Giới thiệu về Chainfeeds:
Wintermute thông báo rằng công ty đã áp dụng Edge Proofs Oracles mới ra mắt của Chaos Labs làm oracle cho thị trường dự đoán bầu cử tổng thống Hoa Kỳ OutcomeMarket. Omar, người sáng lập Chaos Labs, đã lấy Edge Proofs Oracles làm ví dụ để phân tích cơ chế, ưu điểm và hạn chế của mô hình oracle AI/LLM mà nó đại diện.
Nguồn:
https://x.com/omeragoldberg/status/1836067673278734443
Tác giả bài viết:
omer
Quan điểm:
omer: Edge Proofs Oracle đảm bảo nguồn gốc, tính toàn vẹn và tính xác thực dữ liệu có thể xác minh được, cho phép các ứng dụng blockchain tin tưởng vào dữ liệu bên ngoài mà chúng dựa vào. Chức năng này rất quan trọng đối với oracle thị trường dự đoán, một tập hợp con chuyên biệt của oracle oracle để đưa dữ liệu ngoài Chuỗi lên Chuỗi theo cách an toàn và đáng tin cậy, đảm bảo xác minh chính xác các kết quả thực tế như bầu cử. Cơ chế oracle đoán thị trường như sau: 1) Khai báo nguồn đáng tin cậy: Chỉ định nguồn đáng tin cậy như Associated Press, CNN hoặc Fox trước. Các nguồn này có thể được sử dụng làm đầu vào để giải quyết các sự kiện thị trường dự đoán (chẳng hạn như xác định người chiến thắng trong cuộc bầu cử ở Hoa Kỳ); 2) Chứng minh nguồn gốc, tính toàn vẹn và tính xác thực của dữ liệu: Oracle đảm bảo rằng dữ liệu vẫn ở dạng ban đầu, không bị giả mạo và hoàn toàn giống với dữ liệu được công bố bởi nguồn đã nêu, do đó duy trì tính toàn vẹn của đầu vào; 3) Xác định kết quả của sự kiện: Các mô hình AI hoặc LLM nâng cao xử lý văn bản và tạo ra nhận xét trả lời các câu hỏi cụ thể, chẳng hạn như "Ai đã thắng cuộc bầu cử ở Hoa Kỳ?" mà không thêm các diễn giải chủ quan; 4) Đạt được sự đồng thuận: Để đảm bảo độ tin cậy của kết quả, mạng lưới oracle đạt được sự đồng thuận giữa nhiều nút. Bước này đảm bảo rằng không có một thực thể nào có thể đơn phương quyết định kết quả của một sự kiện, do đó đảm bảo tính minh bạch và phi tập trung. Các giải pháp Oracle dựa trên mô hình học máy có thể xác minh mang lại nhiều lợi thế hơn so với các hệ thống bỏ phiếu do con người điều khiển, đặc biệt là trong hoàn cảnh rủi ro cao, nơi mà sự tin cậy, độ chính xác và hiệu quả là rất quan trọng. Khi được đào tạo bằng dữ liệu công bằng, các mô hình học máy cung cấp phương pháp có cấu trúc hơn giúp giảm thiểu các tác động bên ngoài, do đó tăng tính khách quan và công bằng. Các mô hình học máy có thể được xác minh hoàn toàn. Mọi dự đoán đều có thể được truy ngược lại dữ liệu đầu vào, cho phép bên thứ ba xác minh kết quả một cách rõ ràng và tự tin. Các mô hình học máy có mở rộng cao và có thể xử lý lượng dữ liệu lượng lớn theo thời gian thực. Ngoài ra, oracle dựa trên ML có thể được tự động hóa. Các mô hình học máy cũng có thể chống lại sự thao túng của hệ thống bỏ phiếu do con người điều khiển. Mặc dù LLM rất hứa hẹn nhưng chúng không phải là giải pháp phù hợp cho tất cả mọi người. Chúng ta phải thừa nhận những hạn chế của họ. Một ví dụ gần đây là mô hình Google Gemini , trong một số trường hợp được phát hiện đã viết lại một số phần lịch sử Hoa Kỳ, làm nổi bật thực tế là LLM đôi khi có thể đưa ra câu trả lời sai sót hoặc không chính xác. Những thiếu sót này bắt nguồn từ sự thiên vị trong dữ liệu đào tạo và tính biến đổi vốn có của các mô hình ngôn ngữ. Tuy nhiên, khi nói đến oracle thị trường dự đoán cần rút câu trả lời trực tiếp từ nguồn rõ ràng và có thẩm quyền (chẳng hạn như xác định người chiến thắng trong cuộc bầu cử dựa trên các bài viết từ các hãng tin có tiếng như CNN hoặc Associated Press), chúng tôi tin rằng LLM vẫn rất hiệu quả. 【Văn bản gốc bằng tiếng Anh】
Nguồn nội dung 
