Původ článku: Vitalik Buterin

Autor: Vitalik Buterin

Překlad | CryptoLeo, Odaily Planet Daily

Americké volby přivedly predikční trh Polymarket k dalšímu rozkvětu, lidé, kteří hledali zisk, začali sázet, zatímco ti, kteří hledali výsledky, ho používali jako zpravodajskou datovou platformu pro získávání informací. Jako "out-of-the-box" blockchainová aplikace spojil Polymarket dobře on-chain financování a predikce ze skutečného světa. Vitalik několikrát chválil Polymarket a sám je také věrným fanouškem raného predikčního trhu Augur. Dnes Vitalik publikoval článek, který zkoumá informační finance prostřednictvím predikčních trhů; následuje celý text, přeložený Odaily Planet Daily:

Jednou z věcí, které mě nejvíce vzrušují na aplikacích Etherea, jsou predikční trhy. V roce 2014 jsem napsal článek o futarchy, což je model řízení založený na predikci, který navrhl Robin Hanson. Již v roce 2015 jsem byl aktivním uživatelem a podporovatelem predikčního trhu Augur, na volbách v roce 2020 jsem vsadil a vydělal 58 000 dolarů. Tento rok jsem byl věrným podporovatelem a následovníkem Polymarketu.

Pro mnohé jsou predikční trhy o sázení na volby a sázení na volby je hazard - pokud to může pomoci veřejnosti zažít zábavu, bylo by to skvělé, ale v zásadě to není o nic zajímavější než náhodný nákup Memů na pump.fun. Z tohoto úhlu pohledu se zdá, že mé vzrušení z predikčních trhů je nepochopitelné. Takže v tomto článku vysvětlím, co mě na predikčních trzích zajímá. Stručně řečeno, věřím:

1. Existující predikční trhy jsou pro svět velmi užitečným nástrojem;

2. Dále, predikční trhy jsou jen předchůdci v populárnějším oboru, s potenciálem aplikace na sociální média, vědu, zprávy, řízení a další oblasti, tuto kategorii označím jako "informační finance".

Dvojí povaha Polymarketu: sázková stránka pro účastníky, zpravodajský web pro všechny ostatní

Během minulého týdne byl Polymarket velmi efektivním zdrojem informací o amerických volbách. Polymarket nejen předpovídá, že šance na vítězství Trumpa je 60/40 (zatímco jiné zdroje předpovídají 50/50, což samo o sobě není příliš působivé), ale také ukazuje další výhody: když se výsledky objevily, přestože mnozí odborníci a zpravodajské zdroje neustále indukovali publikum, aby doufalo, že uslyší příznivé zprávy o Harrisové, Polymarket přímo odhalil pravdu: šance na vítězství Trumpa přesáhla 95 %, zatímco šance na ovládnutí všech vládních oddělení přesáhla 90%.

Ale pro mě to není ani nejlepší příklad zajímavosti Polymarketu. Tak se podívejme na další příklad: v červenci, když se konaly volby v Venezuelském prezidentství, druhý den po volbách jsem náhodou viděl někoho protestovat proti silně manipulovaným prezidentským volbám ve Venezuele. Na začátku jsem tomu nevěnoval moc pozornosti. Věděl jsem, že Maduro je jedním z těch lidí, kteří jsou "v podstatě diktátoři", takže jsem si říkal, že si určitě padne každé volební výsledky, aby si udržel moc a že někdo protestuje a protest selže. Bohužel mnozí další selhali. Později, když jsem procházel Polymarket, jsem viděl toto:

Lidé jsou ochotni investovat více než 100 000 dolarů, aby vsadili, že by Maduro mohl být svržen v letošních volbách ve Venezuele s pravděpodobností 23%, nyní si toho všímám.

Samozřejmě, že víme, že svrhnutí výsledku je málo pravděpodobné. Nakonec Maduro zůstal u moci. Ale trh mi dal najevo, že tento pokus o svržení Madura je vážný. V té době probíhaly masové protesty, opozice nečekaně zvolila dobře provedenou strategii, aby světu prokázala podvodný charakter těchto voleb. Kdybych nedostal počáteční signál od Polymarketu "tentokrát je třeba si dávat pozor", vůbec bych nezačal věnovat tolik pozornosti.

Neměli byste plně důvěřovat grafům: pokud by všichni věřili grafům, pak by každý bohatý člověk mohl manipulovat s grafy a nikdo by se nebál sázet. Na druhou stranu, plná důvěra v novinky je také dobrý způsob. Novinky mají pobídkové motivy, aby přeháněly důsledky čehokoli kvůli klikům. Někdy je rozumné něco, jindy ne. Pokud vidíte alarmující článek a poté jděte na trh ověřit, zjistíte, že pravděpodobnost související události se vůbec nezměnila, tak je pochybnost opodstatněná. Navíc, pokud na trhu vidíte, že událost má neočekávaně vysokou nebo nízkou pravděpodobnost, nebo nějakou náhlou změnu, je to signál, abyste si přečetli novinky a zjistili, co vedlo k tomuto závěru.

Závěr: Čtením novin a grafů získáte více informací, než když procházíte pouze jedním z nich.

Pokud jste sázkař, můžete si uložit peníze na Polymarket, pro vás je to sázková stránka. Pokud nejste sázkař, můžete si prohlédnout grafická data, pro vás je to zpravodajský web. Nikdy byste neměli plně důvěřovat grafům, ale osobně jsem začal zahrnovat čtení grafických dat jako krok v mém pracovním postupu shromažďování informací (společně s tradičními médii a sociálními médii), což mi pomáhá efektivněji získávat více informací.

Informační finance ve širším smyslu

Predikce volebních výsledků je pouze jedním z případů použití. Širší koncept spočívá v tom, že můžete použít finance jako způsob koordinace pobídkového mechanismu, abyste divákům poskytli cenné informace. Nyní je přirozenou reakcí: nejsou všechny finance v zásadě o informacích? Různí účastníci budou dělat různé obchodní rozhodnutí, protože mají různé názory na to, co se stane v budoucnosti (kromě osobních potřeb jako je riziková averze a touha se hedgovat), můžete z čtení tržních cen vyvodit mnoho znalostí o světě.

Pro mě, informační finance jsou takové, ale z strukturálního hlediska jsou správné, podobně jako koncepty strukturální správnosti v softwarovém inženýrství; informační finance jsou vědní disciplínou, která vyžaduje, abyste

1. Začněte faktem, které chcete znát;

2. Poté záměrně navrhněte trh, který nejoptimálněji získá tuto informaci od účastníků trhu.

Jedním z příkladů jsou predikční trhy: chcete vědět, co se stane v budoucnosti, a tak vytvoříte trh, kde lidé sází na tuto událost. Dalším příkladem jsou rozhodovací trhy: chcete zjistit, zda rozhodnutí A nebo rozhodnutí B přinese lepší výsledek podle určitého ukazatele M, a tak vytváříte podmínkový trh:

Nechte lidi sázet, který rozhodovací proces bude vybrán: pokud je vybrán rozhodovací proces A, hodnota je M, jinak je nula; pokud je vybrán rozhodovací proces B, hodnota je M, jinak je nula. S těmito třemi proměnnými můžete zjistit, co trh považuje za hodnotnější, rozhodovací proces A nebo B pro M.

Očekávám, že v příštích deseti letech bude umělá inteligence (ať už LLM nebo nějaká budoucí technologie) mít obrovský dopad na finanční sektor. Důvodem je, že mnoho aplikací informačních financí se týká "mikro" problémů: mini trhy pro miliony rozhodnutí, kde dopad jednotlivého rozhodnutí je relativně nízký. V praxi trhy s nízkým objemem transakcí obvykle nefungují efektivně: pro zkušeného účastníka je bezvýznamné trávit čas podrobnou analýzou pouze pro několik set dolarů zisku, mnozí dokonce považují, že bez dotací by takové trhy vůbec nefungovaly, protože kromě nejdůležitějších a nejvíce senzacechtivých problémů není dostatek nováčkovských obchodníků, aby zkušenější obchodníci z toho mohli profitovat. Umělá inteligence tento rovnice zcela mění, což znamená, že i na trhu s objemem 10 dolarů můžeme získat poměrně kvalitní informace. I když jsou zapotřebí dotace, rozsah dotací pro každou otázku je také cenově dostupný.

Informační finance, rafinované lidské rozhodování

Předpokládejme, že máte mechanismus lidského rozhodování, kterému důvěřujete, a celá komunita mu důvěřuje z hlediska legitimity, ale vyžaduje dlouhou dobu a vysoké náklady na rozhodnutí. Ale přejete si mít přístup k levné a okamžité verzi tohoto „drahého mechanismu“. Zde jsou myšlenky Robina Hansona o tom, co můžete udělat: pokaždé, když potřebujete učinit rozhodnutí, vytvořte predikční trh, který předpovídá, jaký výsledek by tento drahý mechanismus dal, pokud by byl zavolán. Pak predikční trh začne fungovat a investujete malé množství peněz, abyste podpořili tvůrce trhu.

V 99,99% případů skutečně nevyužijete drahý mechanismus: možná "obnovíte transakci", vrátíte nebo nevrátíte každému vložené peníze, nebo se podíváte, zda je průměrná cena blízká "ano" nebo blízká "ne" a použijete to jako základní fakt. V 0,01% případů, možná náhodně, možná na trhu s nejvyšším objemem transakcí, nebo obojí, skutečně provozujete nákladný mechanismus a na jeho základě kompenzujete účastníky.

Tím se vytvoří důvěryhodná, neutrální, rychlá a levná "rafinovaná verze", která je zjednodušenou verzí původního mechanismu, který byl vysoce důvěryhodný, ale s velmi vysokými náklady (použitím slova „rafinovaný“ jako analogie k destilaci velkých modelů LLM). V průběhu času tento rafinovaný mechanismus zhruba odráží chování původního mechanismu, protože pouze účastníci, kteří pomáhají dosáhnout tohoto výsledku, mohou vydělat peníze, zatímco ostatní utrpí ztráty.

To platí nejen pro sociální média, ale také pro DAO. Hlavním problémem DAO je přílišné množství rozhodnutí, do kterých se většina lidí nechce zapojit, což vede buď k širokému použití delegace, což přináší riziko centralizace a selhání delegačního zastoupení běžné v demokratických systémech, nebo může být napadeno. Pokud se v DAO ve skutečnosti málo hlasuje a většina věcí se rozhoduje pomocí predikčních trhů, kde lidé a umělá inteligence kombinují předpovědi výsledků hlasování, takové DAO může fungovat velmi dobře.

Jak jsme viděli v příkladu rozhodovacího trhu, informační finance obsahují mnoho potenciálních cest k řešení důležitých problémů v decentralizovaném řízení, klíčem je rovnováha mezi trhem a netrhem: trh je "motor", zatímco jiné netržní mechanismy důvěry jsou "volantem".

Další použití informačních financí

Osobní tokeny - projekty jako Bitclout (nyní deso), friend.tech atd., které vytvářejí tokeny pro každého a usnadňují spekulaci - jsou kategorií, kterou nazývám "prvotní informační finance". Úmyslně vytvářejí tržní ceny pro specifické proměnné (tj. očekávání budoucího postavení osoby), ale přesné informace, které ceny odhalují, jsou příliš nespecifické a snadno ovlivnitelné reflexivními a bublinkovými dynamikami (Poznámka Odaily Planet Daily: ceny stoupají, aby přilákaly nákup). Existuje možnost vytváření vylepšených verzí těchto protokolů a řešení důležitých problémů, jako je objevování talentů, pečlivějším zvažováním ekonomického designu tokenů (zejména odkud pochází jejich konečná hodnota). Názor Robina Hansona v "Budoucnosti prestiže" je jedním z možných konečných stavů.

Reklama - konečným "drahým, ale důvěryhodným signálem" je, zda si koupíte produkt. Informační finance založené na tomto signálu mohou pomoci lidem určit, co koupit.

Vědecké recenze - vědecká komunita se vždy potýká s "krizí replikace", tj. že některé známé výsledky se v určitém okamžiku staly součástí lidové moudrosti, ale nelze je reprodukovat v nových výzkumech. Můžeme se pokusit pomocí predikčních trhů určit výsledky, které je třeba znovu zkontrolovat. Před znovu zkontrolováním takové trhy také umožní čtenářům rychle odhadnout, do jaké míry by měli důvěřovat jakémukoli konkrétnímu výsledku. Experimenty této myšlenky byly provedeny a dosud se zdají být úspěšné.

Financování veřejných statků - jedním z hlavních problémů mechanismů financování veřejných statků používaných na Ethereu je jejich "soutěživá povaha". Aby byli uznáni, každý přispěvatel musí provozovat vlastní marketing na sociálních médiích, a ti, kteří na to nemají dostatečné schopnosti, nebo ti, kteří mají od přírody více „pozadí“, mají obtížné získat značné prostředky. Atraktivním řešením by bylo pokusit se sledovat celou závislostní síť: pro každý pozitivní výsledek, jaký projekt na tom přispěl, a pak pro každý projekt, jaký projekt na něm přispěl, atd. Hlavní výzvou této konstrukce je zjistit váhy okrajů, aby odolávaly manipulacím. Koneckonců, taková manipulace se neustále děje. Rafinovaný mechanismus lidského rozhodování by mohl být nápomocný.

Závěr

Tyto názory byly teoretizovány po dlouhou dobu: nejstarší práce o predikčních trzích, dokonce i rozhodovacích trzích, je několik desetiletí starých, a říkání podobných věcí ve finanční teorii je ještě starší. Nicméně, myslím, že současná dekáda informačních financí má velkou příležitost, z několika klíčových důvodů:

Informační finance řeší skutečné problémy s důvěrou lidí. Společným problémem této doby je nedostatek povědomí o tom, kdo je důvěryhodný (ještě hůře nedostatek konsensu) v politickém, vědeckém a obchodním kontextu, a aplikace informačních financí mohou být součástí řešení;

Nyní máme škálovatelné blockchainy jako základ, dokud nedávno nebyly tyto myšlenky skutečně realizovatelné kvůli vysokým nákladům. Ale nyní už náklady nejsou vysoké.

Umělá inteligence jako účastník, když musí informační finance spoléhat na lidskou účast k vyřešení každého problému, je relativně obtížné fungovat. Umělá inteligence však tuto situaci výrazně zlepšila, dokonce i na malých problémech, kde se dají vytvořit efektivní trhy. Mnohé trhy mohou mít kombinaci umělé inteligence a lidské účasti, zejména když objem konkrétního problému náhle vzroste z malého na velký.

Abychom plně využili tuto příležitost, je nyní čas prozkoumat, co nám finanční informace mohou přinést prostřednictvím volebních predikcí.