Dans le domaine de la blockchain et de l'open source, la répartition efficace des fonds a toujours été un problème. Aujourd'hui, un projet innovant nommé Deep Funding tente de résoudre ce problème grâce à l'intelligence artificielle et à un examen décentralisé. Ce projet, soutenu par Vitalik Buterin avec un financement initial de 250 000 $, vise non seulement à résoudre le problème de répartition des ressources dans l'écosystème Ethereum, mais aussi à ouvrir de nouveaux modèles de financement pour les biens publics à l'avenir.
01, Deep Funding
Qu'est-ce que Deep Funding ?
Deep Funding est un projet innovant qui optimise la répartition des fonds pour les biens publics grâce à l'IA et à un mécanisme d'examen décentralisé, visant à résoudre le problème d'efficacité de la répartition des ressources dans l'écosystème Ethereum. L'objectif du projet est de construire un système de répartition des fonds équitable, transparent et efficace, soutenant Ethereum et ses projets open source clés dépendants, réalisant un développement durable à long terme.
Site officiel : https://deepfunding.org/
Quel problème cherchez-vous à résoudre ?
Actuellement, la répartition des fonds pour les biens publics d'Ethereum présente les problèmes suivants :
L'irrationalité des décisions humaines : face à des problèmes complexes et abstraits, il est souvent difficile pour les humains de faire des jugements raisonnables.
Préférence pour les projets de surface : le mécanisme de financement basé sur l'élection a tendance à financer des projets manifestement évidents, tout en ignorant les dépendances techniques profondes et les contributions complexes.
Cela a conduit à un manque de soutien suffisant pour certaines infrastructures essentielles mais « cachées » de l'écosystème Ethereum, tout en gaspillant également des ressources sur des projets qui semblent importants à court terme mais qui ont une valeur limitée à long terme.
Quelle approche est utilisée pour résoudre le problème ?
Les solutions proposées par Deep Funding incluent :
1. Construction de Deep Graph
Deep Graph est un graphique dynamique de dépendance qui montre les relations de dépendance entre les projets et attribue des poids à chaque dépendance. De cette manière, les contributions et la valeur réelle des biens publics peuvent être visualisées, résolvant le problème de la mesure des « contributions invisibles ».
2. Pondération et évaluation des modèles d'IA
Entrées de données : diverses informations basées sur des projets open source (par exemple le nombre d'étoiles, l'activité des contributeurs, les mises à jour, etc.). Cela nécessite d'exercer votre imagination et votre compréhension de la valeur des projets open source.
Attribution des poids : le modèle d'IA attribue des poids en fonction de l'importance des dépendances et de leur impact réel, ajustant dynamiquement la répartition des fonds.
Vérification et optimisation : vérification aléatoire des modèles par un jury pour garantir la rationalité des poids.
3. Mécanisme d'examen du jury
Le jury est composé d'experts qui, en répondant à des questions telles que « Quel est le plus important, le projet A ou le projet B ? », fournissent des données d'entraînement pour le modèle. Ce type de question a été choisi car il est relativement facile à distinguer et à répondre pour les humains.
Modèle de collaboration entre l'humain et l'IA : l'humain est responsable de la direction et du jugement des valeurs, l'IA fournit un soutien à l'analyse des données. Ensuite, plusieurs modèles pertinents, correspondant à un consensus humain, seront sélectionnés pour application.
4. Répartition équitable des fonds
Les fonds sont répartis en fonction du ratio de contribution des projets, avec une partie destinée à récompenser les modèles primés.
Deep Funding ne sera pas uniquement utilisé pour la construction et la répartition des poids des logiciels open source, ce modèle pourra être appliqué à toute situation impliquant des dépendances et une répartition. Par exemple : articles, musique, œuvres audiovisuelles, etc. Les logiciels open source ne sont qu'une première tentative, Deep Funding espère devenir une solution applicable à divers scénarios.
02, Compétition Deep Funding
Actuellement, la première compétition de Deep Funding se concentre sur les dépôts GitHub et les projets open source, construisant un graphique pondéré basé sur les relations de dépendance des projets open source pour déterminer le montant des dons que chaque dépôt devrait recevoir. Ensuite, elle se concentre sur les projets open source sous l'étiquette Ethereum, en particulier les clients.
Les progrès actuels du projet Deep Funding incluent :
Sponsoring et financement : Vitalik Buterin a fourni un parrainage initial de 250 000 $.
Préparation des données : collecte du graphique des dépendances d'Ethereum, impliquant environ 40 000+ bords de données. Cela a déjà été préparé.
Conception de mécanisme : lancement d'une compétition de modèles d'IA (qui se déroulera sur Kaggle), actuellement à la recherche de modèles d'IA.
Évaluation des modèles : vérification de la validité des modèles par le jury ; application du modèle de poids de dépendance aux projets liés à Ethereum et observation de l'effet réel.
Parmi les 250K de prix, 170K seront répartis entre les projets selon les poids du graphique de dépendance, 40K seront attribués au meilleur modèle lors de la vérification par échantillonnage, et 40K seront récompensés aux modèles soumis en open source, dont l'innovation sera évaluée par un jury d'experts.
Il reste encore de nombreux défis à relever
Équité du jury et mécanismes d'incitation : comment garantir la neutralité du jury et l'engagement à long terme ? Comment construire un jury juste et efficace ?
Efficacité des modèles d'IA : comment pondérer avec précision les dépendances profondes, éviter que le modèle ne soit abusé ou gamifié ?
Mécanisme d'ajustement dynamique : comment équilibrer l'auto-évaluation et l'examen externe, éviter les biais ?
Sources de financement et méthodes d'incitation : comment attirer davantage de fonds pour la répartition, en particulier pour les contributions non liées au code ?
Nous procéderons à une discussion et exploration progressives.