ארכיטקטורת Allora לסינתזת היסק AI מבוזר וניהול סיכונים ב-DeFi

1. מבוא

מאז הופעת הבינה המלאכותית הגנרטיבית המיוצגת על ידי ChatGPT, טכנולוגיית הבינה המלאכותית מתקדמת במהירות, תוך עלייה בהשתתפות תאגידית ובהשקעות בתעשיית הבינה המלאכותית. מערכות בינה מלאכותית עדכניות מציגות ביצועים מעולים לא רק ביצירת פלט ספציפי, אלא גם בעיבוד נתונים בקנה מידה גדול, זיהוי תבניות, ניתוח סטטיסטי ומודלינג חיזוי, מה שמוביל לאימוץ מורחב של בינה מלאכותית במגוון תעשיות.

JPMorgan Chase: העסיקה מעל 600 מהנדסי למידת מכונה ופיתחה/יישמה למעלה מ-400 מקרי שימוש בטכנולוגיית בינה מלאכותית, לרבות מסחר אלגוריתמי, חיזוי הונאות ותחזית תזרימי מזומנים. Walmart: מנתחת היסטוריית מכירות עונתית ואזורית כדי לחזות את הביקוש למוצרים ולייעל את המלאי. Ford: מנתחת נתוני חיישנים מרכבים כדי לחזות כשלים בחלקים ולהודיע ללקוחות, מונעת תאונות הנגרמות עקב כשלים בחלקים.

לאחרונה, קיימת מגמה גוברת של שילוב בין מערכות אקולוגיות של בלוקצ'יין לבינה מלאכותית, כאשר תשומת לב מיוחדת מוקדשת למגזר DeFAI, שבו פרוטוקולי DeFi משולבים עם בינה מלאכותית. יתרה מכך, קיימים יותר ויותר מקרים של שילוב ישיר של בינה מלאכותית במנגנוני ההפעלה של הפרוטוקול, מה שמאפשר ניהול סיכונים יעיל וחיזוי של פרוטוקולי DeFi ומציג סוגים חדשים של שירותי מוצרים פיננסיים שלא היו קיימים בעבר.

🔎 למידע מפורט אודות אינטגרציה של בינה מלאכותית בפרוטוקולי DeFi, ניתן להפנות למאמר "Intelligent DeFi: AI Redesigning the Blueprint of DeFi".

עם זאת, בניית מודלים של בינה מלאכותית המתמחים בפונקציות ספציפיות נשארת כיום מונופול של תאגידים גדולים ומומחי בינה מלאכותית עקב חסמי כניסה גבוהים, הכוללים כמויות אדירות של נתוני אימון וטכנולוגיית בינה מלאכותית ייעודית. כתוצאה מכך, תעשיות אחרות וסטארט-אפים קטנים נתקלים בקשיים משמעותיים באימוץ בינה מלאכותית, ואפליקציות מבוזרות (dApps) במערכת האקולוגית של הבלוקצ'יין אינן פטורות מאילוצים אלה. בנוסף, מכיוון שלאפליקציות מבוזרות חייב להיות ערך ליבה של "חוסר אמון" - כלומר, ללא צורך באמון בצד שלישי - יש צורך בפיתוח תשתית בינה מלאכותית מבוזרת כדי שיותר פרוטוקולים יוכלו לאמץ בינה מלאכותית באופן אמין ולספק שירותים שמשתמשים יכולים לסמוך עליהם.

על רקע זה, Allora שואפת ליישם תשתית בינה מלאכותית מבוזרת משתפרת-עצמית ולתמוך באפליקציות מבוזרות וסטארט-אפים המעוניינים לשלב בינה מלאכותית בשירותיהם בצורה מאובטחת.

2. Allora, רשת מבוזרת לסינתזת הסקה (Inference Synthesis)

Allora היא רשת הסקה מבוזרת החוזה ומספקת ערכים עתידיים עבור נושאים ספציפיים המבוקשים על ידי ישויות שונות. קיימים שני גישות עיקריות ליישום הסקה (Inference) מבוזרת של בינה מלאכותית:

מודל יחיד/עיבוד מבוזר: בניית מודל בינה מלאכותית מבוזר יחיד על ידי ביצוע תהליכי אימון המודל והסקה באופן מבוזר.
מודל מרובה/סינתזת הסקה: איסוף תוצאות הסקה ממספר מודלים מאומנים מראש של בינה מלאכותית וסינתזתם ליצירת תוצאת הסקה בודדת.

בין שתי הגישות הללו, Allora מאמצת את שיטת המודל המרובה/סינתזת הסקה, שבה מפעילי מודלי בינה מלאכותית משתתפים בחופשיות ברשת Allora כדי לבצע הסקה עבור חיזויים המבוקשים בנושאים ספציפיים, והפרוטוקול מספק למבקשים תוצאת חיזוי אחת שסונתזה מערכי ההסקה שנגזרו על ידי מפעילים אלה.

בעת סינתזת ערכי הסקה ממודלי בינה מלאכותית, Allora אינה פשוט ממצעת את ערכי ההסקה שנגזרו על ידי כל מודל, אלא גוזרת ערכי הסקה על ידי הקצאת משקלות לכל מודל. לאחר מכן, Allora משווה את ערך התוצאה בפועל עבור אותו נושא עם הערכים שנגזרו על ידי כל מודל ומבצעת שיפור עצמי כדי להגדיל את דיוק ההסקה על ידי הקצאת משקלות ותמריצים גבוהים יותר למודלים המגזרים ערכי הסקה הדומים לערך התוצאה בפועל. באמצעות גישה זו, Allora יכולה לבצע הסקה ממוקדת יותר בנושאים ספציפיים מאשר בינה מלאכותית מבוזרת שנבנתה באמצעות שיטת המודל/העיבוד המבוזר.

כדי לעודד מודלי בינה מלאכותית נוספים להשתתף בפרוטוקול, Allora מספקת את מסגרת הקוד הפתוח Allora MDK (ערכת פיתוח מודלים) כדי לעזור לכל אחד לבנות ולפרוס בקלות מודלי בינה מלאכותית ולהשתמש בהם. בנוסף, Allora מספקת שני SDK - Allora Network Python ו- TypeScript SDK - למשתמשים המעוניינים להשתמש בנתוני ההסקה של Allora, ומספקת סביבה שבה ניתן לשלב בקלות ולהשתמש בנתונים המסופקים על ידי Allora בשירותיהם.

כך, Allora שואפת לתפקד כשכבת ביניים המחברת בין מודלי בינה מלאכותית לבין שירותים/פרוטוקולים הזקוקים לנתוני הסקה, ומספקת למפעילי מודלי בינה מלאכותית הזדמנויות ליצירת הכנסה באמצעות מודלי בינה מלאכותית, בזמן שהיא מבססת את עצמה כתשתית המספקת נתונים לא-מוטים הדרושים לשירותים/פרוטוקולים. נבחן את אדריכלות הפרוטוקול המפורטת של Allora כדי להבין כיצד Allora עובדת ומה המאפיינים הייחודיים שלה.

2. 1. אדריכלות הפרוטוקול

ב-Allora, כל אחד יכול להגדיר ולפרוס נושאים ספציפיים, וארבע ישויות משתתפות מעורבות בתהליך ביצוע ההסקה וגזירת ערכי ההסקה הסופיים עבור הנושאים שפורסמו:

צרכנים (Consumers): ישויות המשלמות דמי כניסה כדי לבקש הסקה עבור נושאים ספציפיים.
עובדים (Workers): ישויות המפעילות מודלי בינה מלאכותית באמצעות מסדי הנתונים שלהן ומבצעות את ההסקה המבוקשת על ידי הצרכנים עבור נושאים ספציפיים.
מעריכים (Reputers): ישויות המבצעות הערכה על ידי השוואת נתונים שנגזרו על ידי העובדים עם ערכים בפועל.
מאמתים (Validators): ישויות המפעילות צמתים של רשת Allora, מעבדות ומתעדות את העסקאות הנוצרות על ידי כל ישות משתתפת.

לרשת Allora יש מבנה המפריד בין ישויות ביצוע ההסקה, ההערכה והאימות, כאשר אסימון הרשת $ALLO נמצא במרכזה. האסימון$ ALLO משמש כדמי עסקה עבור בקשות הסקה וכתמריצים עבור ביצוע הסקה, מחבר בצורה חלקה בין משתתפי הרשת וכן ננעל (Staked) כדי להבטיח אבטחה.

אם נסתכל על פרוטוקול Allora מנקודת מבט פונקציונלית, נבחן בפירוט את התפקידים של כל שכבה - שכבת צריכת ההסקה, שכבת סינתזת ההסקה ושכבת הקונצנזוס - ואת האינטראקציות בין המשתתפים.

2. 1. 1. שכבת צריכת ההסקה (Inference Consumption Layer)

שכבת צריכת ההסקה מטפלת באינטראקציות בין משתתפי הפרוטוקול לבין פרוטוקול Allora, לרבות יצירת נושאים, ניהול משתתפי נושא ובקשות הסקה. משתמשים המעוניינים ליצור נושא יכולים ליצור אינטראקציה עם מערכת ניהול הנושאים וההסקה של Allora, ה- Topic Coordinator, על ידי תשלום סכום מסוים של $ALLO והגדרת קבוצת כללים המגדירה מה הם רוצים להסיק יחד עם אופן אימות התוצאות בפועל והערכת ערכי ההסקה שנגזרו על ידי העובדים.

לאחר יצירת נושא, עובדים (workers) ומעריכים (reputers) יכולים לרשום את עצמם כמשתתפים בהסקת מסקנות עבור אותו הנושא על ידי תשלום דמי הרשמה באסימוני $ALLO. על המעריכים לבצע בנוסף הימור (stake) של סכום מסוים באסימוני$ ALLO בנושא, במסגרתו הם חשופים לסיכון של חיתוך נכסים (slashing) במקרה של אימות תוצאות זדוני. לאחר יצירת הנושאים ורישום העובדים והמעריכים, צרכנים יכולים לבקש הסקת מסקנות על ידי תשלום ב-$ALLO לנושא, והעובדים והמעריכים מקבלים את דמי הבקשה של הנושא כפיצוי על נגזרת ערכי ההסקה.

2. 1. 2. שכבת התחזית והסינתזה (Forecast & Synthesis Layer)

שכבת התחזית והסינתזה היא השכבה המרכזית של Allora לייצור הסקות מסקנות מבוזרות, שבה עובדים מבצעים הסקות, מעריכים מעריכים את הביצועים, וקביעת משקלות וסינתזה של הסקות מתבצעת על בסיס הערכות אלו. עובדים ברשת Allora לא רק מגישים ערכי הסקה עבור נושאים המבוקשים על ידי צרכנים, אלא גם מעריכים את הדיוק של הסקות של עובדים אחרים ומסיקים "הפסדים צפויים" (Forecasted Losses) על בסיס הערכות אלו. הפסדים צפויים אלו משתקפים בחישובי המשקלות הנדרשים לסינתזת ההסקה, והעובדים מקבלים תמריצים גבוהים יותר הן כאשר ההסקות שלהם מדויקות והן כאשר הם חוזים במדויק את דיוק ההסקה של עובדים אחרים. דרך מבנה זה, Allora יכולה לגזור משקלות סינתזה של הסקות הלוקחים בחשבון מצבים הקשריים שונים, ולא רק את הביצועים ההיסטוריים של העובדים.

![חיזוי דיוק ההסקה של עובדים למודעות הקשר; מקור: Allora Docs](Workers' inference accuracy prediction for context awareness; Source: Allora Docs)

לדוגמה, בנושא החוזה את מחיר הביטקוין בעוד שעה, נניח את הנחות הבאות לגבי עובדים A ו-B:

עובד A: בעל דיוק הסקה ממוצע גבוה של 90%, אך מציג ירידה בדיוק בתנאי שוק רועשים.
עובד B: בעל דיוק הסקה ממוצע של 80%, אך שומר על דיוק גבוה יחסית בתנאי שוק רועשים.

אם השוק הנוכחי רועש מאוד ומספר עובדים חוזים כי "לעובד B תהיה שגיאה של כ-5% בלבד בחיזוי זה בזכות החוזק שלו במצבים רועשים", בזמן שהם חוזים כי "צפוי שלעובד A תהיה שגיאה של כ-15% במצב רועש זה", Allora תקצה משקל גבוה יותר להסקה של עובד B עבור חיזוי זה למרות הביצועים ההיסטוריים הממוצעים הנמוכים יותר שלו. מתאם הנושא (Topic Coordinator) מסנתז הסקות באמצעות המשקלות הסופיים שנגזרו דרך תהליך זה ומספק את ערך ההסקה הסופי לצרכן. בנוסף, במהלך תהליך זה, מחושבים ומסופקים רווחי סמך (confidence intervals) על בסיס התפלגות ערכי ההסקה שהוגשו על ידי העובדים. לאחר מכן, המעריכים משווים בין תוצאות בפועל לבין ערכי ההסקה הסופיים כדי להעריך את ביצועי ההסקה של כל עובד ואת הדיוק בחיזוי דיוק ההסקה של עובדים אחרים, תוך כיוון משקלות העובדים דרך קונצנזוס על בסיס חלקי ההימור (staking shares). Allora מבצעת סינתזה והערכה של הסקות דרך שיטה זו, ובפרט, מבנה 'מודעות ההקשר' (context awareness), שבו כל עובד מעריך את דיוק ההסקה של עובדים אחרים, תורם לשיפור דיוק ההסקה על ידי אפשור ל-Allora להסיק ערכים המותאמים אופטימלית לכל מצב. יתר על כן, ככל שנתוני ביצועי ההסקה של העובדים מצטברים, פונקציית מודעות ההקשר פועלת ביעילות רבה יותר, מה שמאפשר לפונקציית ההסקה של Allora להשתפר בעצמה בצורה יעילה יותר.

![תהליך סינתזת ההסקה של Allora; מקור: Allora Docs](Allora's inference synthesis process; Source: Allora Docs)

שכבת הקונצנזוס של Allora היא המקום שבו מתבצעים חישובי משקלות הנושא, חלוקת התגמולים ברשת, ותיעוד פעילות המשתתפים, והיא בנויה על Cosmos SDK עם מנגנוני קונצנזוס מבוססי CometBFT ו-DPoS (Delegated Proof of Stake). משתמשים יכולים להשתתף ברשת Allora כמאמתים (validators) על ידי הימור של אסימוני $ALLO והפעלת צמתים, ולקבל את דמי העסקאות שהוגשו על ידי משתתפי Allora כפיצוי על הפעלת הרשת והבטחת האבטחה. אפילו ללא הפעלת צמתים, משתמשים יכולים לקבל את התמריצים הללו בעקיפין על ידי האצלת (delegating) ה-$ ALLO שלהם למאמתים. בנוסף, Allora מציגה תמריצי אינפלציה של $ALLO המחולקים למשתתפי הרשת, כאשר 75% מה-$ ALLO החדש ששוחרר וחולק הולך לעובדים ומעריכים המשתתפים בהסקת נושאים, וה-25% הנותרים למאמתים. תמריצי אינפלציה אלו פוסקים לאחר שכל ה-$ALLO מונפק ועוקבים אחר מבנה שבו הכמויות המשוחררות מצטמצמות בהדרגה לחצי. כאשר תמריץ האינפלציה של 75% מחולק לעובדים ומעריכים, יחס החלוקה נקבע לא רק על פי ביצועי העובד וחלקי ההימור של המעריכים, אלא גם על פי משקל הנושא. משקל הנושא מחושב על בסיס סכומי ההימור של המעריכים המשתתפים בנושא והכנסות העמלות, ובכך מעודד המשך השתתפות של עובדים ומעריכים בנושאים עם ביקוש ויציבות גבוהים.

3. מהבלוקצ'יין לתעשיות שונות

3. 1. Allora בגישה להשקת רשת ראשית (Mainnet)

Allora הקימה את "קרן Allora" (Allora Foundation) ב-10 בינואר 2025, ומאיצה לקראת השקת הרשת הראשית לאחר השלמת טסטנט ציבורי עם למעלה מ-300,000 עובדים משתתפים. נכון ל-6 בפברואר, הם מקיימים את "תחרות Allora Model Forge" כדי לבחור יוצרי מודלים של AI לרשת Allora בעקבות השקת הרשת הראשית.

![קטגוריות תחרות Allora Model Forge; מקור: Allora Model Forge Competition](Allora Model Forge Competition categories; Source: Allora Model Forge Competition)

בנוסף, Allora מקימה שותפויות עם פרויקטים שונים לקראת השקת הרשת הראשית. פרויקטי השותפים העיקריים והפונקציונליות ש-Allora מספקת להם הם כדלקמן:

Plume: מספקת הזנות מחירים של נכסים מהעולם האמיתי (RWA) ברשת Plume, חיזוי APY וסיכון בזמן אמת.
Story Protocol: מספקת הערכת ערך של קניין רוחני (IP) ותובנות פוטנציאליות, הזנות מחירים עבור נכסים מבוזרים עם נזילות נמוכה (illiquid) בשרשרת, הסקת Allora עבור DeFi מבוסס Story Protocol.
Monad: מספקת הזנות מחירים עבור נכסים מבוזרים עם נזילות נמוכה בשרשרת, הסקת Allora עבור DeFi מבוסס Monad.
0xScope: תומך בפיתוח בינה מלאכותית של עוזר פעילות בשרשרת בשם Jarvis באמצעות יכולות מודעות ההקשר של Allora.
Virtuals Protocol: שיפור ביצועי הסוכנים (agents) על ידי שילוב הסקת Allora עם מסגרת ה-G.A.M.E של Virtual Protocol.
Eliza OS (בעבר ai16z): שיפור ביצועי הסוכנים על ידי שילוב הסקת Allora עם מסגרת ה-Eliza של Eliza OS.

כיום, השותפויות של Allora מתמקדות בעיקר בפרויקטים של AI/קריפטו, מה שמשקף שני גורמים מרכזיים: 1) ביקוש גבוה להסקת מסקנות מבוזרת מפרויקטים מבוססי קריפטו, ו-2) גישה קלה לנתונים מבוזרים הנחוצים למודלי AI כדי לבצע את ההסקות הנדרשות. להשקת הרשת הראשית המוקדמת, צפוי ש-Allora תקצה תגמולי אינפלציה משמעותיים כדי למשוך משתתפים.

כדי לעודד פעילות מתמדת מצד משתתפים שנמשכו בזכות תגמולי האינפלציה הללו, Allora צריכה לשמור על ערך הולם עבור ה- $ALLO. עם זאת, מכיוון שתגמולי האינפלציה יורדים בהדרגה לאורך זמן, האתגר לטווח הארוך הוא יצירת עמלות טרנזקציות רשת מספקות דרך גידול בביקוש להסקה (inference), כדי לתמרץ השתתפות מתמדת בפרוטוקול. לכן, כדי להעריך את הפוטנציאל להצלחה של Allora, חשוב לעקוב מקרוב הן אחר אסטרטגיית עליית הערך לטווח הקצר של$ ALLO והן אחר היכולת שלה לטווח הארוך להבטיח הכנסות עמלה יציבות דרך ביקוש להסקה.

4. מסקנה

ככל שטכנולוגיית הבינה המלאכותית מתקדמת ומוכיחה את התועלת שלה, אימוץ ויישום של הסקת AI מתקדמים באופן פעיל ברוב התעשיות. עם זאת, האופי הצורך במשאבים רבים של אימוץ AI מרחיב את הפער התחרותי בין תאגידים גדולים שיישמו את ה-AI בהצלחה לבין חברות קטנות יותר שאינן מסוגלות לכך. בסביבה זו, הביקוש ליכולות של Allora - מתן הסקות מותאמות לנושא ושיפור דיוק הנתונים באופן עצמאי דרך ביזור - צפוי לגדול בהדרגה. Allora שואפת להפוך לתשתית הסקה מבוזרת שתאומץ באופן נרחב בכל התעשיות, אך מימוש חזון זה דורש הוכחה הן של יעילות תפקודית והן של קיימות. כדי להדגים זאת, ל-Allora יש צורך לגייס עובדים ו-reputers מספיקים כבר בהשקת המייננט הראשונית ולוודא תמריצים בני קיימא עבור משתתפי רשת אלו. אם Allora תצליח להתמודד עם אתגרים אלו ולהשיג אימוץ בתעשיות שונות, היא לא רק תדגים את הפוטנציאל של הבלוקצ'יין כתשתית AI חיונית, אלא גם תשמש כדוגמה מרכזית המראה כיצד השילוב של AI ובלוקצ'יין - שתי טכנולוגיות המובילות את ענף ה-IT כיום - יכול לספק ערך אמיתי לאנושות.

References

Allora Whitepaper Allora Docs Allora Blog