У сфері блокчейн та відкритого коду ефективний розподіл фінансів завжди був складним питанням. Сьогодні інноваційний проект під назвою Deep Funding намагається вирішити цю проблему за допомогою штучного інтелекту та децентралізованого оцінювання. Цей проект, підтриманий Віталіком Бутеріним з початковим фінансуванням у 250 тисяч доларів, не тільки має на меті вирішити поточні проблеми розподілу ресурсів в екосистемі Ethereum, але й закласти нову модель фінансування для майбутніх суспільних благ.
01, Deep Funding
Що таке Deep Funding?
Deep Funding - це інноваційний проект, що оптимізує розподіл фінансування суспільних благ за допомогою AI та децентралізованого механізму оцінки, що має на меті вирішити проблему низької ефективності розподілу ресурсів в екосистемі Ethereum. Мета проекту - створити справедливу, прозору та ефективну систему розподілу фінансування, яка підтримує Ethereum та його критично важливі відкриті проекти для забезпечення довгострокового сталого розвитку.
Офіційний вебсайт: https://deepfunding.org/
Яку проблему ми хочемо вирішити?
Наразі існують такі проблеми з розподілом фінансування суспільних благ в Ethereum:
Ірраціональність людських рішень: стикаючись зі складними та абстрактними питаннями, людям часто важко ухвалити розумні рішення.
Перевага поверхневих проектів: механізм фінансування на основі виборів схильний фінансувати проекти, які на перший погляд очевидні, ігноруючи глибокі технічні залежності та складні внески.
Це призводить до того, що деяка критично важлива, але "прихована" інфраструктура для екосистеми Ethereum не отримує достатньої підтримки, водночас витрачаючи ресурси на проекти, які на перший погляд здаються важливими, але мають обмежену цінність у довгостроковій перспективі.
Яким чином ми вирішуємо цю проблему?
Рішення, запропоновані Deep Funding, включають:
1. Побудова Deep Graph
Deep Graph - це динамічна залежність графа, що демонструє залежності між проектами та розподіляє ваги для кожної залежності. Таким чином, внески та фактична цінність суспільних благ стають візуалізованими, вирішуючи проблему важкості вимірювання "прихованих внесків".
2. Ваги та оцінка AI моделей
Введення даних: різна інформація на основі відкритих проектів (наприклад, кількість зірок, активність учасників, час останнього оновлення тощо). Це вимагає прояву вашої уяви та розуміння цінності відкритих проектів.
Розподіл ваг: AI модель розподіляє ваги залежно від важливості та фактичного впливу залежностей, динамічно коригуючи розподіл фінансів.
Перевірка та оптимізація: перевірка моделі через журі (jury), щоб забезпечити обґрунтованість ваг.
3. Механізм оцінювання журі
Журі складається з експертів, які надають навчальні дані для моделі, відповідаючи на питання "Який з проектів A та B є більш важливим?". Цей тип питань обрано, оскільки його легше розпізнати та відповісти.
Модель співпраці людини та AI: людина відповідає за напрямок і оцінку цінностей, AI надає підтримку в аналізі даних. Потім будуть обрані кілька моделей, які найбільше відповідають людському консенсусу для застосування.
4. Справедливий розподіл фінансів
Розподіл фінансів відповідно до пропорції внесків проекту, також буде частина винагороди для нагороджених моделей.
Deep Funding не обмежуватиметься лише побудовою ваг для відкритого програмного забезпечення та розподілом, ця модель може бути застосована в будь-якому контексті, що включає залежності та розподіл. Наприклад: наукові статті, музика, кінематограф тощо. Відкрите програмне забезпечення - це лише перша спроба, Deep Funding прагне стати рішенням, яке буде застосовуватися в різних контекстах.
02, Конкурс Deep Funding
На даний момент перший конкурс Deep Funding зосереджений на GitHub репозиторіях та відкритих проектах, шляхом побудови зваженого графа на основі залежностей відкритих проектів, щоб визначити, яку суму пожертв має отримати кожен репозиторій. Потім зосереджено на відкритих проектах під тегом Ethereum, особливо на клієнтах.
Поточний прогрес проекту Deep Funding включає:
Спонсорство та фінансування: Віталік Бутерін надав початкове спонсорство у розмірі 250 000 доларів.
Підготовка даних: збір графа залежностей Ethereum, який містить дані приблизно про 40 000+ зв'язків. В даний час вже підготовлено.
Проектування механізмів: проведення конкурсів AI моделей (буде на Kaggle), наразі йде набір AI моделей.
Оцінка проб: перевірка ефективності моделей через перевірку журі; застосування моделей ваг залежностей до проектів, пов'язаних з Ethereum, і спостереження за фактичним результатом.
Серед призового фонду в 250 тисяч, 170 тисяч буде розподілено на основі ваг залежностей, 40 тисяч буде нагороджено моделям, які покажуть найкращі результати під час перевірки, і ще 40 тисяч буде нагороджено моделям з відкритими внесками, інноваційність яких буде оцінена експертним журі.
Наразі ще багато викликів, які потрібно вирішити
Справедливість оцінювання та механізми стимулювання: як забезпечити нейтральність журі та довгострокову активність участі? Як побудувати справедливе та ефективне журі?
Ефективність AI моделей: як точно оцінити глибокі залежності, уникнути зловживання або ігрової механіки?
Механізм динамічного коригування: як збалансувати самооцінку та зовнішнє оцінювання, уникати упереджень?
Джерела фінансування та методи стимулювання: як залучити більше коштів для участі в розподілі, особливо для внесків, які не є кодом?
Ми будемо поступово обговорювати та досліджувати.