Vitalik ข่าวใหม่: แบบแผนการปกครองใหม่ในอนาคต "เครื่องยนต์ AI + พวกเราคือพวกเรา"

ในหลายสถานการณ์ วิธีการสำรวจอีกอย่างคือ ทำให้กลไกที่เรียบง่ายกลายเป็นกฎเกมให้ AI เป็นผู้เล่น

ชื่อเดิม: "AI as the engine, humans as the steering wheel"

เขียนโดย: วิทาลิก ผู้ก่อตั้งอีเธอเรียม

คอมไพล์: ไบ้ชุย, จินเซ่อ ไซเจิ้ง

หากคุณถามคนเกี่ยวกับสิ่งที่พวกเขาชอบในโครงสร้างประชาธิปไตย ไม่ว่าจะเป็นรัฐบาล สถานที่ทำงาน หรือ DAO ที่ขึ้นอยู่กับบล็อกเชน คุณจะได้ยินอาร์กิวเมนต์เดียวกันบ่อยครั้ง: การหลีกเลี่ยงการเก็บรวมอำนาจ การให้ความมั่นใจที่แข็งแรงให้ผู้ใช้ เพราะไม่มีใครสามารถเปลี่ยนทิศทางของระบบอย่างสมบูรณ์ตามใจตน เขาสามารถทำการตัดสินใจที่มีคุณภาพสูงขึ้นได้โดยการรวบรวมมุมมองและปัญญาของผู้คนมากมาย

ถ้าคุณถามว่าคนไม่ชอบด้านใดของโครงสร้างประชาธิปไตย เขาเฉลิมฉลองจะให้การบ่นเหมือนกัน: ผู้สมัครมีความเชี่ยวชาญน้อยเกินไปเพราะทุกคนมีโอกาสเล็ก ๆ ที่จะมีผลลัพธ์ มีนานาส่วนของผู้มีสิทธิเลือกตั้งที่มีการคิดอย่างมีคุณภาพน้อย ๆ และความสนใจต่ำ (ทำให้ระบบเป็นเป้าหมายง่าย) หรือที่แท้จริงเป็นการจัดสรรที่มีการศึกษาเพราะทุกคนเชื่อถือและทำซ้ำมุมมองของบางคนที่มีอิทธิพล

เป้าหมายของบทความนี้คือการสํารวจกระบวนทัศน์ที่บางที AI สามารถใช้เพื่อให้เราได้รับประโยชน์จากโครงสร้างประชาธิปไตยโดยไม่มีผลกระทบด้านลบ "AI คือเครื่องยนต์ มนุษย์คือพวงมาลัย" มนุษย์ให้ข้อมูลเพียงเล็กน้อยแก่ระบบอาจจะเพียงไม่กี่ร้อย แต่ก็คิดมาอย่างดีและมีคุณภาพสูงมาก AI ถือว่าข้อมูลนี้เป็น "ฟังก์ชันวัตถุประสงค์" และทํางานอย่างไม่รู้จักเหน็ดเหนื่อยเพื่อตัดสินใจมากมายเพื่อพยายามอย่างเต็มที่เพื่อให้บรรลุเป้าหมายเหล่านี้ โดยเฉพาะอย่างยิ่งบทความนี้จะสํารวจคําถามที่น่าสนใจ: เราสามารถทําสิ่งนี้ได้โดยไม่ต้องวาง AI ตัวเดียวไว้ตรงกลาง แต่อาศัยตลาดเปิดที่มีการแข่งขันซึ่ง AI (หรือไฮบริดระหว่างมนุษย์กับเครื่องจักร) สามารถเข้าร่วมได้อย่างอิสระ?

!

สารบัญ

• ทำไมไม่ให้ AI คนหนึ่งมาควบคุมโดยตรง?
• Futarchy
• สตีมอย่างมีเหตุผล
• การระดมทุนลึกซึ้ง (Deep funding)
• เพิ่มความเป็นส่วนตัว
• ดีไซน์เครื่องยนต์ + บังคับทิศทาง

ทําไมไม่ปล่อยให้ AI ดูแลมันล่ะ?

วิธีที่ง่ายที่สุดในการแทรกความชอบของมนุษย์ในกลไกที่ใช้อัลกอริทึมคือการสร้างโมเดล AI และให้มนุษย์ป้อนความชอบของพวกเขาในโหมดหนึ่ง มีวิธีที่ง่ายๆ ที่ทำได้: คุณเพียงต้องนำไฟล์ข้อความที่มีรายชื่อคำสั่งของบุคคลใส่ในคำสั่งระบบ จากนั้นคุณสามารถใช้หนึ่งในโครงสร้าง AI หลายร้อย ให้ AI สามารถเข้าถึงอินเทอร์เน็ต และให้มันรับคีย์ของทรัพย์สินและข้อมูลสื่อสังคมของคุณ และคุณก็เสร็จสิ้นแล้ว

หลังจากการทดสอบหลายครั้งแล้ว อาจจะเพียงพอต่อความต้องการของหลายกรณีในอนาคต ฉันคาดหวังอย่างสมบูรณ์ว่าในไม่ช้า เราจะเห็นโครงสร้างที่เกี่ยวกับกลุ่มการอ่าน AI ที่ให้คำสั่ง (และบางครั้งอ่านแชทแบบเรียลไทม์) และดำเนินการตามคำสั่ง

โครงสร้างชนิดนี้ไม่เหมาะสมเป็นกลไกการปกครองสำหรับสถาบันระยะยาว คุณสมบัติที่มีความคุ้มค่าที่สุดของสถาบันระยะยาวคือความเชื่อถือได้และเป็นกลาง ในโพสต์ที่ฉันนำเสนอแนะนำแนวคิดนี้ ฉันได้ระบุรายละเอียดถึงคุณสมบัติที่มีความคุ้มค่าของความเชื่อถือได้และเป็นกลาง 4 ข้อ

• อย่าเขียนบุคคลใดบุคคลหนึ่งหรือผลลัพธ์ที่เฉพาะเจาะจงลงในกลไก
• การดําเนินการโอเพ่นซอร์สและตรวจสอบได้ต่อสาธารณะ
• รักษาความเรียบง่าย
• อย่าเปลี่ยนบ่อย

LLM (หรือตัวแทน AI) ตอบสนอง 0/4 แบบจําลองนี้เขียนโค้ดให้กับบุคคลที่เฉพาะเจาะจงจํานวนมากและการตั้งค่าผลลัพธ์ในระหว่างการฝึกอบรมอย่างหลีกเลี่ยงไม่ได้ บางครั้งสิ่งนี้นําไปสู่ทิศทางการตั้งค่า AI ที่น่าแปลกใจเช่นดูการศึกษาล่าสุดที่แสดงให้เห็นว่า LLM รายใหญ่ให้ความสําคัญกับชีวิตในปากีสถานมากกว่าชีวิตในสหรัฐอเมริกา (!!) ）。 สามารถถ่วงน้ําหนักแบบเปิดได้ แต่นั่นยังห่างไกลจากโอเพ่นซอร์ส เราไม่รู้จริงๆว่าปีศาจซ่อนตัวอยู่ในส่วนลึกของแบบจําลอง มันตรงกันข้ามกับความเรียบง่าย: ความซับซ้อนของ Kolmogorov ของ LLM คือหลายหมื่นล้านบิตซึ่งเทียบเท่ากับกฎหมายของสหรัฐอเมริกาทั้งหมด (รัฐบาลกลาง + รัฐ + ท้องถิ่น) รวมกัน และเนื่องจาก AI มีการพัฒนาอย่างรวดเร็วคุณจึงต้องเปลี่ยนทุกสามเดือน

ด้วยเหตุนี้ฉันเห็นด้วยกับวิธีการที่สำคัญในหลายสถานการณ์คือการทำให้กลไกง่ายๆ เป็นกฎเกมโดยให้ AI เป็นผู้เล่น การมองเห็นนี้ทำให้ตลาดมีประสิทธิภาพอย่างนี้: กฎเป็นระบบสิทธิกรรมที่เพี้ยน ที่ขอบของกรณีถูกพิพากษาโดยระบบศาล ระบบนี้สะสมความช้าและปรับปรุงข้อมูลตัวอย่างที่มีอยู่ และข้อมูลทั้งหมดมาจากผู้ประกอบการที่ดำเนินการ "บนขอบขอบ"

!

"นักเล่นเกม" คนเดียวสามารถเป็น LLM กลุ่ม LLM ที่โต้ตอบซึ่งกันและกันและเรียกบริการอินเทอร์เน็ตต่างๆชุดค่าผสม AI + มนุษย์ต่างๆและโครงสร้างอื่น ๆ อีกมากมาย ในฐานะนักออกแบบกลไกคุณไม่จําเป็นต้องรู้ เป้าหมายในอุดมคติคือการมีกลไกที่สามารถทํางานได้โดยอัตโนมัติ - หากเป้าหมายของกลไกนั้นคือการเลือกสิ่งที่จะระดมทุนก็ควรเหมือนกับรางวัลบล็อก Bitcoin หรือ Ethereum

วิธีนี้มีประโยชน์ใน

• มันช่วยเพื่อหลีกเลี่ยงการรวมโมเดลใดๆ เข้าไปในกลไก; แต่จะได้รับตลอดจนที่มีตัวเข้าร่วมหลายรูปแบบและโครงสร้างของตลาดเปิด ซึ่งพวกเขาก็มีความเห็นแตกต่างกัน. โมเดลเปิด, โมเดลปิด, กลุ่มตัวแทน, มนุษย์ + AI ผสมอายุ, หุ่นยนต์, ลิงไร้ขีดจำกัด และอื่นๆ ก็เป็นเกมที่เที่ยงธรรม; กลไกนี้จะไม่เหยียดหยามใคร
• กลไกนี้เปิดเผยอย่างเป็นทางการ ทั้งที่ผู้เล่นไม่ได้ แต่เกมเปิดเผย — และนี่คือรูปแบบที่เข้าใจอย่างเต็มที่ (เช่น ระบอบการเมืองและตลาดทำงานในรูปแบบนี้)
• กลไกนี้เรียบง่ายดังนั้นจึงมีวิธีค่อนข้างน้อยสําหรับนักออกแบบกลไกในการเขียนโค้ดอคติของตนเองในการออกแบบ
• กลไกจะไม่เปลี่ยนแปลงแม้ว่าสถาปัตยกรรมของผู้เข้าร่วมพื้นฐานจะต้องได้รับการออกแบบใหม่ทุกสามเดือนนับจากนี้จนถึงความเป็นเอกเทศ

กลไกการควบคุมมีเป้าหมายที่จะสะท้อนจุดมุ่งหมายของผู้เข้าร่วมได้อย่างซื่อสัตย์ มันต้องให้ข้อมูลเพียงเล็กน้อย แต่ควรเป็นข้อมูลที่มีคุณภาพสูง

คุณสามารถพิจารณาว่าเครื่องมือนี้ใช้ความไมสมมาตรระหว่างการ提出คำตอบและการตรวจสอบคำตอบ

( Futarchy

เดิมที Futarchy ถูกเสนอโดย Robin Hanson และหมายถึง "โหวตเพื่อคุณค่า แต่เดิมพันเพื่อศรัทธา" กลไกการลงคะแนนเลือกชุดของเป้าหมาย (ซึ่งสามารถเป็นได้ แต่ถ้าต้องวัดได้) แล้วรวมเป็นเมตริก M เมื่อคุณต้องการตัดสินใจ (สมมติว่าใช่ / ไม่ใช่เพื่อความเรียบง่าย) คุณกําหนดตลาดตามเงื่อนไข: คุณขอให้ผู้คนเดิมพันว่า )i( จะเลือกใช่หรือไม่ใช่ )ii### ถ้าคุณเลือก YES ค่าของ M มิฉะนั้นจะเป็นศูนย์ (iii) ค่าของ M ถ้า NO ถูกเลือกมิฉะนั้นจะเป็นศูนย์ ด้วยตัวแปรทั้งสามนี้คุณสามารถกําหนดได้ว่าตลาดคิดว่าใช่หรือไม่ใช่นั้นดีกว่าสําหรับมูลค่าของ M

!

“ราคาหุ้นของบริษัท” (หรือสำหรับสกุลเงินดิจิทัลคือ ราคาโทเค็น) เป็นตัวชี้วัดที่ถูกอ้างอิงมากที่สุด เนื่องจากมันเข้าใจและวัดได้ง่าย แต่กลไกนี้สามารถรองรับตัวชี้วัดหลายอย่าง: ผู้ใช้ที่ใช้งานเป็นระยะเวลาหนึ่ง เซลฟ์มีเดียนของกลุ่มบางกลุ่ม ค่ามัธยมของความสุขที่รายงานโดยตนเองของกลุ่มบางกลุ่ม และตัวชี้วัดการกระจายของเชิงนานาชาติที่สามารถวัดได้หลายอย่าง

Futarchy ถูกสร้างขึ้นในยุคก่อนการเป็นจำลองเท่านั้น อย่างไรก็ตาม Futarchy สอดคล้องกับรูปแบบ 'ผู้แก้ปัญหาที่ซับซ้อน ผู้ตรวจสอบที่ง่าย' ที่ได้ถูกอธิบายในส่วนก่อนหน้านี้อย่างเป็นธรรมชาติ และผู้ซื้อขายใน Futarchy ยังสามารถเป็นปัญญาประดิษฐ์ (หรือการผสมผสานระหว่างมนุษย์และปัญญาประดิษฐ์) บทบาทของ 'ผู้แก้ปัญหา' (ผู้ค้าตลาดทำนาย) คือการกำหนดว่าแผนการของแต่ละข้อเสนอจะมีผลต่อมูลค่าดัชนีในอนาคต ซึ่งเป็นเรื่องที่ยากมาก หากผู้แก้ปัญหาถูกต้องเขาจะได้รับเงิน หากผู้แก้ปัญหาผิดพลาดเขาจะเสียเงิน ผู้ตรวจสอบ (ผู้ลงคะแนนเสียงในดัชนี หากพวกเขาสังเกตเห็นว่าดัชนีถูก 'ปรับปรุง' หรือเปลี่ยนแปลงเกินไปพวกเขาจะปรับดัชนีและกำหนดค่าจริงของดัชนีในอนาคต) จำเป็นต้องตอบคำถามที่ง่ายกว่าเพียง 'มูลค่าปัจจุบันของดัชนีคือเท่าไหร่?'

( การสกัดความคิดของมนุษย์

การกลั่นกรองการตัดสินของมนุษย์เป็นกลไกระดับหนึ่งที่ทํางานดังนี้ มีคําถาม (คิด: 1 ล้านข้อ) มากมายที่ต้องตอบ ตัวอย่างธรรมชาติ ได้แก่ :

• ใครคนนี้ในรายชื่อนี้ควรได้รับเกียรติบัญญัติเท่าไหร่สำหรับการมีส่วนร่วมในโครงการหรืองานบางอย่าง?
• ความคิดเห็นเหล่านี้ที่ละเมิดกฎของแพลตฟอร์มโซเชียลมีเดีย (หรือชุมชนย่อย)
• ที่อยู่ Ethereum ที่กำหนดไว้นี้ แทนคนจริงและเป็นเอกลักษณ์ไหนบ้าง？
• วัตถุฟิสิกส์เหล่านี้มีบทบาทที่ดีหรือที่ไม่ดีต่อสถานที่เขาอยู่อย่างไร？

คุณมีทีมที่สามารถตอบคำถามเหล่านี้ แต่ต้องเสียค่าใช้จ่ายในการตอบทุกคำตอบ คุณสามารถขอให้ทีมตอบคำถามบางคำถาม (เช่น หากมีรายการทั้งหมด 100 000 รายการ ทีมอาจตอบเพียง 100 รายการ) แล้วคุณยังสามารถถามทีมโดยตรงได้: อย่าถามว่า "Alice ควรได้รับเครดิตรวมเท่าไหร่?" แต่ถามว่า "Alice หรือ Bob ควรได้รับเครดิตมากกว่า และมากเท่าใด?" เมื่อออกแบบกลไกลิงค์ฟังก์ชัน คุณสามารถใช้กลไกที่ได้รับการทดสอบอย่างล้ำหน้าในโลกของความเป็นจริง เช่น คณะกรรมการงบประมาณ ศาล (การกำหนดมูลค่าคำพิพากษา) การประเมินค่า และแน่นอน ผู้เข้าร่วมกลุ่มต่างๆ ยังสามารถใช้เครื่องมือวิจัย AI ที่น่าสนใจเพื่อช่วยพวกเขาค้นหาคำตอบ

จากนั้นคุณอนุญาตให้ใครก็ตามส่งรายการคำตอบตัวเลขสำหรับชุดปัญหาทั้งหมด (เช่น ให้รายการทั้งหมดในรายการว่าทุกผู้เข้าร่วมควรได้รับเครดิตเท่าไร) สร้างแรงบันดาลใจให้ผู้เข้าร่วมใช้ปัญญาประดิษฐ์ในการทำงานนี้ แต่พวกเขาสามารถใช้เทคโนโลยีใดก็ได้: ปัญญาประดิษฐ์ ผสมระหว่างคนกับเครื่อง สามารถเข้าถึงการค้นหาอินเทอร์เน็ทและสามารถจ้างคนหรือปัญญาประดิษฐ์อื่นๆ ได้เอง ปัญญาประดิษฐ์ที่ได้รับการเสริมเพิ่มด้วยทฤษฎีควบคุม ลิงก์และลิงก์ในชุดปัญหา

เมื่อทั้งผู้ให้บริการรายชื่อทั้งหมดและลูกขุนได้ส่งคําตอบแล้วรายการทั้งหมดจะถูกตรวจสอบกับคําตอบของคณะลูกขุนและการรวมกันของรายการทั้งหมดที่เข้ากันได้กับคําตอบของคณะลูกขุนมากที่สุดจะถูกใช้เป็นคําตอบสุดท้าย

การตัดสินใจของมนุษย์ที่ถูกกลิ่นว่า แตกต่างจาก futarchy แต่มีความคล้ายคลึงกันในบางจุดสำคัญ:

• ใน futarchy ผู้ทำนาย จะทำการพยากรณ์ และข้อมูลที่ใช้ในการพยากรณ์ของพวกเขา (ที่ใช้ในการรางวัลหรือละเมิดผู้ทำนาย) คือข้อมูลจริงที่เป็นผลลัพธ์ของนายทำนายที่มีค่ายานยนต์ที่ถูกทำงานโดยภาคผู้พิพากษา
• ในการตัดสินของมนุษย์ที่กลั่นกรอง "ตัวแก้" ให้คําตอบสําหรับคําถามจํานวนมากและ "ข้อมูลจริง" ที่การคาดการณ์ของพวกเขาขึ้นอยู่กับคําตอบที่มีคุณภาพสูงสําหรับเศษเสี้ยวของคําถามที่คณะลูกขุนให้ไว้

! [])https://img.gateio.im/social/moments-c370546e826b9a01499438d77a3d2781(

ตัวอย่างของของเล่นสําหรับการกลั่นการตัดสินของมนุษย์สําหรับการกระจายเครดิตดูรหัส Python ที่นี่ สคริปต์ขอให้คุณทําหน้าที่เป็นคณะลูกขุนและรวมรายการทั้งหมดที่สร้างโดย AI (และสร้างขึ้นโดยมนุษย์) ซึ่งรวมอยู่ในรหัสไว้ล่วงหน้า กลไกระบุชุดค่าผสมเชิงเส้นที่เหมาะสมที่สุดกับรายการคําตอบของคณะลูกขุนทั้งหมด ในกรณีนี้ชุดค่าผสมที่ชนะคือ 0.199 * คําตอบของ Claude + 0.801 * คําตอบของ Deepseek; การรวมกันนี้สอดคล้องกับคําตอบของคณะลูกขุนมากกว่ารุ่นใดรุ่นหนึ่ง ค่าสัมประสิทธิ์เหล่านี้จะเป็นรางวัลสําหรับผู้กระทําความผิด

ในตัวอย่างของ "การเอาชนะเซารอน" นี้แง่มุมของ "มนุษย์เป็นพวงมาลัย" เป็นที่ประจักษ์ในสองสถานที่ ประการแรกการตัดสินของมนุษย์ที่มีคุณภาพสูงถูกนําไปใช้กับแต่ละคําถามแม้ว่าจะยังคงใช้คณะลูกขุนเป็นผู้ประเมินประสิทธิภาพ "เทคโนแครต" ประการที่สองมีกลไกการลงคะแนนโดยนัยที่ตัดสินว่า "การเอาชนะเซารอน" เป็นเป้าหมายที่ถูกต้องหรือไม่ (ตรงข้ามกับการพยายามสร้างพันธมิตรกับเซารอนหรือให้ดินแดนทั้งหมดทางตะวันออกของแม่น้ําสายสําคัญเป็นสัมปทานสันติภาพ) มีกรณีการใช้งานกลั่นอื่น ๆ ของการตัดสินของมนุษย์ที่งานของคณะลูกขุนดําเนินการโดยตรงกับค่านิยม: ลองนึกภาพตัวอย่างเช่นแพลตฟอร์มโซเชียลมีเดียแบบกระจายอํานาจ (หรือชุมชนย่อย) ที่งานของคณะลูกขุนคือการปักธงโพสต์ฟอรัมที่เลือกแบบสุ่มว่าปฏิบัติตามหรือไม่ปฏิบัติตามกฎของชุมชน

ในรูปแบบการตัดสินของมนุษย์ที่กำลังระบายอยู่ มีตัวแปรเปิดบางอย่าง：

• วิธีการสุ่มตัวอย่างคืออะไร? บทบาทของผู้ส่งรายชื่อเต็มคือการให้คำตอบจำนวนมาก บทบาทของลูกขุนคือการให้คำตอบคุณภาพสูง เราต้องการที่จะเลือกลูกขุนในลักษณะนี้ และเลือกคำถามสำหรับลูกขุน คือความสามารถในการจับคู่โมเดลคำตอบของลูกขุนที่สูงที่สุดแสดงให้เห็นถึงประสิทธิภาพรวมของมัน ปัจจัยบางประการรวมถึง:
• การประนีประนอมระหว่างความรู้และอคติ: ผู้ให้คำแนะนำที่เชี่ยวชาญมักมีความเชี่ยวชาญในสาขาวิชาที่พวกเขามีความชำนาญ ดังนั้นการให้พวกเขาเลือกเนื้อหาที่จะให้คะแนนจะทำให้คุณได้รับป้อนเข้าที่มีคุณภาพสูงกว่า อย่างไรก็ตาม การมีคมานหามากเกินไปอาจทำให้อคติ (ผู้ให้คำแนะนำมองด้วยดีต่อเนื้อหาของบุคคลที่เกี่ยวข้องกับพวกเขา) หรือจุดอ่อนของการสุ่มตัวอย่าง (ระบบที่บางเนื้อหาไม่ได้รับการให้คะแนนโดยระบบ)
• Anti-Goodhart: จะมีเนื้อหาที่พยายาม "เล่น" ด้วยกลไก AI ตัวอย่างเช่นผู้มีส่วนร่วมสร้างโค้ดจํานวนมากที่ดูน่าประทับใจ แต่ไร้ประโยชน์ ซึ่งหมายความว่าคณะลูกขุนสามารถตรวจจับสิ่งนี้ได้ แต่โมเดล AI แบบคงที่จะไม่เว้นแต่พวกเขาจะพยายามอย่างหนัก วิธีหนึ่งที่เป็นไปได้ในการจับพฤติกรรมนี้คือการเพิ่มกลไกการท้าทายซึ่งบุคคลสามารถตั้งค่าสถานะความพยายามดังกล่าวรับประกันการตัดสินของคณะลูกขุน (และจูงใจนักพัฒนา AI เพื่อให้แน่ใจว่าพวกเขาถูกจับอย่างถูกต้อง) หากคณะลูกขุนเห็นด้วยผู้แจ้งเบาะแสจะได้รับรางวัลและหากคณะลูกขุนไม่เห็นด้วยจะมีการจ่ายค่าปรับ
• คุณใช้ฟังก์ชันการให้คะแนนอะไร？หนึ่งไอเดียที่ใช้ในการทดลองทุนลึกปัจจุบันคือการถามกรรมการ "A หรือ B ควรได้รับเครดิตมากขึ้น และเพิ่มเท่าไหร่?" ฟังก์ชันการให้คะแนนคือ score)x### = sum()log(x)( - log(x([B] - log)juror_ratio([A] ** 2 สำหรับ )A, B, juror_ratio( ใน jury_answers): กล่าวคือสำหรับคำตอบของคณะกรรมการแต่ละคน มันจะถามว่าอัตราส่วนในรายชื่อทั้งหมดและอัตราส่วนที่พวกเขาให้มีความต่างกันเท่าไหร่ และเพิ่มโทษที่สัมพันธ์กับพื้นที่ในล็อก (ในปริภูมิล็อก) ซึ่งเป็นเพื่อให้เห็นว่าพื้นที่ออกแบบของฟังก์ชันการให้คะแนนมีความหลากหลายมาก การเลือกฟังก์ชันการให้คะแนนขึ้นอยู่กับสิ่งที่คุณถามกรรมการ
• วิธีการที่คุณใช้ในการให้รางวัลแก่ผู้ส่งรายชื่อทั้งหมดคืออย่างไร? ในกรณีที่ดีที่สุด คุณอยากให้ผู้เข้าร่วมหลายคนได้รับรางวัลที่ไม่ใช่ศูนย์เป็นประจำ เพื่อหลีกเลี่ยงกลไกการมองโลหะ แต่คุณก็ต้องการให้มีคุณสมบัติต่อไปนี้: ผู้เข้าร่วมไม่สามารถเพิ่มรางวัลโดยการส่งคำตอบชุดเดียวกัน (หรือแก้ไขเล็กน้อย) หลายครั้ง วิธีที่น่าจะได้ผลคือการคำนวณผลรวมเชิงเส้นของรายชื่อทั้งหมดที่เหมาะสมกับคำตอบของคณะกรรมการ (ค่าความสัมพันธ์เป็นบวกและรวมกันเป็น 1) และใช้ค่าความสัมพันธ์เหล่านั้นเพื่อแบ่งปันรางวัล เป็นไปได้ว่ายังมีวิธีอื่นๆ อีก

โดยรวมแล้วเป้าหมายคือการใช้กลไกการตัดสินของมนุษย์ที่รู้จักและมีประสิทธิภาพ ลดอคติและได้รับการทดสอบเวลาอย่างยั่งยืน (เช่น คิดภายใต้โครงสร้างการต่อสู้ของระบบศาลที่รวมถึงฝ่ายที่ขัดแย้งกัน พวกเขามีข้อมูลมากมาย แต่มีอคติ ในขณะที่ผู้พิพากษามีข้อมูลน้อยมาก แต่อาจไม่มีอคติ) และใช้ตลาดปัญญาประดิษฐ์เปิดเพื่อเป็นตัวชี้วัดทำนายที่สมเหตุสมผลและมีต้นทุนต่ำมากของกลไกเหล่านี้ (คล้ายกับวิธีการทำงานของโมเดลพยากรณ์ที่ใหญ่ "การกลั่นกรอง")

) การระดมทุนลึก

การจัดหาเงินทุนเชิงลึกคือการใช้วิจารณญาณของการกลั่นของมนุษย์เพื่อกรอกคําถาม "เครดิตของ X เป็นของ Y กี่เปอร์เซ็นต์" ปัญหาการถ่วงน้ําหนักที่ด้านบนของกราฟ

วิธีที่ง่ายที่สุดคือใช้ตัวอย่างเพียงอย่างเดียว:

!

ผลลัพธ์ของตัวอย่างการจัดทุนลึก 2 ระดับ: ที่มาของความคิดเชิงอิเล็กทรอนิกส์ของอีเธอเรียม กรุณาดูรหัส Python ได้ที่นี่

เป้าหมายที่นี่คือการกระจายเครดิตสําหรับการมีส่วนร่วมทางปรัชญาให้กับ Ethereum ลองดูตัวอย่าง:

• การจำลองรอบเงินทุนลึกที่แสดงที่นี่จะให้เครดิต 20.5% แก่การเคลื่อนไหวซึ่งเป็นความลับ และให้เครดิต 9.2% แก่การก้าวหน้าทางเทคโนโลยี
• ในแต่ละโหนดคุณถามคําถาม: เป็นผลงานดั้งเดิมในระดับใด (ดังนั้นจึงสมควรได้รับเครดิตสําหรับตัวเอง) และการรวมตัวของอิทธิพลต้นน้ําอื่น ๆ ในระดับใด? สําหรับการเคลื่อนไหวของ cypherpunk นั้นใหม่ 40% และขึ้นอยู่กับ 60%
• หลังจากนั้นคุณสามารถดูผลกระทบจากโหนดเหล่านี้: ลิเบอรัลลิสต์และอนัรกษัยได้ช่วยให้การเคลื่อนไหวของการเป็นเพื่อนทาสแห่งสมัยดิจิทัลได้รับการยอมรับ 17.3% แต่ประเทศสวิสเพียงแต่ประชาธิปไตยได้เพียง 5% เท่านั้น
• อย่างไรก็ตามโปรดทราบว่ารัฐบาลเสรีนิยมและอนาธิปไตยยังเป็นแรงบันดาลใจให้กับปรัชญาการเงินของ Bitcoin ดังนั้นจึงมีอิทธิพลต่อปรัชญาของ Ethereum ในสองวิธี
• ในการคํานวณส่วนแบ่งการมีส่วนร่วมทั้งหมดของรัฐบาลเสรีนิยมขนาดเล็กและอนาธิปไตยไปยัง Ethereum คุณต้องคูณขอบในแต่ละเส้นทางแล้วเพิ่มเส้นทางเข้าด้วยกัน: 0.205 * 0.6 * 0.173 + 0.195 * 0.648 * 0.201 ~= 0.0466 ดังนั้นหากคุณต้องบริจาค $ 100 เพื่อตอบแทนทุกคนที่มีส่วนร่วมในปรัชญาของ Ethereum รัฐบาลเสรีนิยมและอนาธิปไตยจะได้รับ $ 4.66 ตามรอบการระดมทุนลึกจําลองนี้

วิธีนี้เหมาะสำหรับพื้นที่ที่มีโครงสร้างที่ชัดเจนมากขึ้นและใช้งานบนพื้นฐานการทำงานก่อนหน้านี้ เช่นวงการวิชาการ (คิดถึง: การอ้างอิงภาพ) และซอฟต์แวร์โอเพนซอร์ส (คิดถึง: ความสัมพันธ์ของไลบรารีและการแบ่งฟอร์ก)

เป้าหมายของระบบการสนับสนุนลึกลับที่ทำงานอย่างดีคือการสร้างและบำรุงรักษากราฟทั่วโลกซึ่งผู้สนับสนุนที่สนใจในโครงการเฉพาะบางอย่างสามารถส่งเงินไปยังที่อยู่ที่แทนโหนดนั้น ๆ ทุกที่เงินจะถูกส่งต่อโดยอัตโนมัติตามน้ำหนักระหว่างขอบกราฟไปยังข้อกำหนดของพวกเขา (และเรียกกลับไปยังข้อกำหนดของพวกเขาเป็นต้นไป)

คุณสามารถจินตนาการถึงโปรโตคอลแบบกระจายอํานาจที่ใช้อุปกรณ์การระดมทุนเชิงลึกในตัวเพื่อออกโทเค็น: การกํากับดูแลแบบกระจายอํานาจภายในโปรโตคอลจะเลือกคณะลูกขุนซึ่งจะเรียกใช้กลไกการระดมทุนแบบลึกเนื่องจากโปรโตคอลจะออกโทเค็นโดยอัตโนมัติและฝากไว้ในโหนดที่สอดคล้องกับตัวเอง ด้วยการทําเช่นนั้นโปรโตคอลจะให้รางวัลแก่ผู้มีส่วนร่วมทั้งทางตรงและทางอ้อมโดยทางโปรแกรมซึ่งชวนให้นึกถึงวิธีที่ Bitcoin หรือ Ethereum block ให้รางวัลแก่ผู้มีส่วนร่วมประเภทใดประเภทหนึ่ง (นักขุด) โดยมีอิทธิพลต่อน้ําหนักของขอบคณะลูกขุนสามารถกําหนดประเภทของการมีส่วนร่วมที่มันมีค่าอย่างต่อเนื่อง กลไกนี้สามารถใช้เป็นทางเลือกที่กระจายอํานาจและยั่งยืนในระยะยาวสําหรับการขุดการขายหรือ airdrops ครั้งเดียว

เพิ่มความเป็นส่วนตัว

โดยทั่วไปในการตัดสินที่ถูกต้องเกี่ยวกับคําถามในตัวอย่างข้างต้นคุณต้องมีสิทธิ์เข้าถึงข้อมูลส่วนตัว: บันทึกการแชทภายในขององค์กรของคุณข้อความที่ส่งอย่างลับๆโดยสมาชิกในชุมชนและอื่น ๆ ประโยชน์อย่างหนึ่งของการใช้ AI เพียงตัวเดียวโดยเฉพาะอย่างยิ่งในสภาพแวดล้อมที่เล็กกว่าคือ AI หนึ่งตัวสามารถเข้าถึงข้อมูลได้มากกว่าการเปิดเผยต่อทุกคน

เพื่อให้มนุษย์ที่ถูกกระตุ้นหรือสนับสนุนในสถานการณ์เหล่านี้สามารถใช้เทคโนโลยีการเข้ารหัสให้ AI เข้าถึงข้อมูลส่วนตัวอย่างปลอดภัย ไอเดียนี้คือการใช้การคำนวณแบบหลายฝ่าย )MPC### การเข้ารหัสแบบโฟล์ค (FHE) สภาพแวดล้อมการดำเนินการที่น่าเชื่อถือ (TEE) หรือกลไกที่คล้ายกันเพื่อให้ข้อมูลส่วนตัวโดยเฉพาะในกรณีที่ผลลัพธ์ที่เดียวเท่านั้นที่ถูกนำเข้าสู่การดำเนินการ "การส่งมอบรายการที่สมบูรณ์"

หากคุณทําเช่นนั้นคุณจะต้อง จํากัด ชุดของกลไกให้กับโมเดล AI (ไม่ใช่มนุษย์หรือ AI + การรวมกันของมนุษย์เพราะคุณไม่สามารถทําให้มนุษย์เห็นข้อมูลได้) และเฉพาะเจาะจงกับโมเดลที่ทํางานบนพื้นผิวเฉพาะบางอย่าง (เช่น MPC, FHE, ฮาร์ดแวร์ที่เชื่อถือได้) หนึ่งในทิศทางการวิจัยหลักคือการหารุ่นปฏิบัติที่มีประสิทธิภาพและมีความหมายเพียงพอในอนาคตอันใกล้

( + )

การออกแบบแบบนี้มีประโยชน์ที่น่าตื่นเต้นมากมาย จนถึงขณะนี้ ประโยชน์ที่สำคัญที่สุดคือ มันช่วยให้สามารถสร้าง DAO ที่ให้มนุษย์ผู้มีสิทธิ์ควบคุมทิศทาง โดยไม่ต้องกังวลเกี่ยวกับการตัดสินใจมากเกินไป เขาได้รับการคำนึงถึงว่า ไม่จำเป็นต้องตัดสินใจ N ครั้ง แต่พวกเขามีอำนาจที่ไม่ได้แค่ตัดสินใจหนึ่งอย่าง (ตามที่มักจะทำงานในการมอบหมาย) และยังสามารถสร้างความชอบธรรมชาติที่ซับซ้อนที่ยากต่อการแสดงออกโดยตรง

นอกจากนี้ กลไกเช่นนี้ดูเหมือนจะมีลักษณะการกระตุ้นที่เรียบง่าย

• การแพร่กระจาย: การกระทำที่เกิดจากกลไกการลงคะแนนจะไม่ส่งผลต่อผู้ร่วมทุกคนมากนัก
• ความสับสน: การตัดสินใจโหวตและความเชื่อมโยงที่ซับซ้อนและยากต่อการคำนวณถึงผลประโยชน์ของผู้เข้าร่วม

คำวิพากษ์ที่นี่และการแพร่กระจายมีที่มาจากวงจรลับ และเป็นคุณสมบัติสำคัญของความปลอดภัยของรหัสลับและฟังก์ชันแฮช

ในโลกที่เป็นจริงในปัจจุบัน ตัวอย่างที่ดีของการกระจายแรงจูงใจคือกฎหมาย: ระดับสูงของรัฐบาลจะไม่มีการดำเนินการในรูปแบบ "ให้ บริษัท 2 พันล้านเหรียญสหรัฐแก่ อลิซ และปรับ บริษัทของ บ็อบ 1 พันล้านเหรียญสหรัฐ" เป็นต้น แต่จะใช้กฎเพื่อใช้โดยทั่วไปกับผู้เข้าร่วมจำนวนมาก แล้วมีผู้เข้าร่วมประเภทอื่นทำการอธิบาย ข้อดีของวิธีการนี้คือมันลดการทุจริตและรูปแบบการทุจริตอื่น ๆ อย่างมาก เมื่อมันทำได้ผลเป็นที่ดี ปัญหาคือเมื่อมันถูกละเมิด (ซึ่งเกิดขึ้นบ่อยในการปฏิบัติ) ปัญหาเหล่านี้จะโตขึ้นอย่างมาก

AI จะเป็นส่วนสำคัญของอนาคตอย่างชัดเจน และจะเป็นส่วนสำคัญของการปกครองในอนาคตโดยไม่สามารถหลีกเลี่ยงได้ อย่างไรก็ตาม หากคุณให้ AI เข้าร่วมการปกครอง จะมีความเสี่ยงที่ชัดเจน: AI มีความลำเอียง มันอาจถูกทำลายอย่างประมาทในระหว่างการฝึกอบรม และเทคโนโลยี AI พัฒนาอย่างรวดเร็วถึงขั้นตอนที่ทำให้ "ให้ AI เป็นผู้มีอำนาจ" อาจแปลว่า "ให้คนที่รับผิดชอบในการอัพเกรด AI เป็นผู้มีอำนาจ" การให้การตัดสินใจของมนุษย์ที่ถูกหลั่งไหลเป็นทางเลือกที่ดี ทำให้เราสามารถใช้พลังของ AI ได้อย่างเสรีในรูปแบบตลาดเสรีพร้อมรักษาการควบคุมของมนุษย์ในรูปแบบประชาธิปไตย

ขอบคุณ Devansh Mehta, Davide Crapis และ Julian Zawistowski สำหรับคำติชมและการตรวจสอบ รวมถึงการอภิปรายกับ Tina Zhen, Shaw Walters และคนอื่น ๆ