Allora: Infrastruktur AI Terdesentral untuk Sintesis Inferens dan Kebolehpercayaan DeFi

1. Pengenalan

Sejak kemunculan AI generatif yang diwakili oleh ChatGPT, teknologi AI telah berkembang pesat dengan peningkatan penyertaan korporat dan pelaburan dalam industri AI. AI terkini menunjukkan prestasi cemerlang bukan sahaja dalam menjana output tertentu, tetapi juga dalam pemprosesan data berskala besar, pengecaman corak, analisis statistik, dan pemodelan ramalan, yang membawa kepada penggunaan AI yang meluas merentas pelbagai industri.

JPMorgan Chase: Mengambil lebih daripada 600 jurutera ML dan membangunkan/melaksanakan lebih daripada 400 kes penggunaan teknologi AI termasuk perdagangan algoritma, ramalan penipuan, dan peramalan aliran tunai. Walmart: Menganalisis sejarah jualan bermusim dan serantau untuk meramakan permintaan produk dan mengoptimumkan inventori. Ford: Menganalisis data penderia kenderaan untuk meramakan kegagalan bahagian dan memaklumkan pelanggan, mencegah kemalangan yang disebabkan oleh kegagalan bahagian.

Baru-baru ini, terdapat trend yang semakin meningkat untuk menggabungkan ekosistem rantaian blok dengan AI, dengan perhatian khusus diberikan kepada sektor DeFAI, di mana protokol DeFi digabungkan dengan AI. Selain itu, terdapat kes yang semakin meningkat untuk menggabungkan AI secara langsung ke dalam mekanisme operasi protokol, yang membolehkan ramalan risiko dan pengurusan protokol DeFi yang cekap serta memperkenalkan jenis perkhidmatan produk kewangan baharu yang sebelum ini tidak tersedia.

🔎 Untuk maklumat terperinci mengenai integrasi AI dalam protokol DeFi, sila rujuk artikel "Intelligent DeFi: AI Redesigning the Blueprint of DeFi".

Walau bagaimanapun, pembinaan model AI yang khusus untuk fungsi tertentu kini kekal sebagai monopoli syarikat besar dan pakar AI disebabkan oleh halangan kemasukan yang tinggi, termasuk jumlah data latihan yang besar dan teknologi AI yang khusus. Akibatnya, industri lain dan pemula kecil menghadapi kesukaran yang besar untuk mengamalkan AI, dan dApps ekosistem rantaian blok tidak dikecualikan daripada batasan ini. Di samping itu, memandangkan dApps mesti mengekalkan nilai teras "ketidakpercayaan" - iaitu tidak memerlukan kepercayaan kepada pihak ketiga - pembangunan infrastruktur AI terpencar adalah perlu agar lebih banyak protokol boleh mengamalkan AI dengan selamat dan menyediakan perkhidmatan yang boleh dipercayai oleh pengguna.

Terhadap latar belakang ini, Allora bertujuan untuk melaksanakan infrastruktur AI terpencar yang meningkat sendiri dan menyokong dApps serta pemula yang ingin mengintegrasikan AI ke dalam perkhidmatan mereka dengan selamat.

2. Allora, Rangkaian Sintesis Inferens Terpencar

Allora ialah rangkaian inferens terpencar yang meramalkan dan menyediakan nilai masa depan bagi topik tertentu yang diminta oleh pelbagai entiti. Terdapat dua pendekatan utama untuk melaksanakan inferens AI terpencar:

Model Tunggal/Pemprosesan Terpencar: Membina model AI tunggal yang terpencar dengan menjalankan proses latihan model dan inferens secara terpencar. Model Berbilang/Sintesis Inferens: Mengumpul hasil inferens daripada berbilang model AI pra-latih dan mensintesiskannya untuk menghasilkan satu hasil inferens.

Antara dua pendekatan ini, Allora mengamalkan kaedah model berbilang/sintesis inferens, di mana pengendali model AI menyertai rangkaian Allora secara bebas untuk melaksanakan inferens bagi ramalan yang diminta pada topik tertentu, dan protokol menyediakan pemohon dengan satu hasil ramalan yang disintesiskan daripada nilai inferens yang diperoleh oleh pengendali ini.

Apabila mensintesiskan nilai inferens daripada model AI, Allora tidak hanya mengambil purata nilai inferens yang diperoleh oleh setiap model, tetapi mendapatkan nilai inferens dengan memberikan pemberat kepada setiap model. Selepas itu, Allora membandingkan nilai hasil sebenar bagi topik tersebut dengan nilai yang diperoleh oleh setiap model dan melaksanakan peningkatan kendiri untuk meningkatkan ketepatan inferens dengan memberikan pemberat dan insentif yang lebih tinggi kepada model yang mendapatkan nilai inferens yang serupa dengan nilai hasil sebenar.

Melalui pendekatan ini, Allora boleh melaksanakan inferens yang lebih khusus kepada topik tertentu berbanding AI terpencar yang dibina menggunakan kaedah model/pemprosesan terpencar. Untuk menggalakkan lebih banyak model AI untuk menyertai protokol, Allora menyediakan kerangka sumber terbuka Allora MDK (Model Development Kit) untuk membantu sesiapa sahaja membina serta menggunakan model AI dengan mudah. Di samping itu, Allora menyediakan dua SDK - Allora Network Python dan TypeScript SDK - kepada pengguna yang ingin menggunakan data inferens Allora, menyediakan persekitaran di mana mereka boleh mengintegrasikan dan menggunakan data yang disediakan oleh Allora dalam perkhidmatan mereka dengan mudah.

Oleh itu, Allora bertujuan untuk berfungsi sebagai lapisan pertengahan yang menghubungkan model AI dengan perkhidmatan/protokol yang memerlukan data inferens, memberikan peluang kepada pengendali model AI untuk menjana pendapatan melalui model AI sambil menubuhkan dirinya sebagai infrastruktur yang menyediakan data yang tidak berat sebelah yang diperlukan oleh perkhidmatan/protokol.

Mari kita periksa seni bina protokol terperinci Allora untuk memahami cara Allora berfungsi dan ciri-ciri istimewanya.

2. 1. Seni Bina Protokol

Dalam Allora, sesiapa sahaja boleh menetapkan dan melancarkan topik tertentu, dan empat entiti peserta terlibat dalam proses melaksanakan inferens dan mendapatkan nilai inferens akhir untuk topik yang dilancarkan:

Pengguna: Entiti yang membayar yuran untuk meminta inferens bagi topik tertentu. Pekerja: Entiti yang mengendalikan model AI menggunakan pangkalan data mereka dan melaksanakan inferens yang diminta oleh pengguna bagi topik tertentu. Reputers: Entiti yang menilai dengan membandingkan data yang diperoleh oleh pekerja dengan nilai sebenar. Pengesah: Entiti yang mengendalikan nod rangkaian Allora, memproses dan merakam transaksi yang dijana oleh setiap entiti peserta.

Rangkaian Allora mempunyai struktur yang memisahkan entiti pelaksanaan inferens, penilaian, dan pengesahan, dengan token rangkaian $ALLO di tengahnya.$ALLO digunakan sebagai yuran permintaan inferens dan insentif untuk pelaksanaan inferens, menghubungkan peserta rangkaian dengan lancar sambil juga dipertaruhkan untuk memastikan keselamatan.

Melihat protokol Allora daripada perspektif berfungsi, kita akan memeriksa secara terperinci peranan setiap lapisan - lapisan penggunaan inferens, lapisan sintesis inferens, dan lapisan konsensus - serta interaksi antara peserta.

2. 1. 1. Lapisan Penggunaan Inferens

Lapisan penggunaan inferens mengendalikan interaksi antara peserta protokol dan protokol Allora, termasuk penciptaan topik, pengurusan peserta topik, dan permintaan inferens. Pengguna yang ingin membuat topik boleh berinteraksi dengan sistem pengurusan topik dan inferens Allora, iaitu Topic Coordinator, dengan membayar jumlah $ALLO yang tertentu dan menetapkan set peraturan yang mentakrifkan apa yang mereka ingin inferens bersama dengan cara untuk mengesahkan hasil sebenar dan menilai nilai inferens yang diperoleh oleh pekerja.

Setelah topik dicipta, pekerja dan reputer boleh mendaftar sebagai peserta inferens untuk topik tersebut dengan membayar yuran pendaftaran dalam token $ALLO. Reputer mestilah terlebih dahulu mempertaruhkan sejumlah tertentu$ALLO dalam topik tersebut, mendedahkan diri mereka kepada pelupusan aset untuk pengesahan hasil yang berniat jahat. Selepas topik dicipta dan pekerja serta reputer didaftarkan, pengguna boleh meminta inferens dengan membayar $ALLO kepada topik tersebut, dan pekerja serta reputer menerima yuran permintaan topik ini sebagai pampasan untuk menurunkan nilai inferens.

2.1.2. Lapisan Ramalan & Sintesis

Lapisan ramalan dan sintesis adalah lapisan teras Allora untuk menjana inferens terdesentralisasi, di mana pekerja melaksanakan inferens, reputer menilai prestasi, dan penetapan berat serta sintesis inferens berlaku berdasarkan penilaian ini. Pekerja dalam rangkaian Allora bukan sahaja menghantar nilai inferens untuk topik yang diminta oleh pengguna, tetapi juga menilai ketepatan inferens pekerja lain dan menurunkan Forecasted Losses berdasarkan penilaian ini. Kerugian yang diramalkan ini dicerminkan dalam pengiraan berat yang diperlukan untuk sintesis inferens, dan pekerja menerima insentif yang lebih tinggi sama ada apabila inferens mereka tepat dan apabila mereka meramalkan ketepatan inferens pekerja lain dengan tepat. Melalui struktur ini, Allora boleh menurunkan berat sintesis inferens yang mempertimbangkan pelbagai situasi konteks, bukan sahaja prestasi lalu pekerja.

Ketepatan ramalan inferens pekerja untuk kesedaran konteks; Sumber: Allora Docs

Contohnya, dalam topik yang meramalkan harga Bitcoin satu jam kemudian, mari kita andaikan berikut tentang pekerja A dan B:

• Pekerja A: Mempunyai ketepatan inferens purata yang tinggi iaitu 90% tetapi menunjukkan ketepatan yang berkurang dalam keadaan pasaran yang tidak stabil.
• Pekerja B: Mempunyai ketepatan inferens purata iaitu 80% tetapi mengekalkan ketepatan yang agak tinggi dalam keadaan pasaran yang tidak stabil.

Jika pasaran semasa sangat tidak stabil dan berbilang pekerja meramalkan "Pekerja B hanya akan mempunyai ralat lebih kurang 5% dalam ramalan ini kerana kekuatan mereka dalam situasi tidak stabil" sambil meramalkan "Pekerja A dijangka mempunyai ralat lebih kurang 15% dalam situasi tidak stabil ini," Allora akan memberikan berat yang lebih tinggi kepada inferens Pekerja B untuk ramalan ini berbanding prestasi purata sejarah mereka yang lebih rendah. Penyelaras Topik mensintesiskan inferens menggunakan berat akhir yang diperolehi melalui proses ini dan menyediakan nilai inferens akhir kepada pengguna. Di samping itu, semasa proses ini, selang keyakinan dikira dan disediakan berdasarkan taburan nilai inferens yang dihantar oleh pekerja. Selepas itu, reputer membandingkan hasil sebenar dengan nilai inferens akhir untuk menilai prestasi inferens setiap pekerja dan ketepatan dalam meramalkan ketepatan inferens pekerja lain, melaraskan berat pekerja melalui konsensus berdasarkan bahagian pertaruhan.

Allora menjalankan sintesis inferens dan penilaian melalui kaedah ini, dan khususnya, struktur 'kesedaran konteks' di mana setiap pekerja menilai ketepatan inferens pekerja lain menyumbang kepada peningkatan ketepatan inferens dengan membolehkan Allora menurunkan nilai inferens yang dioptimumkan untuk setiap situasi. Selain itu, apabila data prestasi inferens pekerja terkumpul, fungsi kesedaran konteks beroperasi dengan lebih cekap, membolehkan fungsi inferens Allora memperbaiki diri dengan lebih berkesan.

Proses sintesis inferens Allora; Sumber: Allora Docs

Lapisan konsensus Allora adalah tempat pengiraan berat topik, pengagihan ganjaran rangkaian, dan rakaman aktiviti peserta berlaku, dibina di atas Cosmos SDK dengan mekanisme konsensus berasaskan CometBFT dan DPoS (Delegated Proof of Stake). Pengguna boleh mengambil bahagian dalam rangkaian Allora sebagai pengesah dengan mempertaruhkan token $ALLO dan mengendalikan nod, menerima yuran transaksi yang dikemukakan oleh peserta Allora sebagai pampasan untuk mengendalikan rangkaian dan memastikan keselamatan. Walaupun tanpa mengendalikan nod, pengguna boleh menerima insentif ini secara tidak langsung dengan mewakilkan$ALLO mereka kepada pengesah. Di samping itu, Allora mempunyai insentif inflasi $ALLO yang diedarkan kepada peserta rangkaian, dengan 75$ALLO yang baru dibuka kunci dan diedarkan pergi kepada pekerja dan reputer yang mengambil bahagian dalam inferens topik, dan baki 25% kepada pengesah. Insentif inflasi ini berhenti sebaik sahaja semua $ALLO dikeluarkan dan mengikut struktur di mana kuantiti yang dibuka kunci secara beransur-ansur berkurangan separuh.

Apabila insentif inflasi 75% diedarkan kepada pekerja dan reputer, nisbah pengagihan ditentukan bukan sahaja oleh prestasi pekerja dan bahagian pertaruhan reputer, tetapi juga oleh berat topik. Berat topik dikira berdasarkan amaun pertaruhan reputer yang mengambil bahagian dalam topik dan hasil yuran, dan dengan itu mendorong penyertaan berterusan pekerja dan reputer dalam topik dengan permintaan dan kestabilan yang tinggi.

3. Dari On-chain ke Pelbagai Industri

3.1. Allora Menghampiri Pelancaran Mainnet

Allora menubuhkan Yayasan Allora pada 10 Januari 2025, dan mempercepatkan menuju pelancaran mainnet setelah menyelesaikan testnet awam dengan lebih 300,000 pekerja yang mengambil bahagian. Sehingga 6 Februari, mereka sedang menjalankan Pertandingan Allora Model Forge untuk memilih pencipta model AI untuk rangkaian Allora berikutan pelancaran mainnet.

Kategori Pertandingan Allora Model Forge; Sumber: Allora Model Forge Competition

Di samping itu, Allora sedang menubuhkan perkongsian dengan pelbagai projek menjelang pelancaran mainnet. Projek rakan kongsi utama dan fungsi yang disediakan oleh Allora kepada mereka adalah seperti berikut:

• Plume: Menyediakan suapan harga RWA di rangkaian Plume, ramalan APY dan risiko masa nyata.
• Story Protocol: Menyediakan penilaian nilai IP dan pandangan potensi, suapan harga untuk aset on-chain yang kurang cair, inferens Allora untuk DeFi berasaskan Story Protocol.
• Monad: Menyediakan suapan harga untuk aset on-chain yang kurang cair, inferens Allora untuk DeFi berasaskan Monad.
• 0xScope: Menyokong pembangunan pembantu aktiviti on-chain AI Jarvis menggunakan keupayaan kesedaran konteks Allora.
• Virtuals Protocol: Meningkatkan prestasi agen dengan menggabungkan inferens Allora dengan kerangka G.A.M.E Protokol Virtual.
• Eliza OS (dahulunya ai16z): Meningkatkan prestasi agen dengan menggabungkan inferens Allora dengan kerangka Eliza OS Eliza.

Pada masa ini, perkongsian Allora terutamanya memberi tumpuan kepada projek AI/kripto, yang mencerminkan dua faktor utama: 1) permintaan yang tinggi untuk inferens terdesentralisasi dari projek berasaskan kripto, dan 2) akses mudah kepada data on-chain yang diperlukan untuk model AI melaksanakan inferens yang diperlukan. Untuk pelancaran mainnet awal, Allora dijangka menguntukkan ganjaran inflasi yang besar untuk menarik peserta.

Untuk menggalakkan aktiviti berterusan daripada peserta yang ditarik oleh ganjaran inflasi ini, Allora perlu mengekalkan nilai yang sesuai untuk $ALLO. Walau bagaimanapun, memandangkan ganjaran inflasi beransur-ansur berkurang dari masa ke masa, cabaran jangka panjang adalah menjana yuran transaksi rangkaian yang mencukupi melalui permintaan inferens yang meningkat untuk memberikan insentif kepada penyertaan protokol yang berterusan. Oleh itu, untuk menilai potensi kejayaan Allora, adalah penting untuk memerhatikan dengan teliti kedua-dua strategi kenaikan nilai$ALLO jangka pendek Allora dan keupayaannya jangka panjang untuk memperoleh hasil yuran yang stabil melalui permintaan inferens. 4. KesimpulanSeiring dengan kemajuan teknologi AI dan pembuktiannya kegunaannya, penggunaan dan pelaksanaan inferens AI sedang mara secara aktif merentasi kebanyakan industri. Walau bagaimanapun, sifat penggunaan AI yang sangat intensif sumber ini semakin melebarkan jurang kompetitif antara korporat besar yang telah berjaya melaksanakan AI dan syarikat kecil yang tidak mampu berbuat demikian. Dalam persekitaran ini, permintaan untuk keupayaan Allora - yang menyediakan inferens yang dioptimumkan mengikut topik dan ketepatan data yang sentiasa memperbaiki diri melalui desentralisasi - dijangka meningkat secara beransur-ansur. Allora bertujuan untuk menjadi infrastruktur inferens terdesentralisasi yang digunakan secara meluas merentasi semua industri, tetapi merealisasikan wawasan ini memerlukan bukti keberkesanan fungsi dan kelestarian. Untuk membuktikan ini, Allora perlu mendapatkan pekerja dan reputer yang mencukupi semasa pelancaran mainnet awal dan memastikan insentif yang mampan untuk peserta rangkaian ini. Jika Allora berjaya menangani cabaran ini dan mencapai penggunaan merentasi pelbagai industri, ia bukan sahaja akan menunjukkan potensi blockchain sebagai infrastruktur AI yang penting, tetapi juga berfungsi sebagai contoh utama yang menunjukkan bagaimana gabungan AI dan blockchain - dua teknologi yang menerajui industri IT semasa - boleh memberikan nilai sebenar kepada kemanusiaan. RujukanAllora WhitepaperAllora DocsAllora Blog