1. Einführung

Seit dem Aufkommen generativer KI, repräsentiert durch ChatGPT, schreitet die KI-Technologie rasch voran, unterstützt durch zunehmende Unternehmensbeteiligung und Investitionen in die KI-Industrie. Aktuelle KI-Systeme zeigen exzellente Leistungen nicht nur bei der Generierung spezifischer Outputs, sondern auch bei der Verarbeitung großer Datenmengen, Mustererkennung, statistischer Analyse und prädiktiver Modellierung. Dies führt zu einer breiteren Adoption von KI in verschiedenen Branchen.

• JPMorgan Chase: Hat über 600 ML-Ingenieure eingestellt und mehr als 400 KI-Anwendungsfälle entwickelt und implementiert, darunter algorithmischer Handel, Betrugserkennung und Cashflow-Prognosen.
• Walmart: Analysiert saisonale und regionale Verkaufshistorien, um die Produktnachfrage vorherzusagen und den Lagerbestand zu optimieren.
• Ford: Analysiert Sensordaten von Fahrzeugen, um Teileausfälle vorherzusagen und Kunden zu benachrichtigen, was Unfälle durch defekte Teile verhindert.

In letzter Zeit zeichnet sich ein zunehmender Trend zur Kombination von Blockchain-Ökosystemen mit KI ab, wobei besonderes Augenmerk auf dem DeFAI-Sektor liegt, in dem DeFi-Protokolle mit KI verknüpft werden. Darüber hinaus gibt es zunehmend Fälle, in denen KI direkt in die Betriebsmechanismen von Protokollen integriert wird. Dies ermöglicht eine effiziente Risikovorhersage und -verwaltung von DeFi-Protokollen und führt zu neuen Arten von Finanzproduktdienstleistungen, die bisher nicht verfügbar waren.

🔎 Für detaillierte Informationen zur KI-Integration in DeFi-Protokolle lesen Sie bitte den Artikel "Intelligent DeFi: AI Redesigning the Blueprint of DeFi".

Der Aufbau von KI-Modellen, die auf spezifische Funktionen spezialisiert sind, ist jedoch derzeit aufgrund hoher Eintrittsbarrieren – darunter enorme Trainingsdatensätze und spezialisierte KI-Technologien – weiterhin von großen Unternehmen und KI-Spezialisten dominiert. Infolgedessen haben andere Branchen und kleine Start-ups erhebliche Schwierigkeiten bei der Adoption von KI, und dApps im Blockchain-Ökosystem sind von diesen Einschränkungen nicht ausgenommen. Da dApps zudem den Kernwert der "Trustlessness" – also das Nichterfordernis von Vertrauen in Dritte – wahren müssen, ist die Entwicklung dezentraler KI-Infrastruktur notwendig, damit mehr Protokolle zuverlässig KI adoptieren und Dienste anbieten können, denen Nutzer vertrauen können.

Vor diesem Hintergrund zielt Allora darauf ab, eine sich selbst verbessernde dezentrale KI-Infrastruktur zu implementieren und dApps sowie Start-ups zu unterstützen, die KI sicher in ihre Dienste integrieren möchten.

2. Allora, ein dezentrales Inferenz-Synthese-Netzwerk

Allora ist ein dezentrales Inferenznetzwerk, das zukünftige Werte für spezifische Themen vorhersagt und bereitstellt, die von verschiedenen Entitäten angefordert werden. Es gibt zwei Hauptansätze zur Implementierung dezentraler KI-Inferenz:

1. Einzelmodell / Verteilte Verarbeitung: Aufbau eines einzigen dezentralen KI-Modells durch Durchführung von Modelltraining und Inferenzprozessen auf verteilte Weise.
2. Mehrmodell / Inferenzsynthese: Sammeln von Inferenzergebnissen aus mehreren vortrainierten KI-Modellen und deren Synthese zu einem einzigen Inferenzergebnis.

Zwischen diesen beiden Ansätzen wählt Allora die Methode der Mehrmodell-Inferenzsynthese. Dabei beteiligen sich KI-Modellbetreiber frei am Allora-Netzwerk, um Inferenzen für Vorhersagen zu spezifischen Themen auszuführen, und das Protokoll stellt den Anforderern ein einziges Vorhersageergebnis bereit, das aus den von diesen Betreibern abgeleiteten Inferenzwerten synthetisiert wird.

Bei der Synthese von Inferenzwerten aus KI-Modellen mittelt Allora nicht einfach die von jedem Modell abgeleiteten Inferenzwerte, sondern leitet Inferenzwerte ab, indem es jedem Modell Gewichte zuweist. Anschließend vergleicht Allora den tatsächlichen Ergebniswert für dieses Thema mit den Werten, die von jedem Modell abgeleitet wurden, und führt eine Selbstverbesserung durch. Dies geschieht, indem Modelle, die Inferenzwerte ableiten, die dem tatsächlichen Ergebniswert ähneln, höhere Gewichte und Anreize erhalten.

Durch diesen Ansatz kann Allora Inferenzen spezialisierter für bestimmte Themen ausführen als dezentrale KI, die unter Verwendung der Modell-/Verteilungsverarbeitungsmethode aufgebaut wurde. Um die Beteiligung weiterer KI-Modelle am Protokoll zu fördern, stellt Allora das Open-Source-Framework Allora MDK (Model Development Kit) bereit, damit jeder KI-Modelle erstellen und einfach einsetzen sowie nutzen kann. Zusätzlich bietet Allora zwei SDKs – das Allora Network Python und TypeScript SDK – für Nutzer an, die Alloras Inferenzdaten nutzen möchten. Dies schafft eine Umgebung, in der sie die von Allora bereitgestellten Daten einfach in ihre Dienste integrieren und nutzen können.

Dadurch zielt Allora darauf ab, als Mittelschicht zu fungieren, die KI-Modelle mit Diensten/Protokollen verbindet, die Inferenzdaten benötigen. Es bietet KI-Modellbetreibern die Möglichkeit, Einnahmen durch KI-Modelle zu generieren, etabliert sich aber gleichzeitig als Infrastruktur, die die unvoreingenommenen Daten liefert, die von Diensten/Protokollen benötigt werden. Wir wollen uns die detaillierte Protokollarchitektur von Allora ansehen, um zu verstehen, wie Allora funktioniert und welche ausgeprägten Merkmale es hat.

2. 1. Protokollarchitektur

In Allora kann jeder spezifische Themen einrichten und bereitstellen. Vier beteiligte Entitäten sind an dem Prozess beteiligt, Inferenzen auszuführen und finale Inferenzwerte für bereitgestellte Themen abzuleiten:

• Consumers: Entitäten, die Gebühren zahlen, um Inferenzen für spezifische Themen anzufordern.
• Workers: Entitäten, die KI-Modelle unter Verwendung ihrer Datenbanken betreiben und die von Consumers angeforderten Inferenzen für spezifische Themen ausführen.
• Reputers: Entitäten, die bewerten, indem sie die von Workers abgeleiteten Daten mit tatsächlichen Werten vergleichen.
• Validators: Entitäten, die Allora-Netzwerkknoten betreiben, Transaktionen verarbeiten und aufzeichnen, die von jeder beteiligten Entität generiert werden.

Das Allora-Netzwerk hat eine Struktur, die Inferenzausführungs-, Bewertungs- und Validierungsentitäten trennt, wobei das Netzwerk-Token $ALLO im Mittelpunkt steht.$ALLO wird als Gebühr für Inferenzanforderungen und als Anreiz für die Inferenzausführung verwendet. Es verbindet die Netzwerkteilnehmer reibungslos, wird zudem aber gestaked, um die Sicherheit zu gewährleisten.

Betrachten wir das Allora-Protokoll aus funktionaler Sicht, so werden wir die Rollen jeder Schicht – der Inferenzverbrauchsschicht, der Inferenzsyntheseschicht und der Konsensschicht – sowie die Interaktionen zwischen den Teilnehmerdetailliert untersuchen.

2. 1. 1. Inferenzverbrauchsschicht (Inference Consumption Layer)

Die Inferenzverbrauchsschicht verwaltet die Interaktionen zwischen Protokollteilnehmern und dem Allora-Protokoll, einschließlich Themenerstellung, Verwaltung der Thementeilnehmer und Inferenzanforderungen. Nutzer, die ein Thema erstellen möchten, können mit dem Themen- und Inferenzverwaltungssystem von Allora, dem Topic Coordinator, interagieren. Sie zahlen eine bestimmte Menge an $ALLO und richten einen Regelsatz ein, der definiert, was sie inferieren möchten, sowie wie die tatsächlichen Ergebnisse zu verifizieren und die von Workers abgeleiteten Inferenzwerte zu bewerten sind.

Sobald ein Thema erstellt ist, können sich Worker und Reputer durch Zahlung von Registrierungsgebühren in $ALLO-Token als Inferenzteilnehmer für dieses Thema registrieren. Reputer müssen zusätzlich einen bestimmten Betrag an$ALLO für das Thema staken, wodurch sie sich der Kürzung von Vermögenswerten bei böswilliger Ergebnisvalidierung aussetzen. Nachdem die Themen erstellt und die Worker sowie Reputer registriert sind, können Konsumenten Inferenzen anfordern, indem sie $ALLO an das Thema zahlen, und Worker und Reputer erhalten diese Themenanfragegebühren als Vergütung für die Ableitung von Inferenzwerten.

2. 1. 2. Prognose- und Syntheseebene

Die Prognose- und Syntheseebene ist die zentrale Ebene von Allora zur Erstellung dezentraler Inferenzen, auf der Worker Inferenzen ausführen, Reputer die Leistung bewerten und basierend auf diesen Bewertungen die Gewichtungseinstellung und Inferenzsynthese stattfinden. Worker im Allora-Netzwerk reichen nicht nur Inferenzwerte für von Konsumenten angeforderte Themen ein, sondern bewerten auch die Genauigkeit der Inferenzen anderer Worker und leiten auf dieser Grundlage „prognostizierte Verluste“ (Forecasted Losses) ab. Diese prognostizierten Verluste fließen in die für die Inferenzsynthese erforderlichen Gewichtsberechnungen ein, und Worker erhalten höhere Anreize, sowohl wenn ihre Inferenzen genau sind, als auch wenn sie die Genauigkeit der Inferenzen anderer Worker präzise vorhersagen. Durch diese Struktur kann Allora Inferenzsynthesegewichte ableiten, die verschiedene Kontextsituationen berücksichtigen und nicht nur die vergangene Leistung der Worker.

Vorhersage der Inferenzgenauigkeit von Workern für Kontextbewusstsein; Quelle: Allora Docs

Betrachten wir beispielsweise ein Thema, das den Bitcoin-Preis eine Stunde später vorhersagt. Nehmen wir bezüglich der Worker A und B Folgendes an:

• Worker A: Hat eine hohe durchschnittliche Inferenzgenauigkeit von 90 %, zeigt jedoch eine verringerte Genauigkeit bei volatilen Marktbedingungen.
• Worker B: Hat eine durchschnittliche Inferenzgenauigkeit von 80 %, hält jedoch bei volatilen Marktbedingungen eine relativ hohe Genauigkeit aufrecht.

Wenn der aktuelle Markt hochvolatil ist und mehrere Worker vorhersagen, dass „Worker B aufgrund seiner Stärke in volatilen Situationen nur etwa 5 % Fehler bei dieser Vorhersage haben wird“, während gleichzeitig vorhergesagt wird, dass „Worker A in dieser volatilen Situation etwa 15 % Fehler erwarten lässt“, wird Allora der Inferenz von Worker B für diese Vorhersage ein höheres Gewicht zuweisen, trotz ihrer niedrigeren durchschnittlichen historischen Leistung. Der Themenkoordinator synthetisiert die Inferenzen unter Verwendung der endgültigen Gewichte, die durch diesen Prozess abgeleitet wurden, und stellt dem Konsumenten den endgültigen Inferenzwert bereit. Zusätzlich werden während dieses Prozesses Konfidenzintervalle basierend auf der Verteilung der von Workern eingereichten Inferenzwerte berechnet und bereitgestellt. Anschließend vergleichen Reputer die tatsächlichen Ergebnisse mit den endgültigen Inferenzwerten, um die Inferenzleistung jedes Workers und die Genauigkeit der Vorhersage der Inferenzgenauigkeit anderer Workers zu bewerten, wobei sie die Gewichte der Worker durch Konsens basierend auf Staking-Anteilen anpassen. Allora führt Inferenzsynthese und -bewertung durch diese Methode durch, und insbesondere die Struktur des „Kontextbewusstseins“, bei der jeder Worker die Inferenzgenauigkeit der anderen Worker bewertet, trägt zur Verbesserung der Inferenzgenauigkeit bei, indem es Allora ermöglicht, Inferenzwerte zu ableiten, die für jede Situation optimiert sind. Darüber hinaus funktioniert die Kontextbewusstseins-Funktion effizienter, je mehr Daten zur Inferenzleistung der Worker anfallen, sodass die Inferenzfunktion von Allora sich effektiver selbst verbessern kann.

Alloras Inferenzsyntheseprozess; Quelle: Allora Docs

Die Konsensebene von Allora ist der Ort, an dem Themen-Gewichtsberechnungen, die Verteilung von Netzwerkbelohnungen und die Aufzeichnung von Teilnehmeraktivitäten stattfinden. Sie basiert auf dem Cosmos SDK mit CometBFT- und DPoS-(Delegated Proof of Stake)Konsensmechanismen. Benutzer können am Allora-Netzwerk teilnehmen, indem sie $ALLO-Token staken und Knoten betreiben, wobei sie Transaktionsgebühren, die von Allora-Teilnehmern eingereicht werden, als Vergütung für den Betrieb des Netzwerks und die Gewährleistung der Sicherheit erhalten. Auch ohne den Betrieb von Knoten können Benutzer diese Anreize indirekt erhalten, indem sie ihr$ALLO an Validatoren delegieren. Darüber hinaus verfügt Allora über $ALLO-Inflationsanreize, die an Netzwerkteilnehmer verteilt werden, wobei 75$ALLO an Worker und Reputer gehen, die an Themeninferenzen teilnehmen, und die verbleibenden 25 % an Validatoren. Diese Inflationsanreize entfallen, sobald gesamtes $ALLO ausgegeben ist, und folgen einer Struktur, in der sich die freigeschalteten Mengen schrittweise halbieren. Wenn der 75%ige Inflationsanreiz an Worker und Reputer verteilt wird, wird das Verteilungsverhältnis nicht nur durch die Worker-Leistung und die Staking-Anteile der Reputer bestimmt, sondern auch durch das Themengewicht. Das Themengewicht wird basierend auf den Staking-Beträgen der Reputer, die am Thema teilnehmen, und den Gebühreneinnahmen berechnet, wodurch die kontinuierliche Teilnahme von Workern und Reputern an Themen mit hoher Nachfrage und Stabilität incentiviert wird.

3. Von On-Chain zu verschiedenen Branchen

3. 1. Allora nähert sich dem Mainnet-Start

Allora gründete die Allora Foundation am 10. Januar 2025 und beschleunigt auf den Mainnet-Start zu, nachdem ein öffentliches Testnet mit über 300.000 teilnehmenden Workern abgeschlossen wurde. Stand 6. Februar führen sie den „Allora Model Forge Competition“ durch, um KI-Modellersteller für das Allora-Netzwerk nach dem Mainnet-Start auszuwählen.

Kategorien des Allora Model Forge Competition; Quelle: Allora Model Forge Competition

Zusätzlich etabliert Allora Partnerschaften mit verschiedenen Projekten vor dem Mainnet-Start. Die wichtigsten Partnerprojekte und die Funktionalitäten, die Allora ihnen bereitstellt, sind folgende:

• Plume: Bereitstellung von RWA-Preisfeeds im Plume-Netzwerk, Echtzeit-APY- und Risikovorhersage.
• Story Protocol: Bereitstellung von IP-Wertbewertung und potenziellen Erkenntnissen, Preisfeeds für illiquide On-Chain-Vermögenswerte, Allora-Inferenz für Story-Protocol-basiertes DeFi.
• Monad: Bereitstellung von Preisfeeds für illiquide On-Chain-Vermögenswerte, Allora-Inferenz für Monad-basiertes DeFi.
• 0xScope: Unterstützung der Entwicklung des On-Chain-Aktivitätsassistenten-AI Jarvis unter Verwendung der Kontextbewusstseinsfähigkeiten von Allora.
• Virtuals Protocol: Verbesserung der Agentenleistung durch Integration von Allora-Inferenz mit dem G.A.M.E-Framework von Virtual Protocol.
• Eliza OS (ehemals ai16z): Verbesserung der Agentenleistung durch Integration von Allora-Inferenz mit dem Eliza-Framework von Eliza OS.

Derzeit konzentrieren sich die Partnerschaften von Allora hauptsächlich auf KI-/Krypto-Projekte, was zwei Schlüsselfaktoren widerspiegelt: 1) hohe Nachfrage nach dezentraler Inferenz durch Krypto-basierte Projekte und 2) einfacher Zugang zu On-Chain-Daten, die für KI-Modelle erforderlich sind, um die angeforderten Inferenzen auszuführen. Für den frühen Mainnet-Start wird erwartet, dass Allora erhebliche Inflationsbelohnungen zuweist, um Teilnehmer anzuziehen.

Um die anhaltende Aktivität der Teilnehmer zu fördern, die durch diese Inflationsbelohnungen angezogen wurden, muss Allora einen angemessenen Wert für $ALLO aufrechterhalten. Da die Inflationsbelohnungen jedoch mit der Zeit allmählich abnehmen, besteht die langfristige Herausforderung darin, durch eine gesteigerte Inferenznachfrage ausreichende Netzwerktransaktionsgebühren zu generieren, um die fortgesetzte Teilnahme am Protokoll zu incentivieren. Daher ist es zur Beurteilung des potenziellen Erfolgs von Allora entscheidend, sowohl die kurzfristige Strategie zur Wertsteigerung von$ALLO als auch die langfristige Fähigkeit, stabile Gebühreneinnahmen durch die Inferenznachfrage zu sichern, genau zu beobachten.

4. Fazit

Mit dem Fortschritt der KI-Technologie und dem Nachweis ihrer Nützlichkeit schreitet die Einführung und Implementierung der KI-Inferenz in den meisten Branchen aktiv voran. Aufgrund der ressourcenintensiven Natur der KI-Einführung vergrößert sich jedoch die Wettbewerbslücke zwischen großen Unternehmen, die KI erfolgreich implementiert haben, und kleineren Unternehmen, die dies nicht können. In diesem Umfeld wird erwartet, dass die Nachfrage nach den Fähigkeiten von Allora – die Bereitstellung von themenoptimierten Inferenzen und die Verbesserung der Datengenauigkeit durch Dezentralisierung – allmählich zunehmen wird. Allora zielt darauf ab, eine weit verbreitete dezentrale Inferenzinfrastruktur in allen Branchen zu werden. Die Verwirklichung dieser Vision erfordert jedoch den Nachweis sowohl der funktionellen Wirksamkeit als auch der Nachhaltigkeit. Um dies zu demonstrieren, muss Allora genügend Worker und Reputer ab dem Start des Hauptnetzes gewinnen und nachhaltige Anreize für diese Netzwerkteilnehmer sicherstellen. Wenn Allora diese Herausforderungen erfolgreich bewältigt und eine Einführung in verschiedenen Branchen erreicht, wird dies nicht nur das Potenzial der Blockchain als wesentliche KI-Infrastruktur demonstrieren, sondern auch als Schlüsselbeispiel dienen, das zeigt, wie die Kombination aus KI und Blockchain – zwei Technologien, die die aktuelle IT-Branche anführen – einen echten Mehrwert für die Menschheit bieten kann.

Referenzen

Allora Whitepaper Allora Docs Allora Blog