PolyChain en tête, comment Allora utilise-t-elle le "modèle de volant" pour remodeler les services de raisonnement en IA ?

Avec un financement de 35 millions de dollars, Allora, soutenu par des VC comme PolyChain et Framework, a récemment fait une forte impression. J'ai vu beaucoup de gens dire que c'était un “marché de prévision” ? Faux, parlons de ma compréhension de ce projet :

1. Pour être précis, Allora est une plateforme de service d'inférence AI décentralisée. Les utilisateurs peuvent payer pour que l'Agent AI fournisse des services pour tout besoin de jugement AI, y compris la prévision des prix, l'optimisation des stratégies, l'évaluation des risques, etc. Ainsi, le marché de prévision n'est qu'un cas d'application d'Allora, et non pas tout.

2. Comment le modèle d'IA, dont les capacités de raisonnement sont inégales, peut-il devenir un fournisseur en amont mature pour les sorties en masse ? La réponse réside dans le fait qu'Allora a construit une plateforme d'agrégation qui repose sur la coopération de plusieurs modèles d'IA et la concurrence.

Son mécanisme est très simple. Par exemple, si un utilisateur veut prédire si l'ETH va monter ou descendre, comment doit-il définir la plage de prix du LP ? La méthode traditionnelle consiste à analyser les chandeliers et à écouter les analyses des KOL, ou à acheter divers modèles IA personnalisés via une API pour obtenir des prévisions, mais on se rend compte qu'on reçoit un tas de réponses différenciées. Existe-t-il une plateforme de service d'inférence agrégée pour gérer ce processus de comparaison et de filtrage ?

La clé réside ici : après que l'utilisateur a soumis sa demande à Allora, les 280 000 nœuds du réseau s'affronteront pour fournir une réponse. Certains diront que ça monte, d'autres que ça descend, et d'autres encore que c'est stable. Allora votera pour ces modèles et enregistrera les résultats historiques, attribuant un poids plus élevé aux modèles d'IA ayant un taux de réussite élevé, tout en envoyant des récompenses en jetons, et en pénalisant ceux qui devinent au hasard en leur retirant des points et en confisquant leur dépôt.

Ceci crée un flywheel positif : les modèles précis gagnent plus, leur poids augmente, ils prennent plus de tâches ; ceux qui devinent à l'aveuglette sont éliminés.

3. Par conséquent, je préfère penser qu'Allora est la couche d'infrastructure des services de raisonnement AI, capable de combiner des modèles AI à la demande. Il y a principalement deux grands cas d'application :

DeFAI : Lorsque l'agent AI exécute des transactions sur la chaîne, il doit déterminer si une transaction est affectée par le MEV, ajuster le LP Uniswap en temps réel pour donner la meilleure plage de prix, ainsi que juger si AAVE présente un risque de liquidation, comment le Yield pool ajuste dynamiquement le taux de levier, etc.

marché de prévision : utiliser un modèle d'IA pour ajuster dynamiquement et mettre à jour les probabilités, par rapport à un mécanisme qui se base uniquement sur le volume des transactions, le raisonnement agrégé de l'IA peut fournir aux utilisateurs un point de départ de prévision plus intelligent, évitant ainsi de suivre purement la tendance.

Cependant, en essence, Allora n'est encore qu'une infrastructure de services. Dans un contexte où il y a peu de modèles et peu de données, et où le taux de précision est insuffisant, il connaîtra également une longue période de stockage d'énergie.

Mais si à l'avenir, les deux grands marchés de DeFAi et du marché de prévision peuvent devenir des références, la valeur de leurs services d'infrastructure pourra alors se démarquer.