tl’dr

• Люди передбачають, що ринок прогнозів рано чи пізно відірветься, а постійні вдосконалення користувацького досвіду підготували цей сегмент до старту
• Але для того, щоб масштабуватися до мільярдів користувачів, нам потрібно “щось нове” поза постійними вдосконаленнями UX, і це - ШІ як зубець і опора в машині
• AI квартет контент-криейторів, рекомендаторів подій, розподілювачів ліквідності та агрегаторів інформації може каталізувати масштабну нову активність в цьому просторі
• Інтеграція цих штучних інтелектів у поточну структуру ринку прогнозування може дозволити ринкам прогнозів на мікроскопічному рівні, роблячи їх особисто привабливими та відповідними
• Примітив ринку прогнозів відкриває шлях для додатків ринку прогнозів, схожих на Tinder, вбудовуючи передбачувальні торговельні досвіди в наше повсякденне цифрове існування

Кожне рішення починається з прогнозу. Розгляньте обдумування потенціалу Bitcoin: "Чи принесе покупка Bitcoin зараз подвоєння інвестиції до кінця року? Якщо перспектива "так" вважається навіть трохи ймовірнішою, ніж "ні", економічно раціонально прийняти рішення купити Bitcoin відсутності кращих альтернатив.

Проте чому зупинятися на Bitcoin? Уявіть, що ми могли б побудувати ринки, що ґрунтуються на прогнозах, щодо всіляких подій, наприклад, хто стане наступним президентом США або яка країна виграє Чемпіонат світу. Тут торгуються не активи, а самі прогнози.

Прогнози формують ринки, ринки підтверджують наші прогнози

Ринок прогнозів був названий "священним граалем технології епістеміки" Віталіком.

Віталік має талант бачити великі речі раніше, ніж інші. Тому він є хорошим джерелом для наративів про фронтранінг. Він запропонував ідею AMM на Ethereum сім років тому в стаття блогу. “Інший хлопець” на ім’ям Хейден Адамс взяв ініціативу у свої руки й почав будувати це за грантом у розмірі 60 тис. доларів. Через два роки Uniswap вийшов народжений.

Якщо блогові пости Віталіка можуть ініціювати створення $100+ мільярдівгалузі доларів, ми, напевно, повинні звернути на них увагу. Наприклад, сталося так, що Віталік був захоплений використанням ринку прогнозів у управлінніназад в 2014— радикальна форма управління, відома як «футархія» — і зараз у нас єМета DAOробить саме це, з великими VC компаніями, такими як Panteraбрати у ньому участь.

Але це більше йогонедавні обговореннянавколо ринку прогнозів + штучного інтелекту, на які ми хочемо зосередитися, оскільки ми починаємо бачити початок чогось великого тут.

Ринок прогнозів готовий злетіти

Лідером на ринку прогнозів наразі є Polymarket, завдяки постійним поліпшенням UX та розширенню категорій подій та пропозицій подій.

Джерело даних: Пустеля

Щомісячний обсяг недавно досягнув історичних максимумів і, ймовірно, збільшиться у зв'язку з президентськими виборами у США у листопаді цього року (діяльність Polymarket сфокусована на США).

Є ще попередній прецедент для віри у те, що ринки прогнозів можуть вирушити цього року. Окрім того, криптовалютні ринки досягли найвищих значень у 2024 році, у цьому році ми також маємо один з найбільших років виборів в історії. Вісім з десяти найнаселеніших країн світу, включаючи США, Індію, Росію, Мексику, Бразилію, Бангладеш, Індонезію та Пакистан також йдуть на вибори. Ми також маємо наближені Літні Олімпійські ігри 2024 року у Парижі.

Але, оскільки щомісячний обсяг все ще становить десятки мільйонів, коли він може досягти сотень мільйонів, давайте розглянемо деякі обмеження поточних ринків прогнозів:

• Централізований контроль над створенням подій
• Відсутність стимулів для творців вмісту спільноти
• Недостатня персоналізація
• Головним чином орієнтований на США; ігнорування значних міжнародних можливостей

Але нам потрібно «щось нове»

Ми вважаємо, що це річ - це ШІ.

Нам потрібні штучні інтелекти як гравці у грі. Ми очікуємо, що скоро буде звичайним бачити ШІ (ботів), які беруть участь разом з людськими агентами на ринках прогнозування. Ми вже можемо побачити прямі демонстрації цього вOmenіPredX, серед ймовірно багатьох інших, щоб увійти на цю сцену. Більше про це пізніше.

Штучному інтелекту потрібні штучний інтелект як арбітри гри. Хоча це трапляється відносно рідко, можуть бути випадки, коли вирішення спорів є важливим і необхідним на ринку прогнозів. Наприклад, на президентських виборах результати можуть бути дуже близькими, і можуть з'явитися звинувачення у порушеннях під час голосування. Таким чином, хоча ринок прогнозів може закритися на користь кандидата А, офіційна виборча комісія може оголосити переможцем кандидата Б. Ті, хто робить ставку на кандидата А, будуть оскаржувати результат через ймовірні порушення під час голосування, тоді як ті, хто робить ставку на кандидата Б, стверджуватимуть, що рішення виборчої комісії відображає «справжній» результат. На кону можуть опинитися великі гроші. Хто правий?

Відповідати на це питання ставить кілька викликів:

• Гравці можуть не довіряти людським арбітрам через їх упередженість
• Арбітраж людей може бути повільним та дорогим
• Рішення на основі DAO-прогнозів вразливі до атак Сібіл

Для вирішення цього проблеми ринки прогнозів можуть використовувати багатораундові системи суперечок a la Klerosкрім використання штучних інтелектів замість людей для вирішення суперечок на ранніх етапах, і лише у випадках, коли суперечки доходять до тупика, втручаються тільки люди. Гравці можуть довіряти штучним інтелектам у нейтральності, оскільки створення достатньої кількості навчальних даних для їх упередженості є неможливим. Крім того, штучні арбітри працюють швидше і за набагато менші кошти.xMarketsбудується в цьому напрямку.

ШІ створюють бажання

Щоб ринок прогнозів дійсно розгорнувся, йому потрібно здати залучити достатній інтерес, щоб переконати людей переступити психологічний поріг торгівлі прогнозними активами. Можливо, для загальних тем, які цікавлять багатьох, таких як хто переможе на президентських виборах або Супербоул, цього не потрібно робити. Але обмеження лише загальними темами серйозно обмежує потенційну ліквідність. Ідеально, ринок прогнозів може використовувати ліквідність конкретних подій, які цікавлять нішеву аудиторію. Це те, як працює цільова реклама, і ми всі знаємо, що цільова реклама працює.

Для досягнення цього ринки прогнозів повинні вирішити чотири загальні виклики:

1. Подія Постачання: Високоякісне постачання подій є ключовим. Щоб привернути увагу вузької, але відданої аудиторії, творцям подій слід глибоко розуміти інтереси своєї спільноти, щоб залучити участь і обсяги.
2. Попит на події: Попит повинен бути високим в межах конкретної цільової спільноти, враховуючи їх демографічні та психографічні ідіосинкразії.
3. Ліквідність подій: У цільовій спільноті достатньо різноманіття думок та динаміки, щоб забезпечити достатню ліквідність для збереження обох сторін та мінімізації проскальзування.
4. Збір інформації: Гравцям повинен бути легкий доступ до достатньої інформації, щоб вони могли зробити ставку з впевненістю. Це може включати аналіз фону, відповідні історичні дані та експертні думки.

Тепер подивимося, як штучний інтелект може вирішити кожну з цих проблем:

1. Штучний інтелект для створення контенту: Інтелектуальні системи для створення контенту («співпілоти») допомагають у створенні контенту, який виходить за межі людських можливостей або мотивації. Штучний інтелект рекомендує вчасні та актуальні теми, аналізуючи тенденції з новин, соціальних мереж та фінансових даних. Створювачі контенту — будь то людина чи штучний інтелект — будуть винагороджені за створення захоплюючого контенту, який утримує їхні спільноти в русі. Відгуки спільноти покращують розуміння інтелектуальних систем їхніх спільнот, роблячи їх постійно вдосконалюючим механізмом створення контенту для зв'язку створювачів контенту та їх аудиторії.
2. AI-рекомендації подій: штучний інтелект для рекомендацій подій настроює пропозиції подій користувачам на основі їх інтересів, історії торгівлі та конкретних потреб, зосереджуючись на рекомендаціях подій, які готові до обговорення та торгівельних можливостей. Він адаптується до поведінки користувачів в різних регіонах, культурних контекстах та часах. Кінцевою метою є високоякісний потік подій, вільний від особисто непов'язаного контенту, який зараз засмічує платформи ринку прогнозів.
3. Штучний інтелект розподільників ліквідності: Штучний інтелект розподільників ліквідності бореться з ризиком контрагентної ліквідності, оптимізуючи ліквідні ін’єкції для звуження різниці між цінами купівлі та продажу. Щоб мінімізувати ризик, ШІ можуть впроваджувати логарифмічне правило ринку оцінки(LMSR) AMM модель, спеціально розроблена для мінімізації ризику на ринках прогнозів з низькою ліквідністю. Вони також можуть включати агенти з посилення навчанняякі динамічно налаштовують глибину ліквідності, комісії протоколу та криву зв'язку, щоб подальше мінімізувати ризик. Ці штучні інтелекту управляють ліквідністю подій з загального пулу LP, винагороджуючи внески накопиченим доходом від комісії або токенами платформи як додатковий стимул. В цілому це означає превентивне пристосування до змін на ринку, зменшення просікання та кращу стабільність цін.
4. Штучний інтелект агрегації інформації: Ці штучні інтелекту використовують обчислення на широкому спектрі індикаторів (наприклад, дані ланцюжка, історичні дані, новини, показники настрою), щоб гравці могли всебічно зрозуміти подію. З цього моменту інформаційні агрегаційні штучні інтелекту можуть надавати добре обґрунтовані прогнози, перетворюючи ринки прогнозів на основне джерело обґрунтованого прийняття рішень та альфи. Проекти можуть вибрати можливість обмеженого доступу до отриманих інформаційними агрегаційними штучними інтелекту, оскільки на ринках прогнозів знання = гроші.

Тепер подивимося, як це виглядає, коли ви складаєте це разом. Нижче ви можете побачити основні компоненти та принципи роботи ринку прогнозів без штучного інтелекту (чорним кольором) та з штучним інтелектом (синім кольором).

У моделі без штучного інтелекту творці вмісту (зазвичай сама платформа) довільно створюють події, забезпечують ліквідність (початково субсидіюються з їх скарбниць), зберігають події в базі даних подій та просувають їх оптом гравцям. Так зараз працює Polymarket, і це працює досить добре.

Але, я вважаю, що це може стати набагато краще.

У моделі штучного інтелекту ШІ творців контенту підтримують творців контенту у створенні та просуванні подій у цільових загальних або нішевих спільнотах. Надання ліквідності підтримується штучними інтелектами-розподільниками ліквідності, які оптимізують вливання ліквідності з часом, вивчаючи книги ордерів гравців і використовуючи зовнішні дані оракулів та інших постачальників даних. Штучний інтелект з рекомендаціями подій використовує збережені події в базі даних подій та історію транзакцій гаманця, щоб оптимізувати рекомендації подій, адаптовані на основі особистих інтересів. Нарешті, штучний інтелект для агрегації інформації збирає інформацію від постачальників даних, щоб надавати освітню та контекстну інформацію гравцям-людям та інформувати гравців ШІ про їхні рішення щодо прогнозування. Кінець гри? Тонко налаштована ринкова система прогнозування, яка дозволяє ринкам передбачень працювати в мікроскопічному масштабі.

Ринок прогнозів такого масштабу забезпечив би зовсім інший досвід користувача, схожий на Tinder чи TikTok. Оскільки події мають високу цільову спрямованість, їх можна було б подавати вам в стрічці, як у TikTok, і навіть за допомогою сьогоднішніх гаманців та технологій блокчейну гравці могли б ставити ставки, проводячи пальцем вліво чи вправо, як у Tinder. Уявіть собі. Люди роблять мікроставки на події, які їх особисто цікавлять, під час поїздки на роботу або в школу.

Збагачення агрегації інформації

Одним з найбільш відомих складних результатів для передбачення є ціни на активи, тому давайте сконцентруємося тут, щоб побачити, як виконуються ШІ при тисненні на межі того, що можливо на ринках прогнозування.

Використання штучного інтелекту для передбачення цін на активи активно досліджується в академічних колах. Техніки машинного навчання (ML), такі як лінійні моделі, випадкові ліси та машини з опорними векторами, булипоказанопрогнозувати ціни на криптовалюту з кращою точністю, ніж людські судді. Ці моделі виявили, що поведінкові показники, такі як інтенсивність пошуку в Google, пояснюють варіацію цін.

Дослідження IBM дослідженийштучні ринки прогнозування цін на сировину, що пропонують переконливий випадок інтеграції штучного інтелекту з ринками прогнозування. Їх дослідження підкреслює потенціал штучних ринків прогнозування для агрегування різноманітних та еволюційних джерел інформації в реальному часі для зроблення кращих прогнозів навіть у складних проблемах реального світу, таких як прогнозування цін на волатильні сировини, які не торгуються на онлайн-біржах (наприклад, етилен, вуглеводні). Причина, чому тут агенти штучного інтелекту можуть перевершувати стандартні моделі МО, полягає в тому, що вони навчаються з часом самі по собі — так звана агентність.

Ще одне дослідження, яке порівнює випадковий ліс регресії та LSTM для прогнозування наступного дня ціни Bitcoinпоказавщо перше показало себе краще з точки зору меншої помилки прогнозу. Воно також продемонструвало потужність штучного інтелекту в широті агрегації інформації - далеко за межами звичайної людської здатності - для моделювання 47 змінних по восьми категоріях, включаючи (a) змінні ціни Bitcoin; (b) технічні показники Bitcoin; © ціни інших токенів; (d) товари; (е) ринкові індекси: (f) іноземна валюта; (g) громадська увага); і (h) фіктивні змінні тижня. Найважливіші передбачувачі змінювалися з часом від індексів фондового ринку США, ціни на нафту та ціни на Ethereum в 2015–2018 роках до ціни на Ethereum та індексу фондового ринку Японії в 2018–2022 роках. Також було виявлено, що для наступної ціни Bitcoin наступного дня найкраще працює випадковий лісовий регресія з денним запізненням.

Зв'язок між величиною помилки моделі та запізненням

Ми можем припустити, що в деяких популярних ринках прогнозів просто надто мало часу для зайнятого людини агрегувати, аналізувати та інтерпретувати достатньо великі обсяги даних для зроблення добрих прогнозів. Або проблеми просто надто складні. Але цим можуть займатися штучні інтелекти.

Рекомендація токену штучного інтелекту

Прудрозробляє децентралізовану базову модель криптовалюти, яка застосовується в рекомендаціях токенів, згенерованих штучним інтелектом на основі поведінки в ланцюжку. Наразі їх велика графова нейронна мережа (GNN) використовує дані про поведінку в ланцюжку для оцінки ймовірностей альфа різних токенів. GNN - це клас моделей штучного інтелекту, спеціально розроблених для обробки даних, представлених у вигляді графів, що робить їх корисними там, де дані пов'язані з відносинною структурою, такою як мережі транзакцій p2p блокчейнів.Ditherце ще один токен-рекомендаційний штучний інтелект із токен-замкненим Telegramбот сповіщень, який використовує підхід моделювання часових рядів для рекомендації токенів.

Вирішення проблеми тонкого ринку

Одним з основних викликів, що постають перед ринками прогнозів, є те, що ринки занадто тонкі, щоб привернути достатньо гравців та обсягу. Але існує велика різниця між ринками прогнозів 2010-х років та 2020-х, і це можливість всюдисущої участі штучних інтелектів. Як зауважує Віталік:

Додати, це можливопокращитимоделі автоматизованого ринку зробника (AMM), що лежать в основі ринків прогнозів. Наприклад, аналізпонад 2 мільйони транзакцій на Polymarket виявили проблеми з наданням ліквідності в зближених ринках прогнозів за допомогою традиційного AMM з постійним продуктом (x*y=k), включаючи:

1. Збіжність та видалення ліквідності. При зближенні ринків прогнозів (тобто, коли результат стає більш впевненим), LPs мають стимул видаляти свою ліквідність. Це раціональна поведінка, оскільки ризик утримання «програшних» токенів зростає. Наприклад, на ринку, що зближується до «так», токени «ні» стають менш цінними (тобто, тимчасова втрата), створюючи ризик для LPs, які можуть залишитися з безцінними токенами, якщо не продадуть їх наперед.
2. Упередженість та неточність. Це зменшення ліквідності може призвести до меншої точності та більшої упередженості, оскільки ринки прогнозів зближуються. Зокрема, у діапазоні цін з вагованим обсягом від 0,2 до 0,8 «ні» токени часто недооцінюються, а «так» токени часто переоцінюються.

Джерело: Kapp-Schwoerer (2023)

Для вирішення цих проблем автори пропонують модель «гладкого ліквідного ринку» (SLMM) та демонструють, що вона може збільшити обсяги та точність у зближених ринках прогнозування. Це досягається шляхом введення функції концентрації в модель (на кшталт Uniswap v3), в якій LP надають ліквідну позицію, яка активна лише для певних цінових інтервалів. Результатом є зменшення ризику, забезпечуючи, що кількість цінних токенів (наприклад, токени «так» на ринку, що зближується до результату «так») утримуваних LP не зближується до нуля при коригуванні цін, на відміну від постійного продукту AMM.

LP-трейдер компроміси

Існує балансовий акт, який потрібно досягти при виборі сконцентрованого варіанту AMM, як от SLMM, для зближення ринків передбачень. Прагнучи зменшити ризик для LP, ви в результаті знижуєте заохочення до деякої торговельної діяльності.

Зокрема, хоча концентрована ліквідність може зробити менш ймовірним те, що LP втратять, коли ринок зближається до впевненого результату (таким чином, зменшуючи передчасне зняття), вона також може зменшити торгові можливості для заробітку на невеликих змінах цін (наприклад, переходячи з $0,70 до $0,75) через збільшення просікання, особливо для великих замовлень. Пряма наслідок полягає в тому, що потенційні маржі прибутку трейдерів стискаються. Наприклад, якщо вони очікують невеликого руху ціни з $0,70 до $0,75, просікання може обмежити капітал, який вони можуть ефективно використовувати для захоплення очікуваного зростання. У майбутньому буде важливо випробовувати різні коригування у терміні компромісу в цих формулах ринкових мейкерів, щоб знайти оптимальний варіант.

Висновок

Примітив ринку прогнозів є потужним. Звичайно, як і будь-який інший криптопримітив, він стикається з викликами, але ми впевнені, що вони будуть подолані. Поступово їх подолаючи, ми можемо очікувати, що цей примітив буде використовуватися для відповіді на всілякі питання в широкому спектрі цифрових контекстів. З розвитком рішень з визначення цільової аудиторії та ліквідності, ми можемо очікувати розвиток нішевих ринків прогнозів. Наприклад, візьміть користувачів X (раніше Twitter):

• Чи X введе Premium++ або еквівалент до кінця року?
• Чи X зробить можливість редагування твітів доступною для всіх користувачів до Q3?
• Чи X повідомить про збільшення кількості щоденних активних користувачів у наступному щоквартальному звіті?
• Чи збільшиться або зменшиться рекламний дохід X у наступному кварталі?
• Чи X оголосить нові важливі партнерства з творцями контенту до кінця року?
• Чи випустить X функцію, пов'язану з блокчейном або криптовалютою до третього кварталу?

Цікаво, ці питання не обов'язково повинні залишатися обмеженими лише сторінками самостійних ринків прогнозів. Вони можуть бути інтегровані безпосередньо в X або інші платформи за допомогою розширень браузера. Ми можемо почати бачити появу мікроринків прогнозування регулярно у наших щоденних онлайн-досвідженнях, збагачуючи звичайне переглядання інтернету можливостями спекулятивної торгівлі.

Я навмисно написав деякі з питань вище і попросив ChatGPT написати інші. Які я написав, а які написав штучний інтелект контенту? Якщо важко сказати, це тому, що штучний інтелект контенту ChatGPT вже дуже добрий. Так само добрі інформаційні агрегатори й рекомендаційні системи, побудовані іншими великими технологічними компаніями (подивіться на рекламу, яку вам показують Google та Instagram). Хоча досягнення результатів цих моделей вимагатиме роботи й часу, вони демонструють можливість цих категорій штучного інтелекту. Основне відкрите питання, що не має попереднього прецеденту, більше стосується штучного інтелекту алокаторів ліквідності, ігор штучного інтелекту та розвитку самопокращення й направленості на ціль в штучних інтелектах — еволюція від базового машинного навчання до перевірених агентів штучного інтелекту.

Якщо ви будуєте в цих просторах або цей пост вас зворушує, звернутися!

Відповідне читання

• Buterin, V. (2024). Обіцянки та виклики застосування крипто + штучного інтелекту.
• Rein Y. Wu, та інші, Центрований на намірах ринок прогнозів з штучним інтелектом та технологією Web3, Блокчейн - Першопрохідна інфраструктура Web3 для розумного майбутнього, 2024.
• Kapp-Schwoerer, L. (2023). Покращена ліквідність для ринку прогнозів.

Disclaimer：

1. Цю статтю перепечатано з [GateInception Capital], Усі авторські права належать оригінальному автору [Hiroki Kotabe]. Якщо є зауваження до цього повторного друку, будь ласка, зв'яжіться з Gate Learnкоманда, і вони оперативно з цим впораються.
2. Відповідальність за відмову: Погляди та думки, висловлені в цій статті, належать виключно автору і не є жодним інвестиційним порадою.
3. Переклади статті на інші мови виконуються командою Gate Learn. Якщо не зазначено інше, копіювання, поширення або плагіат статей в перекладі заборонені.