火星财经加密周报 | Jack Dorsey旗下Block完成3纳米比特币挖矿芯片开发,Unibot推出增长计划,Solana生态DePIN协议io.net开放积分查询
整理:火星财经
一、过去一周行业发生重要事件
1.产业
Unibot推出代币回购等增长计划
Unibot 在X平台发文表示,将推出包括推荐系统、代币回购以及奖励等三个增长计划。 其中推荐系统可以制定活动来提高参与者的奖励。所有推荐佣金奖励将在每周五通过 Base 生态空投。 根据代币回购计划,团队正在数月内分配大量 ETH 用于代币回购,所有相关交易和钱包地址都将公开披露,以确保投资者透明度。每次余额达到 0.5 ETH 时,2% Unibot 代币税将自动分配给代币回购。 新的奖励数据看板将更加透明且,更容易为小投资者所接受。旧的奖励系统将被停止,新的持有者奖励仪表板将包括 ETH 和 Solana 费用。
开发人员继续讨论应考虑将哪些其他代码更改包含在 Pectra 升级中。Geth 开发者 Marius van der Wijden 表示,这应该取决于像 EOF 这样复杂度较高的 EIP 是否会进入 Pectra。「如果我们要包括 EOF,那么会导致分叉饱和。如果我们不包括 EOF,也许我们可以包括更多内容,」van der Wijden 说道。
美国证券交易委员会(SEC)曾经声明以太坊(ETH)不是证券。2018 年,SEC 员工 William Hinman 发表了一次演讲,澄清 ETH 并不构成监管规则下的证券。“识别到以太坊缺乏任何集中管理权力,SEC 公司财务部门主任声明,‘当前的以太坊销售并非证券交易’,”诉讼中提到。“Hinman 关于 ETH 的表述反映了 SEC 及其领导层的深思熟虑的判断。”
尽管以太坊社区也有人讨论全链游戏,但在两种完全不同的世界技术架构下,全链游戏指向的世界是不同的。CKB的架构师Jan说过令我印象最深刻的话是:“以POW为时间,以UTXO/Cell为空间,以能源为驱动,我们可以得到一个世界。”POW+UTXO本身就构成了对现实世界的模拟,这个世界拥有自己的内在时间,并为世界内的数码物制造了独立的互不影响的躯体。人们可以通过“Ghost in the Shell“的模式,在已有的空间躯体内写入内容,来构建数码物。而POS的链则没有自己的内在时间,链内也没有像UTXO那样独立的物的概念,里面的”物“更类似于一种关系性存在,本质上是记录在全局账本上的状态。
类比于航空航天业,通过严格的安全标准使航空旅行变得非常安全,我们看到区块链在安全方面的做法有着鲜明的对比。正如人们将生命看得高于一切一样,他们的金融资产的安全性也是至关重要的。诸如全面测试、冗余、容错性和严格的开发标准之类的关键做法支撑了航空业的安全记录。这些关键特性目前在 EVM 中普遍缺失,在大多数情况下,其他 VM 也是如此。
人类需要 AI 作为游戏中的参与者。我们预计,很快会看到 AI (机器人)与人类代理商一起参与预测市场。我们已经可以在 Omen 和 PredX 等平台上看到这方面的演示,而可能还有其他许多平台即将进入这个领域。稍后会详细介绍。
AI 需要 AI 作为游戏的仲裁者。尽管相对较少,但在预测市场中,争议解决很重要且必要。例如,在总统选举中,结果可能非常接近,会出现选举舞弊的指控。因此,尽管预测市场可能以支持候选人 A 结束,但官方选举委员会可能宣布候选人 B 为胜利者。支持候选人 A 的下注者会声称存在舞弊行为而反对结果,而支持候选人 B 的下注者会辩称选举委员会的裁决反映了"真实"结果。这之间可能会牵涉大量资金,谁是对的?
内容创作者 AI :内容创作者 AI ("copilots")可以协助创建超出人类能力或动机的内容。通过分析新闻、社交媒体和金融数据的趋势, AI 提供及时和相关的事件主题。无论是人类还是AI内容创作者,只要创造了吸引人的内容让社区保持活力,就会得到回报。社区反馈会增强AI对社区的理解,使其成为一个不断完善的内容创作引擎,将内容创作者和受众联系起来。
事件推荐 AI :事件推荐 AI 根据用户的兴趣、交易历史和特定需求为其量身定制事件推荐,重点推荐有争议和交易机会的事件。它会根据用户在不同地区、文化背景和时间上的行为进行调整。最终目标是提供高度定向的事件推荐,摆脱当今预测市场平台上充斥着与个人无关的内容干扰。
流动性分配器 AI :流动性分配器 AI 通过优化流动性注入来处理交易对手的流动性风险,以缩小买卖价差。为了最小化风险, AI 可以采用对低流动性预测市场风险最小化专门设计的对数市场评分规则(LMSR)AMM模型。它们还可以结合强化学习代理,动态调整流动性深度、协议费用和债券曲线,进一步降低风险。这些 AI 从一个通用的流动性提供者池中管理事件流动性,通过累积的费用收入或平台代币奖励贡献,作为进一步的激励。总体而言,这意味着对市场变化的预先适应,减少滑点和更好的价格稳定性。
信息聚合 AI :这些 AI 利用各种指标(例如链上数据、历史数据、新闻、情绪指标)来全面理解事件。基于此,信息聚合 AI 可以提供全面的预测,将预测市场转变为明智决策和超额收益的首选来源。项目可以选择通过代币化来限制对信息聚合 AI 所获得洞察力的访问,因为在预测市场中,知识等于金钱。
现在,让我们来看看当你将这些组合在一起时会是什么样子。下面,您可以看到没有 AI 的预测市场的主要组成部分和运作方式(黑色),以及有 AI 的预测市场的主要组成部分和运作方式(蓝色)。
在非 AI 模型中,内容创作者(通常是平台本身)随意创建事件,提供流动性(最初由其资金库补贴),将事件保存到事件数据库,并批量推广给人类玩家。这就是Polymarket目前的运作方式,而且效果相当不错。
但是,我认为它可以变得更好。
在 AI 模型中,内容创作者的协作 AI (copilot AIs)支持内容创作者在定向的一般或利基社区内创建和推广事件。流动性提供由流动性分配器 AI 支持,它通过学习玩家订单簿并使用来自预言机和其他数据供应商的外部数据,随着时间的推移优化流动性注入。事件推荐 AI 使用事件数据库中的存储事件和钱包交易历史,根据个人兴趣优化事件推荐。最后,信息聚合 AI 从数据供应商那里收集信息,为人类玩家提供教育和背景信息,并向 AI 玩家提供关于他们的预测决策的信息。最终目标是打造一个精细调整的预测市场系统,使预测市场能够在微观层面上运作。
最难预测的结果之一是资产价格,所以让我们把重点放在这里,看看在预测市场的可能边缘上, AI 的表现如何。
在学术界,利用 AI 预测资产价格的研究正在积极探索中。线性模型、随机森林和支持向量机等机器学习技术已经被证明在预测加密货币价格时比人类评判者具有更高的准确性。这些模型发现,像谷歌搜索强度这样的行为指标可以解释价格的变化。
IBM研究探索了人工预测市场在商品价格预测方面的应用,并提供了一个有说服力的案例研究,展示了将 AI 与预测市场相结合的潜力。他们的研究突出了人工预测市场整合多样化和不断演化的实时信息来源,以在复杂的现实世界问题中做出更好的预测,例如预测非在线交易所上交易的波动性商品(例如乙烯、烃类)。之所以在这里, AI 代理能够胜过标准机器学习模型,是因为它们可以通过自我学习来逐渐提升预测能力。
另一项研究比较了随机森林回归和LSTM在预测比特币次日价格方面的表现,结果显示前者在预测误差较小方面表现更好。它还展示了 AI 在信息聚合广度上的强大能力,远远超出了普通人的能力,可以对包括(a)比特币价格变量;(b)比特币的技术指标;(c)其他代币价格;(d)大宗商品;(e)市场指数;(f)外汇;(g)公众关注度;以及(h)一周内的虚拟变量在内的47个变量进行建模。最重要的预测因子随时间而变化,从2015年至2018年的美国股市指数、油价和以太坊价格,到2018年至2022年的以太坊价格和日本股市指数。研究还发现,在预测比特币次日价格时,随机森林回归模型在一天的延迟下表现最佳。
我们可以推断,在一些热门的预测市场中,对于一个忙碌的人来说,聚合、分析和解释大量数据以做出良好的预测所需的时间实在太少。或者,问题本身就过于复杂。但是 AI 可以做到这一点。
AI代币推荐
Pond正在构建一个基于加密货币的去中心化基础模型,该模型已应用于基于链上行为生成的 AI 代币推荐。目前,他们使用大规模图神经网络(GNN)利用链上行为数据来估计各种代币的Alpha概率。GNN是一类专门设计用于处理图形表示的数据的 AI 模型,因此在数据之间存在关系结构时(如区块链的点对点交易网络)它们就非常有用。Dither是另一个代币推荐 AI ,它通过一个代币门控的Telegram警报机器人采用时间序列建模方法进行代币推荐。
解决市场过于薄弱的问题
预测市场面临的主要挑战之一是市场过于薄弱,无法吸引足够的参与者和成交量。但是,2010年代和2020年代的预测市场之间存在一个重大区别,即 AI 普遍参与的可能性。正如Vitalik指出的那样:
Buterin, V. (2024). The promise and challenges of crypto + AI applications.
Rein Y. Wu, et al., Intent-centric Prediction Market with AI and Web3 Technology, Blockchain — Pioneering the Web3 Infrastructure for an Intelligent Future, 2024.
Kapp-Schwoerer, L. (2023). Improved Liquidity for Prediction Markets.
我们能看到 AI 在创作这张图片时犯下的许多错误,比如无所支撑的缆车、右下角穿着橘色上衣的怪异的脸和扭曲截断的腿。这种 AI 缺陷的美是故意为之。让我们想想 alignDRAW,想想上个世纪乃至千禧年各种奇特的建筑(比如日本的中银胶囊塔),又比如诺基亚、黑莓和触屏手机早期各种奇异的手机设计。Back to AI art's old school,事物发展过程的粗粝比精致的结果更令人着迷。