Geschrieben von: Shenchao TechFlow

Meme ist derzeit auf dem Markt weit verbreitet und der KI-Bereich ist in eine kurze Ruhephase eingetreten.

Angesichts der rasant steigenden Leistung von Nvidia und weiterer Veranstaltungen in der KI-Branche in der zweiten Jahreshälfte verdienen verschlüsselte KI-Projekte jedoch immer noch Aufmerksamkeit.

Derzeit ist ein neuer Trend auf dem Vormarsch: die Kombination von zkML (Zero-Knowledge Machine Learning) und KI-Agenten. Ersteres überprüft die Richtigkeit der KI-Berechnungsergebnisse und gewährleistet gleichzeitig Privatsphäre und Sicherheit; letzteres realisiert die automatisierte Aufgabenausführung und Entscheidungsfindung durch intelligente Verträge und dezentrale Netzwerke.

Einige alte Verschlüsselungsprojekte werden diesen neuen Trend nutzen, um ihre Geschäftsausrichtung anzupassen und so im neuen Zyklus mehr Wert zu gewinnen.

Allora Network ist eines davon.

Gestern hat Allora offiziell sein neuestes technisches Whitepaper angekündigt und sich als „sich selbst verbesserndes dezentrales KI-Netzwerk“ positioniert, was auch bedeutet, dass das Projektgeschäft näher an narrative Hotspots rückt.

Gleichzeitig kündigte das Projekt im Mai auch seinen Punkteanreizplan an, der sowohl für Haarliebhaber als auch für Alpha-Jäger auf großes Interesse stößt.

Was macht Allora einzigartig, da die KI-Strecke bereits überfüllt ist? Da das technische Whitepaper relativ komplex ist, haben wir es interpretiert und analysiert und Ihnen die wichtigsten Wertpunkte und die Projekteinführung auf populärere Weise präsentiert.

Das alte Problem des KI-Ressourcenmonopols

Dem Allora-Whitepaper nach zu urteilen, zielt das Projekt hauptsächlich auf alte Probleme im aktuellen KI-Bereich ab: Rechenleistung, Algorithmen und Daten sind in den Händen einiger weniger Giganten konzentriert, und das Ressourcenmonopol ist dem optimalen Zustand des maschinellen Lernens nicht förderlich (ML).

Allora glaubt, dass der Schlüssel zum Aufbau optimaler Maschinenintelligenz darin liegt, die Anzahl der Verbindungen im Netzwerk zu maximieren, sodass verschiedene Datensätze und Algorithmen im Netzwerk frei kombiniert werden können, um die relevantesten Erkenntnisse zu erhalten.

Daher brauchen wir eine Form der Schwarmintelligenz, die große Datensätze und Inferenzalgorithmen verbinden kann.

Kurz gesagt: In bestehenden verschlüsselten KI-Projekten ist die Zusammenarbeit verschiedener Modelle nicht gut genug und es gibt auch Probleme mit den Anreizmethoden. Die Modelle sind entweder isoliert oder nicht eng und effektiv genug miteinander verbunden, was zu unbefriedigenden endgültigen Argumentationsergebnissen führt.

Vitalik erwähnte auch zuvor: „Es ist ein übergeordneter Mechanismus erforderlich, um die Leistung verschiedener KIs zu beurteilen, damit die KI als Spieler teilnehmen kann.“

Das Ziel von Allora besteht darin, Knoten im dezentralen KI-Netzwerk durch eine bessere Anreizstruktur eine bessere Zusammenarbeit zu ermöglichen und gleichzeitig intelligentere Methoden zur Identifizierung kontextbezogener Details einzuführen, um die Wirksamkeit maschineller Lernmodelle zu verbessern und so eine effizientere Intelligenz zu erreichen .

Allora: Einführung von Kontextbewusstsein und differenzierten Anreizen zur Verbesserung der Modellleistung

Wie erreicht Allora konkret ein „besseres dezentrales KI-Netzwerk“?

Die wesentlichen Highlights liegen im Kontextbewusstsein und differenzierten Anreizstrukturen. Diese Innovationen ermöglichen es dem Netzwerk, in jeder Umgebung optimale Inferenzergebnisse zu liefern und gleichzeitig faire Belohnungen für die einzigartigen Beiträge jedes Teilnehmers zu bieten.

Aber diese beiden Worte klingen etwas mysteriös. Wir könnten uns auch zuerst die Teilnehmer des Allora-Netzwerks ansehen.

Zu den Teilnehmern des Allora-Netzwerks gehören Arbeitnehmer, Gutachter und Verbraucher. Jede Rolle hat ihre spezifischen Verantwortlichkeiten und Rollen:

1. Arbeiter: Stellen Sie KI-Inferenzergebnisse bereit und prognostizieren Sie den Verlustwert der Inferenzergebnisse anderer Arbeiter.

2. Reputer: Bewerten Sie die Qualität der von den Arbeitern bereitgestellten Inferenzergebnisse und prognostizierten Verlustwerte.

3. Verbraucher: Sie fordern Inferenzergebnisse vom Netzwerk an und zahlen dafür.

Wie in der Abbildung dargestellt, interagieren die drei Hauptteilnehmer des Allora-Netzwerks über einen Koordinator (Themenkoordinator):

• Verbraucher fordern Inferenzergebnisse vom Netzwerk an und zahlen eine Gebühr, um diese Ergebnisse zu erhalten.

• Arbeiter liefern Inferenzergebnisse und Verlustwerte, die die Inferenzergebnisse anderer Arbeiter vorhersagen. Der Koordinator synthetisiert diese Informationen, um genauere Inferenzergebnisse zu generieren.

• Bewerter verwenden reale Daten, um Bewertungen auf der Grundlage der von den Arbeitnehmern bereitgestellten abgeleiteten Ergebnisse und prognostizierten Verlustwerte durchzuführen, um die Fairness der Bewertung sicherzustellen, und erhalten Belohnungen basierend auf ihrem Konsens mit anderen Bewertern.

Durch die Gestaltung dieser drei Rollen wird ein effizientes dezentrales Maschinenintelligenznetzwerk erreicht, das das Ziel der Optimierung der Ressourcennutzung und der Verbesserung der Inferenzgenauigkeit erreicht. Es handelt sich im Wesentlichen um ein System, das durch Rollenteilung und Anreizmechanismen Selbstverbesserung und faire Belohnungen erreicht .

Nachdem Sie diese drei Arten von Rollen verstanden haben, wird es einfacher sein, Alloras Kontextbewusstsein und differenziertes Anreizdesign zu betrachten.

Leiten Sie den Synthesemechanismus ab

Der Inferenzsynthesemechanismus von Allora ist der Schlüssel zur Realisierung dezentraler Maschinenintelligenz. Dies wird durch die folgenden Schritte erreicht:

1. Inferenzaufgabe: Jeder Mitarbeiter verwendet seinen eigenen Datensatz und sein eigenes Modell, um Inferenzergebnisse zu generieren.

2. Prognoseaufgabe: Jeder Arbeiter sagt den Verlustwert der Inferenzergebnisse anderer Arbeiter voraus. Diese vorhergesagten Verlustwerte stellen die erwartete Leistung des Arbeiters unter aktuellen Bedingungen dar.

3. Kontextbezogene Inferenz: Das Netzwerk verwendet den vom Worker bereitgestellten Vorhersageverlustwert, um durch einen gewichteten Durchschnitt ein kontextbezogenes Vorhersageinferenzergebnis zu generieren. Diese gewichteten Durchschnittswerte berücksichtigen historische und kontextabhängige Genauigkeit.

4. Netzwerkinferenz: Die endgültige Netzwerkinferenz wird durch die Kombination der Inferenzergebnisse des Mitarbeiters mit kontextbezogenen prädiktiven Inferenzergebnissen generiert.

Der Schlüssel zu diesem Mechanismus besteht darin, dass er nicht nur die historische Genauigkeit des Modells wie bei anderen Kryptoprojekten bewertet, sondern auch den aktuellen Kontext berücksichtigt, wodurch die beste Kombination von Schlussfolgerungen erzielt und die Intelligenz des gesamten Netzwerks verbessert wird.

Differenzierter Belohnungsmechanismus

Gleichzeitig führt Allora einen differenzierten Belohnungsmechanismus ein, um sicherzustellen, dass der Beitrag jedes Teilnehmers angemessen anerkannt wird:

1. Belohnungen für Arbeitnehmer: werden basierend auf ihrem Beitrag zu Inferenz- und Vorhersageaufgaben verteilt und bieten einen Anreiz, qualitativ hochwertige Daten und Vorhersagen bereitzustellen.

2. Belohnungen für Bewerter: Verteilen Sie Belohnungen basierend auf der Nähe zum Konsens und den gehaltenen Anteilen, um die Genauigkeit und Fairness der Bewertungen sicherzustellen.

3. Gesamte Belohnungsverteilung: Der Belohnungsmechanismus fördert nicht nur positive Beiträge der Teilnehmer, sondern vermeidet durch die dezentrale Gestaltung auch eine übermäßige Konzentration eines einzelnen Teilnehmers.

Einige Lösungen, die derzeit auf Allora verwendet werden:

• KI-Preisvorhersage: Bietet präzise Informationen zu Vermögenspreisen in Echtzeit, die für fortgeschrittene Finanzprimitive von entscheidender Bedeutung sind.

• KI-gestützter Tresor: Ermöglicht Entwicklern die Umsetzung fortschrittlicher DeFi-Strategien und die Steigerung des Verdienstpotenzials.

• Risikomodellierung mit künstlicher Intelligenz: Ermöglicht Protokollen den Aufbau sichererer Systeme für den Umgang mit externen Risiken.

• AnyML: Bietet eine einfache Integration jedes Modells für maschinelles Lernen, sodass jeder (nicht nur Ingenieure für maschinelles Lernen) mithilfe dezentraler KI leistungsfähigere Produkte entwickeln kann.

Token-Ökonomie

Das Allora-Netzwerk verwendet seinen nativen Token ALLO, um den Werteaustausch zwischen Netzwerkteilnehmern zu erleichtern. Zu den spezifischen Verwendungszwecken von ALLO-Tokens gehören:

1. Inferenzergebnisse kaufen: Benutzer können ALLO-Token verwenden, um vom Netzwerk generierte Inferenzergebnisse zu kaufen. Allora wendet ein „Was sind Sie bereit zu zahlen“-Modell (PWYW) an, das es Benutzern ermöglicht, unabhängig über die ALLO-Gebühr für die Inferenz zu entscheiden.

2. Bezahlen für die Teilnahme: Mit ALLO-Tokens können Sie für die Erstellung von Themen oder die Teilnahme am Netzwerk (als Mitarbeiter, Bewerter oder Netzwerkvalidator) bezahlen. Die Teilnahmegebühren sind variabel.

3. Abstecken: Bewerter und Netzwerkvalidatoren können ALLO-Token einsetzen, und andere Token-Inhaber können ihre Token an Bewerter oder Netzwerkvalidatoren delegieren. Die Absteckprüfer, Prüfer und ihre Delegierten erhalten ALLO-Belohnungen.

4. Belohnungszahlung: Das Netzwerk verwendet ALLO-Token, um Belohnungen an Teilnehmer auszuzahlen. Für Arbeitnehmer sind diese Belohnungen proportional zu ihrem einzigartigen Beitrag zur Genauigkeit des Netzwerks. Für Bewerter und Netzwerkvalidatoren sind diese Belohnungen proportional zu ihrem Einsatz und Konsens.

Token-Wert

Die Token-Ökonomie im Allora-Netzwerk soll den inneren Wert und die Stabilität von Token gewährleisten:

1. Gebühreneinnahmen: Alle vom Netzwerk erhobenen Gebühren werden der Netzwerkkasse zugeführt, um die Prämienausgabe zu finanzieren. Dies bedeutet, dass Network Depot in der Praxis langsamer abfällt als ein einfacher exponentieller Abfall, wodurch ein hoher APY erhalten bleibt

2. Token-Recycling: Die für die Netzwerknutzung erhobenen Gebühren zahlen zunächst Belohnungen aus, bevor neue Token geprägt werden. Das bedeutet, dass je nach Marktdynamik das zirkulierende Angebot an ALLO steigen (entsprechend der Inflation) oder abnehmen (entsprechend der Deflation) werden kann.

3. Reibungsloser Ausgabemechanismus: Durch die Anwendung eines exponentiellen gleitenden Durchschnitts wird die Ausgabe von Token geglättet, wodurch ein starker Rückgang des APY vermieden wird, wenn der Haupt-Token entsperrt wird, und sichergestellt wird, dass Token-Inhaber weiterhin ihre Token einsetzen.

Im Whitepaper wurden jedoch weder das Veröffentlichungsdatum noch die Details des Tokens erwähnt. Für weitere Informationen müssen Sie auf die Trends in den sozialen Medien achten.

Die Ressourcen hinter Allora

Der obige Inhalt erwähnt die am Anfang des Artikels erwähnte zkML-Technologie nicht. Es scheint, dass Allora nichts mit dieser Technologie zu tun hat.

Aber hinter Allora leistet das alte Projekt Upshot einen wesentlichen Beitrag zur Allora-Entwicklung.

Upshot erweitert die Fähigkeiten von Allora durch den Einsatz seines Flaggschiff-Preisvorhersagemodells, das KI-gesteuerte Preisinformationen für mehr als 400 Millionen Vermögenswerte bereitstellt, im Netzwerk. Die genauesten Prognosen des Modells haben in der Vergangenheit ein Konfidenzniveau von 95–99 % gezeigt.

Darüber hinaus kann die Ausgabe des Modells über zkPredictor, die bisher größte On-Chain-zkML-Anwendung, verfügbar gemacht werden, sodass Anwendungen die Ausgabe auf kryptografisch überprüfbare Weise nutzen können.

Gleichzeitig erhielt Upshot im Jahr 2022 eine Finanzierung in Höhe von 22 Millionen US-Dollar, angeführt von Polychain, Framework, CoinFund und Blockchain Capital. Die damalige Richtung bestand darin, mithilfe der Technologie eine Echtzeit-Bewertung von NFT-Vermögenswerten durchzuführen Auch die Strecke hat sich geändert, aber die zuvor gesammelte Technologie wurde auch auf den neuen Allora angewendet.

Roadmap- und Testnet-Anreize

Nach früheren Informationen im offiziellen Blog von Allora zu urteilen, ist der Start des Projekts in drei Phasen unterteilt:

• Testnet Phase 1: Mitte Februar 2024

• Testnet Phase 2: Mitte März 2024

• Mainnet: Anfang Q2 2024

Zum jetzigen Zeitpunkt scheint sich der Projektfortschritt verzögert zu haben, er befindet sich jedoch noch in der Phase vor dem Start des Hauptnetzwerks.

Um Dynamik aufzubauen und mehr Menschen die Nutzung zu ermöglichen, hat Allora am 17. Mai auch die erste Phase seines Testnet-Incentive-Plans gestartet. Sie können auch Punkte sammeln, indem Sie an On-Chain- und Off-Chain-Aktivitäten teilnehmen, um mehr Airdrop-Erwartungen zu wecken die Zukunft.

Zu den spezifischen Aktivitäten, bei denen Punkte gesammelt werden können, gehören:

Aktivitäten in der Kette

1. Erstellen Sie Themen: Identifizieren und definieren Sie spezifische Probleme oder Interessenbereiche innerhalb des Netzwerks und binden Sie andere Akteure ein, um Lösungen zu entwickeln und bereitzustellen.

2. Modelle für maschinelles Lernen einführen: Fügen Sie Modelle für maschinelles Lernen zum Netzwerk hinzu, damit andere sie verwenden können.

3. Nutzen Sie Allora Powered Apps: Beteiligen Sie sich an Apps und Diensten, die die maschinellen Intelligenzfunktionen von Allora nutzen

Aktivitäten außerhalb der Kette

1. Community-Engagement: Folgen Sie Allora auf Twitter und treten Sie den Discord- und Telegram-Gruppen bei.

2. Beteiligen Sie sich an der Community: Nehmen Sie an ausgewählten Community-Veranstaltungen und -Aktivitäten teil, um das Allora-Netzwerk zu unterstützen.

Derzeit sind Aktivitäten, an denen normale Benutzer leicht teilnehmen können, auf der Galxe-Eventseite zu finden. Interessierte Spieler können hier klicken, um teilzunehmen.

Im Allgemeinen ist Allora ein Verschlüsselungsprojekt mit bestimmten technologischen Innovationen, Hintergrundressourcen und der Wiederverwendung von Fähigkeiten. Es kann dem Trend der Transformation von KI-Hotspots folgen und seine Fähigkeiten maximieren, um neue Geschäftsrichtungen zu erweitern es zieht neue Aufmerksamkeit auf sich. Lassen Sie sich in einem Krieg niemals zurücklassen.

Wie hoch die Obergrenze ist, hängt zum einen davon ab, dass man darauf wartet, dass der KI-Wind wieder weht, und zum anderen von weiteren operativen Methoden des Projekts in der Zukunft.