原文作者:Hiroki Kotebe

原文来源:medium

编译:Inception Capital

tl’dr人们一贯期待预测市场早晚会起飞,而持续改进的用户体验为此奠定了根本。
但要扩展到数十亿用户,我们须要“新的东西”,超越持续的用户体验改进,那便是将 AI 作为机器的关键和核心。
一个由内容创作者、活动推举者、流动性分配者和信息聚合者组成的 AI 四重奏可以在这一领域引发大规模的新活动。
将这些 AI 集成到当前的预测市场框架中,可以实现微不雅观尺度上的预测市场,使其具有个人吸引力和干系性。
预测市场的原始形态为类似Tinder的预测市场运用铺平了道路,将预测交易体验嵌入到我们日常的数字存在中。

每一个决定都始于一个预测。
想想比特币的潜力:\"大众现在购买比特币,到年底是否会使投资翻倍?如果\"大众是\"大众的前景被认为比\"大众否\"大众更有可能,那么在没有更好的选择的情形下,决定购买比特币便是经济上理性的。

猜测市场根本运用 AI 在微不雅观层面上创建猜测市场

但为什么只局限于比特币呢?想象一下,我们可以构建以各种事宜预测为根本的市场,比如谁将成为下一任美国总统,或者哪个国家将赢得天下杯。
在这里,交易的不是资产,而是预测本身。

预测塑造市场,市场验证我们的预测。

预测市场被Vitalik 称为“认知技能的圣杯”。

Vitalik 善于比其他人更早地洞察到大机会,因此他是一个很好的前沿叙事的信息源。
他在七年前的一篇博文中提出了以太坊上的 AMM(Automated Market Maker)的想法。
然后一个叫 Hayden Adams 的人相应了这一呼吁,并开始构建它,得到了6万美元的帮助。
两年后,Uniswap 出身了。

如果 Vitalik 的博文能够引发创造 1000 亿美元以上的家当,那我们可能该当关注他的不雅观点。
例如,Vitalik 在 2014 年就对在管理中利用预测市场感到愉快——一种被称为“未来政治”的激进管理形式——现在我们看到Meta DAO正在履行这一理念,大型风险投资公司如Pantera也参与个中。

但我们想要关注的是他最近关于预测市场和 AI 的谈论,由于我们开始看到一些重大的事情的雏形。

预测市场已经做好起飞的准备

目前市场领先的预测市场是Polymarket,这要归功于其持续改进的用户体验,以及对事宜种别和事宜供给的扩展。

数据来源:Dune

最近的交易量创下了历史新高,并且随着今年11月的美国总统选举(Polymarket的用户紧张集中在美国),很可能会进一步增加。

有其他迹象表明,预测市场今年可能会起飞。
除了2024年加密市场创下历史新高,今年还是历史上选举最多的一年。
包括美国、印度、俄罗斯、墨西哥、巴西、孟加拉国、印度尼西亚和巴基斯坦在内的天下十个人口最多的国家将进行选举。
此外,2024年夏季奥运会即将在巴黎举行。

但考虑到每月的交易量仍旧只有数千万美元,而它本可能达到数亿美元,让我们考虑一下当前预测市场的一些局限性:

对事宜创建的中央化掌握对社区内容创作者缺少勉励机制个性化不敷紧张集中在美国,忽略了巨大的国际机会

但我们须要“新的东西”

我们相信这个东西便是 AI 。

人类须要 AI 作为游戏中的参与者。
我们估量,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。
稍后会详细先容。

AI 须要 AI 作为游戏的仲裁者。
只管相对较少,但在预测市场中,争议办理很主要且必要。
例如,在总统选举中,结果可能非常靠近,会涌现选举舞弊的指控。
因此,只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告候选人 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响了\公众真实\"大众结果。
这之间可能会牵扯大量资金,谁是对的?

回答这个问题面临着几个寻衅:

玩家可能不信赖人类仲裁者,由于他们有偏见人类仲裁可能会很慢且昂贵基于DAO的预测办理方案随意马虎受到女巫攻击

为办理这一问题,预测市场可以利用类似Kleros的多轮争议办理系统,只不过是利用AI而非人类来办理早期阶段的争议,而人类则只会在极少数情形下参与终极无法办理的争议仲裁。
玩家可以相信AI是公道的,由于制造足够多的演习数据来影响AI是不可行的。
此外,AI裁判事情速率更快、本钱也更低。
xMarkets正在朝这个方向努力。

AI 可以引发希望

要真正让预测市场起飞,它们须要能够引起足够的兴趣,使人们战胜生理障碍,真正开始交易预测资产。
对付像谁将赢得总统选举或超级碗这样许多人关心的话题,可能并不须要太多努力。
但是,仅包括这种话题严重限定了潜在的流动性。
空想情形下,一个预测市场该当能够吸引特定受众高度感兴趣的特定事宜的流动性,这就像定向广告一样,我们都知道定向广告是有效的。

为了实现这一目标,预测市场须要办理四大寻衅:

事宜供应:高度干系的事宜供应至关主要。
为了吸引小众但忠实的受众,事宜创建者必须深入理解他们社区的兴趣,以推动参与和交易量的增加。
事宜需求:需求在特定的目标社区内须要很高,考虑到他们的用户数和生理。
事宜流动性:在目标社区内存在足够的不雅观点多样性和动态,以推动足够的流动性,吸引双方参与并将滑点降到最低。
信息聚合:玩家该当可以轻松获取足够的信息,使他们有信心进行下注。
这可能包括背景剖析、干系历史数据和专家见地。

现在,让我们看看 AI 如何应对这些寻衅:

内容创作者 AI:内容创作者 AI (\公众copilots\公众)可以帮忙创建超出人类能力或动机的内容。
通过剖析新闻、社交媒体和金融数据的趋势, AI 供应及时和干系的事宜主题。
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。
事宜推举 AI :事宜推举 AI 根据用户的兴趣、交易历史和特定需求为其量身定制事宜推举,重点推举有争媾和交易机会的事宜。
它会根据用户在不同地区、文化背景和韶光上的行为进行调度。
终极目标是供应高度定向的事宜推举,摆脱当今预测市场平台上充斥着与个人无关的内容滋扰。
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 可以采取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,动态调度流动性深度、协议用度和债券曲线,进一步降落风险。
这些 AI 从一个通用的流动性供应者池中管理事宜流动性,通过累积的用度收入或平台代币褒奖贡献,作为进一步的勉励。
总体而言,这意味着对市场变革的预先适应,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、感情指标)来全面理解事宜。
基于此,信息聚合 AI 可以供应全面的预测,将预测市场转变为明智决策和逾额收益的首选来源。
项目可以选择通过代币化来限定对信息聚合 AI 所得到洞察力的访问,由于在预测市场中,知识即是金钱。

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 的预测市场的紧张组成部分和运作办法(玄色),以及有 AI 的预测市场的紧张组成部分和运作办法(蓝色)。

在非 AI 模型中,内容创作者(常日是平台本身)随意创建事宜,供应流动性(最初由其资金库补贴),将事宜保存到事宜数据库,并批量推广给人类玩家。
这便是Polymarket目前的运作办法,而且效果相称不错。

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样平常或利基社区内创建和推广事宜。
流动性供应由流动性分配器 AI 支持,它通过学习玩家订单簿并利用来自预言机和其他数据供应商的外部数据,随着韶光的推移优化流动性注入。
事宜推举 AI 利用事宜数据库中的存储事宜和钱包交易历史,根据个人兴趣优化事宜推举。
末了,信息聚合 AI 从数据供应商那里网络信息,为人类玩家供应教诲和背景信息,并向 AI 玩家供应关于他们的预测决策的信息。
终极目标是打造一个风雅调度的预测市场系统,使预测市场能够在微不雅观层面上运作。

在这种规模下的预测市场将带来一种不同的用户体验,更像是 Tinder 或 TikTok。
由于事宜是高度定向的,它们可以像 TikTok 那样通过一个动态流(feed)呈现给您,而且纵然在当今的钱包和区块链技能下,玩家也可以像 Tinder 那样通过左滑或右滑来下注。
想象一下,人们在通勤上班或上学的时候,对他们个人关心的事宜进行微型投注。

增强信息汇总能力

最难预测的结果之一是资产价格,以是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能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。
这些模型创造,像谷歌搜索强度这样的行为指标可以阐明价格的变革。

IBM研究探索了人工预测市场在商品价格预测方面的运用,并供应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蜕变的实时信息来源,以在繁芜的现实天下问题中做出更好的预测,例如预测非在线交易所上交易的颠簸性商品(例如乙烯、烃类)。
之以是在这里, AI 代理能够赛过标准机器学习模型,是由于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在预测比特币越日价格方面的表现,结果显示前者在预测偏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)比特币的技能指标;(c)其他代币价格;(d)大宗商品;(e)市场指数;(f)外汇;(g)"大众年夜众关注度;以及(h)一周内的虚拟变量在内的47个变量进行建模。
最主要的预测因子随韶光而变革,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。
研究还创造,在预测比特币越日价格时,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,对付一个劳碌的人来说,聚合、剖析和解释大量数据以做出良好的预测所需的韶光实在太少。
或者,问题本身就过于繁芜。
但是 AI 可以做到这一点。

AI代币推举

Pond正在构建一个基于加密货币的去中央化根本模型,该模型已运用于基于链上行为天生的 AI 代币推举。
目前,他们利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构造时(如区块链的点对点交易网络)它们就非常有用。
Dither是另一个代币推举 AI ,它通过一个代币门控的Telegram警报机器人采取韶光序列建模方法进行代币推举。

办理市场过于薄弱的问题

预测市场面临的紧张寻衅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差异,即 AI 普遍参与的可能性。
正如Vitalik指出的那样:

此外,可以改进预测市场底层的自动化做市商(AMM)模型。
例如,在对Polymarket上的200多万笔交易进行剖析时,创造利用传统的常量乘积AMM(xy=k)在收敛的预测市场中存在流动性供应问题,包括:

收敛和流动性移除。
随着预测市场的收敛(即结果变得更加确定),流动性供应者会有动机撤出他们的流动性。
这是合理的行为,由于持有“亏损”的代币的风险增加。
例如,在趋向于“是”的市场中,“否”的代币变得不那么有代价(即无常丢失),这对付流动性供应者来说是一种风险,如果他们不提前出售,可能终极得到一些毫无代价的代币。
偏差和不准确性。
流动性的减少可能导致预测市场收敛时更少的准确性和更多的偏差。
详细来说,在0.2到0.8的成交量加权价格范围内,“否”的代币常常被低估,而“是”的代币常常被高估。

Source: Kapp-Schwoerer (2023)

为理解决这些问题,作者提出了一种“平滑流动性做市商”(SLMM)模型,并证明它可以增加收敛预测市场的交易量和准确性。
它通过引入一个集中函数(类似于Uniswap v3)到模型中来实现这一点,在该函数中,流动性供应者供应的流动性仅在特定价格区间内有效。
结果是降落了风险敞口,确保流动性供应者持有的有代价代币数量(例如在市场收敛到“是”结果的市场中的“是”代币)在价格调度时不会收敛到零,与常量乘积AMM不同。

LP-交易者权衡

在选择像SLMM这样的集中流动性AMM变体用于收敛的预测市场时,必须达到一种平衡。
虽然你试图降落流动性供应者的风险,但也会减少一些交易活动的动力。

详细而言,集中流动性可以降落在市场收敛到确定结果时流动性供应者丢失的可能性(从

而减少提前撤资),但它也可能由于增加的滑点而减少利用小的价格变动(例如从0.70美元涨至0.75美元)进行交易获利的机会,特殊是对付大额订单。
直接的结果是交易者的潜在利润空间被挤压。
例如,如果他们预期价格从0.70美元上涨至0.75美元,滑点可能限定他们能够有效利用的资金来捕捉预期的上涨。
展望未来,在这些做市商公式中试验各种权衡项的调度将非常主要,以找到最佳平衡点。

结论

预测市场是一种强大的根本举动步伐。
当然,像任何其他加密根本举动步伐一样,它面临着寻衅,但我们有信心这些寻衅将被战胜。
随着逐渐办理这些寻衅,我们可以预期在各种数字环境中重复利用这个根本举动步伐来回答各种问题。
随着目标定位和流动性办理方案的进步,我们可以期待特定领域的预测市场的发展。
例如,以X(原Twitter)用户为例:

X是否会在年底之前推出Premium++或等效产品?X是否会在第三季度向所有用户供应编辑推文功能?X是否会不才一个季度报告中报告日生动用户的增加?X的广告收入是否会不才一个季度增加或减少?X是否会在年底之前宣告与内容创作者的新重大互助伙伴关系?X是否会在第三季度发布与区块链或加密货币干系的功能?

有趣的是,这些问题不须要局限于独立的预测市场网站。
它们可以通过浏览器扩展直接集成到X或其他平台中。
我们可能会常常在日常的在线体验中看到微型预测市场的涌现,为普通的浏览体验增长了投契交易的机会。

上面的问题中,有些是我写的,有些是内容天生AI写的。
如果很难分辨出来,那是由于ChatGPT的内容天生AI已经非常出色。
其他大型科技公司构建的信息聚合AI和推举引擎也是如此(看看Google和Instagram向您展示的广告)。
虽然要达到这些模型的性能须要事情和韶光,但它们证明了这些AI类别的可行性。
缺少先例的紧张开放性问题更多地涉及流动性分配器AI、AI参与者以及AI的自我改进和目标导向性的发展 - 从基本机器学习到可验证的AI代理的演化。

如果您在这些领域进行开拓,或者这篇文章与您产生共鸣,请随时联系我们!

干系阅读:

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.