máquina à rede para que outros possam usá-los.
3. Use aplicativos com tecnologia Allora: participe de aplicativos e serviços que aproveitam os recursos de inteligência de máquina da Allora

Atividades fora da cadeia

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

Atualmente, as atividades que são fáceis para os utilizadores 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 encriptação com certa inovação tecnológica, recursos de fundo e reutilização de capacidades. Ele pode seguir a tendência na transformação de pontos quentes de IA e maximizar seu uso de suas capacidades para expandir novas direções de negócios. Pelo menos pode garantir que atrai novas atenções. Nunca fique para trás numa 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.

Declaração de exoneração de responsabilidade:

1. Este artigo foi reproduzido a partir 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 imediatamente.
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.