Jedním z nejvíce vzrušujících aplikací Etherea jsou předpovědní trhy. V roce 2014 jsem napsal článek o futarchii, což je model řízení založený na předpovědích, který navrhl Robin Hanson. Již v roce 2015 jsem byl aktivním uživatelem a podporovatelem Augur (podívej, moje jméno je v článku na Wikipedii). V sázkách na volby v roce 2020 jsem vydělal 58 000 dolarů. Letos jsem byl blízkým podporovatelem a následovníkem Polymarket.


Pro mnohé je předpovědní trh sázka na volby, a sázka na volby je hazard - pokud to lidem přináší zábavu, tím lépe, ale v zásadě to není zajímavější než koupit náhodné tokeny na pump.fun. Z tohoto úhlu pohledu se můj zájem o předpovědní trhy zdá být matoucí. Proto v tomto článku hodlám vysvětlit, proč mě tento koncept vzrušuje. Stručně řečeno, věřím, že (i) současné předpovědní trhy jsou pro svět velmi užitečným nástrojem, ale navíc (ii) předpovědní trhy jsou jen příkladem mnohem větší a velmi silné kategorie, která má potenciál vytvořit lepší sociální média, vědu, zprávy, řízení a další oblasti. Tuto kategorii nazvu "informační finance".


Dvojí povaha Polymarket: sázková stránka pro účastníky a zpravodajský web pro ostatní.


V uplynulém týdnu byl Polymarket velmi efektivním zdrojem informací o amerických volbách. Polymarket nejenže předpověděl pravděpodobnost vítězství Trumpa na 60/40 (kdežto jiné zdroje předpovídaly 50/50, což samo o sobě není příliš impozantní), ale také ukázal další výhody: když výsledky vyšly, ačkoli mnozí odborníci a zpravodajské zdroje neustále sváděli diváky, aby slyšeli pozitivní zprávy o Harrisové, Polymarket přímo odhalil pravdu: pravděpodobnost vítězství Trumpa překročila 95 % a pravděpodobnost získání kontroly nad všemi vládními odděleními překročila 90 %.



Obě snímky byly pořízeny v 3:40 EST 6. listopadu


Ale pro mě to není ani nejlepší příklad toho, co je na Polymarket zajímavé. Podívejme se na další příklad: volby ve Venezuele v červenci. Druhý den po volbách si pamatuji, že jsem koutkem oka viděl někoho protestovat proti vysoce manipulovaným volebním výsledkům ve Venezuele. Zpočátku jsem tomu nevěnoval příliš pozornosti. Věděl jsem, že Maduro je jedním z těch "v podstatě diktátorů", takže jsem si pomyslel, že určitě zfalšuje každý volební výsledek, aby si udržel moc, a samozřejmě budou protesty, které samozřejmě selžou - bohužel mnoho dalších také selhalo. Ale pak jsem při procházení Polymarket narazil na toto:


Lidé byli ochotni investovat více než deset tisíc dolarů, aby vsadili, že Maduro bude v těchto volbách svržen s pravděpodobností 23 %. Tehdy jsem začal věnovat pozornost.


Samozřejmě víme o nešťastných důsledcích této situace. Nakonec Maduro skutečně zůstal u moci. Nicméně trh mi dal najevo, že tentokrát je pokus o svržení Madura vážný. Protesty byly obrovské, opozice přišla s překvapivě dobře provedenou strategií, aby světu ukázala, jak podvodné byly volby. Kdybych nedostal původní signál od Polymarket "tentokrát je na co se dívat", vůbec bych se nezačal zajímat.


Nikdy bys neměl zcela důvěřovat sázkovým grafům Polymarket: pokud by každý věřil sázkovým grafům, mohl by jakýkoliv bohatý člověk manipulovat sázkovými grafy a nikdo by se neodvážil s nimi sázet. Na druhou stranu, zcela věřit zprávám také není dobrý nápad. Zprávy mají emocionální motivaci a přehánějí důsledky čehokoli pro kliknutí. Někdy je to rozumné, jindy ne. Pokud vidíš šokující článek, ale pak na trhu zjistíš, že pravděpodobnost související události se vůbec nezměnila, pak je pochybnost také rozumná. Nebo pokud vidíš na trhu neočekávaně vysokou nebo nízkou pravděpodobnost, nebo neočekávanou náhlou změnu, je to signál, aby sis přečetl zprávy a zjistil, co to způsobilo. Závěr: Přečtením zpráv a sázkových grafů získáš více informací než z pouhého čtení jednoho z nich.


Podívejme se, co se zde děje. Pokud jsi sázkař, můžeš sázet na Polymarket, pro tebe je to sázková stránka. Pokud nejsi sázkař, můžeš číst sázkové grafy, pro tebe je to zpravodajský web. Nikdy bys neměl zcela věřit sázkovým grafům, ale já osobně jsem si přečtení sázkových grafů zařadil jako krok v mém procesu shromažďování informací (spolu s tradičními médii a sociálními médii), což mi pomáhá efektivněji získávat více informací.


Informační finance v širším smyslu


Nyní přicházíme k důležité části: předpověď volebních výsledků je jen prvním použitím. Širší koncept je, že můžeš použít finance jako způsob, jak koordinovat motivační mechanismy k poskytnutí hodnotných informací pro diváky. Nyní je přirozenou reakcí: není to všechno o informacích v jádru? Různí účastníci dělají různé nákupní a prodejní rozhodnutí, protože mají různé názory na to, co se stane v budoucnosti (kromě osobních potřeb, jako jsou rizikové preference a hedgingové touhy), a můžeš vyčíst spoustu znalostí o světě čtením tržních cen.

Pro mě jsou informační finance takové, ale struktura je správná. Podobně jako koncept struktury ve softwarovém inženýrství, informační finance jsou disciplína, která vyžaduje, abys (i) začal s fakty, která chceš znát, a poté (ii) úmyslně navrhl trh, abys získal tyto informace nejlepším způsobem od účastníků trhu.



Informační finance jsou trojstranný trh: sázkaři dělají předpovědi, čtenáři čtou předpovědi. Trh vyprodukuje předpovědi budoucnosti jako veřejné dobro (protože to je jeho navržený účel).

Předpovědní trhy jsou příkladem: chceš vědět o nějaké konkrétní skutečnosti, která se v budoucnu stane, takže vytvoříš trh, na kterém lidé vsadí na tuto skutečnost. Dalším příkladem je trh rozhodování: chceš vědět, která rozhodnutí A nebo B povedou k lepším výsledkům podle určitého ukazatele M. Aby bylo možné toho dosáhnout, vytvoříš podmínkový trh: požádáš lidi, aby vsadili (i) které rozhodnutí bude vybráno, (ii) pokud bude vybráno rozhodnutí A, pak získá hodnotu M, jinak nula, (iii) pokud bude vybráno rozhodnutí B, pak získá hodnotu M, jinak nula. S těmito třemi proměnnými můžeš určit, který trh považuje za výhodnější pro získání hodnoty M rozhodnutí A nebo rozhodnutí B.



Očekávám, že technologie, která v příštích deseti letech podpoří rozvoj informačních financí, bude AI (ať už velké modely nebo budoucí technologie). To je proto, že mnohé z nejzajímavějších aplikací informačních financí se týkají "mikro" problémů: milionů malých trhů, kde rozhodování má individuálně relativně malý dopad. Ve skutečnosti trhy s nízkým objemem obchodu obvykle nemohou efektivně fungovat: pro zkušené účastníky je bezvýznamné věnovat čas podrobnému analýze, aby získali několik set dolarů zisku, mnozí se domnívají, že bez dotací takové trhy vůbec nemohou fungovat, protože kromě největších a nejpůsobivějších otázek není dostatek nezkušených obchodníků, aby zkušení obchodníci mohli profitovat. AI to zcela mění, což znamená, že i na trzích s objemem 10 dolarů máme šanci získat poměrně kvalitní informace. I když je třeba dotace, částka dotace na každý problém se stává velmi přijatelnou.


Informační finance vyžadují lidskou destilaci

Hodnocení

Představ si, že máš důvěryhodný mechanismus pro lidské rozhodování a tento mechanismus má legitimitu, které důvěřuje celá komunita, ale jeho rozhodování trvá dlouho a je nákladné. Ale chceš mít nízkou nákladovou real-time verzi alespoň jednoho přibližného kopie tohoto "drahého mechanismu". Následující jsou nápady, které navrhl Robin Hanson: pokaždé, když potřebuješ učinit rozhodnutí, vytvoříš předpovědní trh, který předpovídá, co by tento drahý mechanismus rozhodl, pokud by byl zavolán. Necháš předpovědní trh fungovat a investuješ malé množství peněz, aby sis udržel tvůrce trhu.


99,99 % času ve skutečnosti nevyužíváš drahé mechanismy: možná "zrušíš transakci" a vrátíš všem jejich vklady, nebo jen dáš všem nula, nebo se podíváš, zda je průměrná cena blíž k 0 nebo 1 a vezmeš to jako základní fakt. 0,01 % času - může to být náhodné, může to být zaměřené na trh s největším objemem obchodování, možná obojí - ve skutečnosti použiješ drahý mechanismus a na jeho základě odškodníš účastníky.


To ti poskytuje důvěryhodnou, neutrální, rychlou a levnou "destilovanou verzi", což je mechanismus, který byl původně velmi důvěryhodný, ale měl vysoké náklady (použití termínu "destilovaná" je analogií k LLM ve smyslu "destilované"). V průběhu času tento destilační mechanismus zhruba odráží chování původního mechanismu - protože pouze účastníci, kteří pomáhají dosáhnout tohoto výsledku, mohou vydělat, zatímco ostatní prodělávají.


Možný model kombinace předpovědních trhů + komunitních poznámek.


To platí nejen pro sociální média, ale i pro DAO. Hlavním problémem DAO je příliš velký počet rozhodnutí a většina lidí se nechce zapojit, což vede buď k širokému používání delegace, což přináší riziko centralizace a selhání delegace, běžné v zastupitelské demokracii, nebo je snadno napadnutelné. Pokud se v DAO skutečně hlasuje málo, většina věcí by byla určena prostřednictvím předpovědních trhů, kde by lidé a AI kombinovaně předpovídali výsledky hlasování, pak by takové DAO mohlo fungovat dobře.


Jak jsme viděli v příkladu trhů rozhodování, informační finance obsahují mnoho potenciálních cest k řešení důležitých problémů decentralizovaného řízení, klíčem je rovnováha mezi trhy a netržními mechanismy: trhy jsou "motorem", zatímco některé netržní důvěryhodné mechanismy jsou "volantem".


Další případy použití informačních financí


Osobní tokeny - projekty jako Bitclout (nyní deso), friend.tech a další, které vytvářejí tokeny pro každého a usnadňují jejich spekulaci - patří do kategorie, kterou nazývám "prvotní informační finance". Úmyslně vytvářejí tržní ceny pro konkrétní proměnné (tj. očekávání budoucí pověsti osoby), ale přesné informace, které ceny odhalují, jsou příliš nejasné a podléhají reflexivitě a dynamice bublin. Je možné vytvořit vylepšené verze takových protokolů a řešit důležité problémy, jako je objevování talentů, pečlivějším zvážením ekonomického designu tokenů (zejména odkud pochází jejich konečná hodnota). Koncept Robin Hansona o futures na pověst je jedním z možných konečných stavů zde.


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

Vědecké peer review - vědecká komunita čelila "krizi replikace", což znamená, že některé známé výsledky se v určitých situacích staly součástí lidového vědění, ale nakonec nebyly reprodukovatelné v nových výzkumech. Můžeme se pokusit určit výsledky, které je třeba znovu prozkoumat, pomocí předpovědních trhů. Před opětovným zkoumáním takové trhy také umožňují čtenářům rychle odhadnout, do jaké míry by měli důvěřovat jakémukoli konkrétnímu výsledku. Experimenty s touto myšlenkou byly provedeny a zatím se zdají být úspěšné.


Financování veřejných statků - jedním z hlavních problémů mechanismu financování veřejných statků používaného v Ethereu je jeho "soutěž o popularitu". Každý přispěvatel musí zahájit svou vlastní marketingovou kampaň na sociálních médiích, aby získal uznání, a ti, kteří to neumí nebo mají přirozeně více "pozadí", mají obtížné získat velké množství financí. Atraktivním řešením je pokusit se sledovat celou závislostní strukturu: pro každý pozitivní výsledek, jaké projekty na něm přispěly a poté pro každý projekt, jaké projekty na něm přispěly, atd. Hlavní výzvou této konstrukce je zjistit váhy okrajů, aby odolávaly manipulaci. Koneckonců, k manipulaci docházelo po celou dobu. Destilační mechanismus lidského rozhodování by mohl pomoci.


Závěr


Tyto myšlenky byly teoretizovány již dlouhou dobu: nejstarší práce o předpovědních trzích nebo dokonce trzích rozhodování existují už desítky let, a podobné úvahy ve finanční teorii jsou ještě starší. Domnívám se však, že současné desetiletí nabízí jedinečnou příležitost, a to zejména z následujících důvodů:

Informace o financích řeší problém důvěry, který ve skutečnosti existuje mezi lidmi. Společným znepokojením této doby je nedostatek znalostí (a co je horší, nedostatek konsensu), nevíme, komu bychom měli důvěřovat v politickém, vědeckém a obchodním prostředí. Aplikace informačních financí mohou pomoci stát se součástí řešení.

Nyní máme škálovatelný blockchain jako základ. Až donedávna byly náklady příliš vysoké na to, aby se tyto myšlenky skutečně realizovaly. Nyní už nejsou tak vysoké.

AI jako účastníci. Když musí informační finance spoléhat na lidský podíl na každém problému, je to relativně obtížné. AI tuto situaci výrazně zlepšuje, dokonce i na malých problémech, což umožňuje efektivní trhy. Mnoho trhů může mít kombinaci AI a lidských účastníků, zejména když se počet specifických problémů náhle z malého zvýší na velký.