太棒了

• 人們一直預測預測市場遲早會起飛，而正在進行的用戶體驗改進已爲這一領域的發展奠定了基礎。
• 然而，要擴展到數十億用戶，我們需要的不僅僅是持續的用戶體驗改進，而是將人工智能作爲機器中的關鍵和樞紐。
• 一個由內容創作者、事件推薦者、流動性分配者和信息聚合者組成的人工智能四重奏，可以在這一領域催生大量新活動。
• 將這些人工智能整合到當前的預測市場框架中，可以使預測市場達到微觀規模，使其個人化、具有吸引力和相關性。
• 預測市場原語爲類似Tinder的預測市場應用鋪平了道路，將預測交易體驗融入我們日常的數字生活中。

每一個決策都始於一個預測。例如，考慮比特幣的潛力：“現在購買比特幣到年底是否能翻倍？”如果“是”的可能性哪怕略高於“否”，在沒有更好的選擇的情況下購買比特幣將是經濟上合理的決策。但爲何止步於比特幣？想象一下，我們可以構建基於各種事件預測的市場，如下一任美國總統是誰，或哪個國家將贏得世界杯。在這裏，交易的不是資產，而是預測本身。

預測塑造市場，市場驗證我們的預測

預測市場被 Vitalik 稱爲“認知技術的聖杯”。

Vitalik 有一種在別人之前看到大事物的天賦。所以他是一個關於前瞻性敘述的良好來源。他七年前在一篇博客文章中提出了在以太坊上建立 AMM 的想法。 “另一個人”叫 Hayden Adams 響應了號召並開始了建設，獲得了6萬美元的資助。兩年後，Uniswap 誕生了。

如果 Vitalik 的博客文章可以引發創造100多億美元產業的行動，我們可能應該注意一下。例如，恰好在2014年，Vitalik 對在治理中使用預測市場感到興奮——這是一種被稱爲“未來主義”的激進治理形式——現在我們看到 Meta DAO 正在做着同樣的事情，大型風投公司如 Pantera 也參與其中。

但我們更關注的是他最近對預測市場 + AI 的討論，因爲我們開始看到這裏有一些重要事情的萌芽。

預測市場準備騰飛

目前市場領先的預測市場是 Polymarket，這歸功於其持續改進的用戶體驗以及事件類別和事件供應的擴展。

數據來源：Dune

最近月交易量達到歷史最高水平，並且隨着今年11月的美國總統大選的臨近，可能會進一步提高（Polymarket 的活動主要集中在美國）。

有進一步的先例表明，預測市場今年可能會起飛。除了2024年加密市場創下歷史新高之外，今年還是歷史上最大的選舉之一。世界十大人口最多的國家中有八個，包括美國、印度、俄羅斯、墨西哥、巴西、孟加拉國、印度尼西亞和巴基斯坦，都將進行選舉。此外，2024年夏季奧運會即將在巴黎舉行。

但考慮到目前的月交易量仍然在數千萬美元，而實際可能達到數億美元，讓我們來考慮一下當前預測市場的一些局限性：

• 對事件創建的集中控制
• 缺乏對社區內容創作者的激勵
• 個性化不足
• 主要集中在美國，忽視了大量的國際機會

但我們需要“新的東西”

我們相信那個新事物就是人工智能。

我們需要人工智能作爲遊戲中的參與者。我們預計很快將會普遍看到人工智能（機器人）與人類代理一起參與預測市場。我們已經可以在 Omen 和 PredX 等平台上看到這種情況的實時演示，還可能有許多其他平台進入這個領域。稍後再詳細介紹。

人工智能需要人工智能作爲遊戲的仲裁者。盡管相對較少，但在預測市場中，有時候解決爭議是重要且必要的。例如，在總統選舉中，結果可能非常接近，而且可能出現選舉不正常的指控。因此，盡管預測市場可能偏向候選人 A，但官方選舉委員會可能宣布候選人 B 獲勝。押注候選人 A 的人可能會因所謂的選舉不正常而對結果提出異議，而押注候選人 B 的人則會認爲選舉委員會的決定反映了“真實”的結果。可能會涉及大量資金。誰是對的？

回答這個問題存在幾個挑戰：

• 玩家可能不信任人類仲裁者，因爲他們存在偏見
• 人類仲裁可能緩慢且昂貴
• 基於 DAO 的預測解決方案容易受到肆虐攻擊的影響

爲了解決這個問題，預測市場可以採用多輪爭議系統，類似於 Kleros，但使用人工智能而不是人類來解決早期的爭議，只有在爭議陷入僵局時才涉及人類。玩家可以相信人工智能是公正的，因爲編造足夠的訓練數據來偏向它們是不可行的。此外，人工智能仲裁者工作速度更快，成本更低。xMarkets 正在朝這個方向發展。

人工智能創造欲望

要讓預測市場真正起飛，它們需要能夠吸引足夠的興趣，以推動人們跨越實際交易預測資產的心理門檻。對於像誰將贏得總統大選或超級碗這樣很多人關心的普通話題，可能並不需要太多努力就能做到這一點。但是，僅包括普通話題嚴重限制了潛在的流動性。理想情況下，預測市場可以利用針對特定高度感興趣的事件的流動性，這樣的事件適合利基受衆。這就是定向廣告的工作原理，我們都知道定向廣告的效果。

爲了實現這一目標，預測市場需要解決四個普遍挑戰：

1. 事件供應：高度相關的事件供應至關重要。爲了吸引一個利基但忠實的觀衆羣體的注意，事件創建者必須深入了解他們社區的興趣，以推動參與和交易量。
2. 事件需求：在特定的目標社區內，需求必須高，考慮到他們的人口統計和心理特點。
3. 事件流動性：在目標社區內存在足夠的意見多樣性和動態，以驅動足夠的流動性，以保留雙方並盡量減少滑點。
4. 信息聚合：玩家應該能夠輕鬆獲取足夠的信息，使他們有信心下注。這可能包括背景分析、相關歷史數據和專家意見。

現在，讓我們看看人工智能如何解決這些挑戰：

1. 內容創建AI：內容創建AI（“共同駕駛員”）協助創建超出人類能力或動機的內容。通過分析來自新聞、社交媒體和金融數據的趨勢，AI建議及時和相關的事件主題。無論是人類還是AI，內容創建者都將因生成引人入勝的內容而獲得獎勵，從而保持他們的社區活躍。社區反饋提高了AI對其社區的理解，使其成爲一個不斷改進的內容創建引擎，促進內容創建者與其受衆之間的聯系。
2. 事件推薦AI：事件推薦AI根據用戶的興趣、交易歷史和特定需求，量身定制事件建議，重點推薦適合辯論和交易機會的事件。它會根據用戶在不同地區、文化背景和時間段的行爲進行調整。最終目標是提供高度定向的事件推送，擺脫今天在預測市場平台上充斥着的個人無關內容。
3. 流動性分配AI：流動性分配AI通過優化流動性注入來解決交易對方的流動性風險，從而縮小買賣價差。爲了最小化風險，AI可以採用專門設計用於在低流動性預測市場中最小化風險的對數市場評分規則（LMSR）AMM模型。它們還可以結合動態調整流動性深度、協議費用和債券曲線的強化學習代理，進一步降低風險。這些AI從一個通用的LP池管理事件流動性，以進一步的激勵作爲獎勵貢獻，累積費用收入或平台代幣。總的來說，這意味着對市場變化的預先適應，減少滑點，以及更好的價格穩定性。
4. 信息聚合AI：這些AI利用各種指標的計算（例如鏈上數據、歷史數據、新聞、情緒指標），使玩家能夠全面了解事件。基於此，信息聚合AI可以提供全面的預測，將預測市場變成了獲取信息決策和α值的首選來源。項目可以選擇通過信息聚合AI獲取的見解進行令牌門禁，因爲在預測市場中，知識=財富。

現在，讓我們看看將這些組件組合起來是什麼樣子。下面，您可以看到沒有人工智能的預測市場的主要組成部分和運作方式（用黑色表示），以及有人工智能的預測市場（用藍色表示）。

在非AI模型中，內容創建者（通常是平台本身）隨意創建事件，提供流動性（最初由其資金支持），將事件保存到事件數據庫中，並批量向人類玩家推廣。這就是Polymarket目前的運作方式，而且效果相當不錯。

但是，我認爲它可以做得更好。

在AI模型中，內容創建者共同駕駛員AI支持內容創建者在針對普通或利基社區內創建和推廣事件。流動性供應由流動性分配AI支持，它通過學習玩家訂單簿並使用來自預言機和其他數據供應商的外部數據來優化流動性注入。事件推薦AI使用事件數據庫中存儲的事件和錢包交易歷史來優化根據個人興趣進行事件推薦。最後，信息聚合AI從數據供應商那裏收集信息，向人類玩家提供教育和背景信息，並告知AI玩家他們的預測決策。最終目標是什麼？一個經過精細調整的預測市場系統，使預測市場能夠以微觀的規模運作。

在這種規模下的預測市場將實現不同的用戶體驗，更像是 Tinder 或 TikTok。由於事件是高度定向的，它們可以以 TikTok 的方式呈現給您，並且即使使用今天的錢包和區塊鏈技術，玩家也可以通過向左或向右滑動來下注，就像 Tinder 一樣。想象一下。人們在通勤上班或上學的時候對他們個人關心的事件進行小額下注。

讓信息聚合飛速提升

其中最難以預測的結果之一就是資產價格，因此讓我們聚焦在這裏，看看當在預測市場中推動可能性邊界時，人工智能是如何表現的。

利用人工智能來預測資產價格正受到學術界的積極探索。機器學習（ML）技術，如線性模型、隨機森林（Random Forest）和支持向量機（Support Vector Machine，SVM）已被證明能夠比人類評判更準確地預測加密貨幣價格。這些模型發現，像谷歌搜索強度這樣的行爲指標能夠解釋價格的差異。

IBM研究探索了用於商品價格預測的人工預測市場，提供了一個有關將人工智能與預測市場整合的引人注目的案例研究。他們的研究突顯了人工預測市場的潛力，即聚合各種多樣化和不斷演化的實時信息源，以便在復雜的現實世界問題中做出更好的預測，比如預測非在線交易所上交易的易變商品價格（例如乙烯、碳氫化合物）。人工智能代理之所以能夠在這裏勝過標準的ML模型，是因爲它們能夠自主學習，也就是所謂的代理。

另一項研究將隨機森林回歸和LSTM用於預測比特幣的次日價格，結果顯示前者在預測誤差方面表現更佳。它還展示了人工智能在信息聚合廣度上的強大能力，遠遠超出了普通人的容量範圍，可以對包括（a）比特幣價格變量；（b）比特幣的技術指標；（c）其他代幣價格；（d）大宗商品；（e）市場指數；（f）外匯；（g）公衆關注度；以及（h）每週的虛擬變量等八個類別中的47個變量進行建模。最重要的預測因素隨時間變化，從2015年至2018年的美國股市指數、油價和以太幣價格，到2018年至2022年的以太幣價格和日本股市指數。研究還發現，對於比特幣的次日價格，隨機森林回歸在具有一天滯後期的情況下表現最佳。

模型誤差大小與滯後期之間的關係

我們可以推斷，在一些熱門的預測市場中，對於一個繁忙的人來說，聚合、分析和解釋大量數據以做出良好的預測的時間太少了。或者，問題可能過於復雜。但是，人工智能可以做到這一點。

AI代幣推薦

Pond正在構建一個加密貨幣的去中心化基礎模型，該模型已經應用於基於鏈上行爲生成的人工智能代幣推薦。目前，他們的大型圖神經網路（GNN）使用鏈上行爲數據來估計各種代幣的Alpha概率。GNN是一類專門設計用於處理以圖形表示的數據的人工智能模型，使它們在數據與關係結構相互連接的情況下非常有用，比如區塊鏈的點對點交易網路。Dither是另一個代幣推薦人工智能，它通過一個代幣門控的Telegram警報機器人，採用時間序列建模方法進行代幣推薦。

解決稀缺市場問題

預測市場面臨的主要挑戰之一是市場過於稀缺，無法吸引足夠的參與者和交易量。但是，與2010年代的預測市場相比，2020年代存在一個重大區別，即人工智能（AI）可能普遍參與。正如Vitalik所指出的：

此外，改進預測市場基礎的自動做市商（AMM）模型是可能的。例如，對 Polymarket 上超過200萬次交易的分析發現，在使用傳統的常數乘積 AMM 模型（x*y=k）收斂預測市場的流動性提供方面存在問題，包括：

1. 收斂和流動性移除。隨着預測市場的收斂（即，結果變得更加確定），流動性提供方被激勵移除他們的流動性。這是合理的行爲，因爲持有“輸掉”的代幣的風險增加了。例如，在朝着“是”的方向收斂的市場中，“否”的代幣變得不那麼有價值（即，臨時損失），這給流動性提供方造成了風險，如果他們不提前出售，可能會擁有一文不值的代幣。
2. 偏差和不準確性。隨着預測市場的收斂，流動性的減少可能會導致更少的準確性和更多的偏差。具體來說，在體積加權價格範圍爲0.2至0.8之間，“否”的代幣通常被低估，而“是”的代幣通常被高估。

來源：Kapp-Schwoerer（2023）

爲了解決這些問題，作者提出了一種“平滑流動做市商”（SLMM）模型，並證明它可以增加收斂預測市場的交易量和準確性。它通過將集中功能引入模型（類似於 Uniswap v3），其中流動性提供方提供的流動性位置僅對特定價格區間有效，從而實現了這一點。其結果是減少了風險暴露，確保流動性提供方持有的有價值代幣數量（例如，在市場收斂到“是”結果時的“是”代幣）不會在價格調整時收斂到零，這與常數乘積 AMM 不同。

流動性提供方與交易者的權衡

在爲收斂預測市場選擇像 SLMM 這樣的集中流動性 AMM 變體時，必須達到一種平衡。雖然您試圖減少流動性提供方的風險，但也可能會減少一些交易活動的激勵。

具體來說，雖然集中的流動性可以減少在市場收斂到確定結果時流動性提供方蒙受損失的可能性（從而減少過早退出），但它也可能會減少從小價格變動中獲利的交易機會（例如，從 0.70 美元到 0.75 美元的變動），因爲增加了滑點，特別是對於大額訂單而言。直接的後果是交易者的潛在利潤空間受到擠壓。例如，如果他們期待從 0.70 美元到 0.75 美元的小幅價格波動，那麼滑點可能限制他們有效投入以捕捉預期漲。展望未來，通過在這些做市商公式的權衡項上嘗試各種調整，找到最佳平衡點將至關重要。

結論

預測市場原型是一個強大的工具。當然，像任何其他加密原語一樣，它面臨着挑戰，但我們相信這些挑戰將被克服。隨着這些挑戰逐漸被克服，我們可以預期看到這種原語被重新利用來回答各種數字環境中的各種問題。隨着定位和流動性解決方案的進步，我們可以預期發展出細分的預測市場。例如，以 X（前身爲 Twitter）用戶爲例：

• X 是否會在年底前推出 Premium++ 或等同產品？
• X 是否會在第三季度向所有用戶推出編輯推文功能？
• X 是否會在下一個季度報告中報告每日活躍用戶的增長？
• X 的廣告收入在下個季度會增加還是減少？
• X 是否會在年底前宣布與內容創作者的新重大合作夥伴關係？
• X 是否會在第三季度發布與區塊鏈或加密貨幣相關的功能？

有趣的是，這些問題不必局限於獨立的預測市場網站。它們可以通過瀏覽器擴展直接集成到 X 或其他平台中。我們可能開始在日常在線體驗中定期看到微型預測市場的出現，爲普通的瀏覽體驗增添了投機交易的機會。

我故意編寫了上述一些問題，並要求 ChatGPT 編寫其他問題。我寫了哪些，內容創作者 AI 寫了哪些？如果難以分辨，那是因爲 ChatGPT 的內容創作者 AI 已經非常出色。其他大型科技公司構建的信息聚合 AI 和推薦引擎也是如此（看看谷歌和 Instagram 給你的廣告）。雖然要匹敵這些模型的性能需要工作和時間，但它們展示了這些 AI 類別的可行性。主要的開放問題缺乏先例，更多地涉及流動性分配 AI、AI 玩家以及 AI 的自我改進和目標導向發展——從基本機器學習到可驗證的 AI 代理的演變。

如果您在這些領域構建，或者本文與您產生共鳴，請聯系我！

聲明：

1. 本文轉載自Inception Capital]，所有版權歸原作者所有[Hiroki Kotabe]。若對本次轉載有異議，請聯系Gate Learn團隊，他們會及時處理。
2. 免責聲明：本文所表達的觀點和意見僅代表作者個人觀點，不構成任何投資建議。
3. Gate Learn 團隊將文章翻譯成其他語言。除非另有說明，否則禁止復制、分發或抄襲翻譯文章。