Chainfeeds 導讀：
Wintermute 宣佈採用 Chaos Labs 新推出的 Edge Proofs Oracles 作為其美國總統選舉預測市場 OutcomeMarket 的預言機。Chaos Labs 創始人 Omar 以 Edge Proofs Oracles 為例，解析了其代表的 AI/LLM 預言機模型的機制、優勢及侷限性。
文章來源：
https://x.com/omeragoldberg/status/1836067673278734443
文章作者：
omer
觀點：
omer：邊緣證明預言機（Edge Proofs Oracles）確保可驗證的數據來源、完整性和真實性，使區塊鏈應用程序能夠信任它們所依賴的外部數據。此功能對於預測市場預言機至關重要，預測市場預言機是證明預言機的一個專門子集，旨在以安全可信的方式將鏈下數據帶入鏈上，確保準確驗證選舉等現實世界的結果。預測市場預言機機制如下：1）聲明信譽良好的消息來源：提前指定美聯社、CNN 或 Fox 等可信消息來源。這些消息來源可作為解決預測市場事件（例如確定美國大選獲勝者）的輸入；2）證明數據來源、完整性和真實性：預言機確保數據保持其原始形式、未被篡改且與聲明來源發佈的完全一致，從而保持輸入的完整性；3）確定事件結果：先進的 AI 或 LLM 模型處理文本併產生回答特定問題的見解，例如「誰贏得了美國大選？」，而無需添加主觀解釋；4）達成共識：為了確保結果的可靠性，預言機網絡在多個節點之間達成共識。此步驟可確保沒有任何單個實體可以單方面決定事件的結果，從而確保透明度和去中心化。依靠可驗證的機器學習模型來實現預言機解決方案比人工驅動的投票系統更具優勢，特別是在信任、準確性和效率至關重要的高風險環境中。當使用公平數據進行訓練時，機器學習模型會提供更結構化的方法，最大限度地減少外部影響，從而提高客觀性和公平性。機器學習模型是完全可驗證的。每個預測都可以追溯到其輸入，從而使第三方可以清晰而自信地驗證結果。機器學習模型具有高度可擴展性，可以實時處理大量數據。此外，基於 ML 的預言機可以實現自動化。機器學習模型還可以抵禦人為驅動的投票系統受到的操縱。雖然 LLM 前景廣闊，但它們並不是萬能的解決方案。我們必須承認它們的侷限性。最近的一個例子是 Google Gemini 模型，在某些情況下，它被發現改寫了美國曆史的某些部分，這凸顯了 LLM 有時會產生有缺陷或不準確的答案這一事實。這些缺點源於訓練數據的偏差和語言模型固有的可變性。儘管如此，當涉及到需要從明確且權威的來源直接提取答案的預測市場預言機時（例如根據 CNN 或美聯社等知名新聞媒體的文章確定選舉獲勝者），我們相信 LLM 仍然非常有效。【原文為英文】
內容來源
