Chainfeeds 导读：
Wintermute 宣布采用 Chaos Labs 新推出的 Edge Proofs Oracles 作为其美国总统选举预测市场 OutcomeMarket 的预言机。Chaos Labs 创始人 Omar 以 Edge Proofs Oracles 为例，解析了其代表的 AI/LLM 预言机模型的机制、优势及局限性。
文章来源：
https://x.com/omeragoldberg/status/1836067673278734443
文章作者：
omer
观点：
omer：边缘证明预言机（Edge Proofs Oracles）确保可验证的数据来源、完整性和真实性，使区块链应用程序能够信任它们所依赖的外部数据。此功能对于预测市场预言机至关重要，预测市场预言机是证明预言机的一个专门子集，旨在以安全可信的方式将链下数据带入链上，确保准确验证选举等现实世界的结果。预测市场预言机机制如下：1）声明信誉良好的消息来源：提前指定美联社、CNN 或 Fox 等可信消息来源。这些消息来源可作为解决预测市场事件（例如确定美国大选获胜者）的输入；2）证明数据来源、完整性和真实性：预言机确保数据保持其原始形式、未被篡改且与声明来源发布的完全一致，从而保持输入的完整性；3）确定事件结果：先进的 AI 或 LLM 模型处理文本并产生回答特定问题的见解，例如「谁赢得了美国大选？」，而无需添加主观解释；4）达成共识：为了确保结果的可靠性，预言机网络在多个节点之间达成共识。此步骤可确保没有任何单个实体可以单方面决定事件的结果，从而确保透明度和去中心化。依靠可验证的机器学习模型来实现预言机解决方案比人工驱动的投票系统更具优势，特别是在信任、准确性和效率至关重要的高风险环境中。当使用公平数据进行训练时，机器学习模型会提供更结构化的方法，最大限度地减少外部影响，从而提高客观性和公平性。机器学习模型是完全可验证的。每个预测都可以追溯到其输入，从而使第三方可以清晰而自信地验证结果。机器学习模型具有高度可扩展性，可以实时处理大量数据。此外，基于 ML 的预言机可以实现自动化。机器学习模型还可以抵御人为驱动的投票系统受到的操纵。虽然 LLM 前景广阔，但它们并不是万能的解决方案。我们必须承认它们的局限性。最近的一个例子是 Google Gemini 模型，在某些情况下，它被发现改写了美国历史的某些部分，这凸显了 LLM 有时会产生有缺陷或不准确的答案这一事实。这些缺点源于训练数据的偏差和语言模型固有的可变性。尽管如此，当涉及到需要从明确且权威的来源直接提取答案的预测市场预言机时（例如根据 CNN 或美联社等知名新闻媒体的文章确定选举获胜者），我们相信 LLM 仍然非常有效。【原文为英文】
内容来源
