tl’dr

• La gente ha estado prediciendo que los mercados de predicción despegarán tarde o temprano y las mejoras continuas en la experiencia de usuario han preparado este segmento para despegar
• Pero para escalar a miles de millones de usuarios, necesitamos "algo nuevo" más allá de las mejoras continuas en la experiencia de usuario, y eso es la inteligencia artificial como el engranaje y el eje en la máquina
• Un cuarteto de IA de creadores de contenido, recomendadores de eventos, asignadores de liquidez y agregadores de información puede catalizar una gran actividad nueva en este espacio
• Integrar estos AIs en el marco actual del mercado de predicción puede permitir mercados de predicción a una escala microscópica, haciéndolos personalmente atractivos y relevantes
• El primitivo mercado de predicción allana el camino para aplicaciones de mercado de predicción similares a Tinder, incrustando experiencias comerciales predictivas en nuestra existencia digital cotidiana

Cada decisión comienza con una predicción. Considera reflexionar sobre el potencial de Bitcoin: "¿Comprando Bitcoin ahora generará una inversión duplicada para fin de año? Si la perspectiva de "sí" se considera incluso marginalmente más probable que "no", sería económicamente racional decidir comprar Bitcoin en ausencia de alternativas superiores."

Pero, ¿por qué quedarse solo en Bitcoin? Imagina si pudiéramos diseñar mercados basados en predicciones sobre todo tipo de eventos, como quién será el próximo presidente de los Estados Unidos o qué país ganará la Copa del Mundo. Aquí, no se negocian activos, sino las propias predicciones.

Las predicciones dan forma a los mercados, los mercados validan nuestras predicciones

Los mercados de predicción han sido llamados el "santo grial de la tecnología epistémica" por Vitalik.

Vitalik tiene un don para ver grandes cosas antes que otros. Así que es una buena fuente para las narrativas de frontrunning. Propuso la idea de un AMM en Ethereum hace siete años en un publicación de blog. 'Otro tipo' llamado Hayden Adams tomó la iniciativa y comenzó a construirlo, con una subvención de $60,000. Dos años más tarde, Uniswap estaba nacido.

Si las publicaciones de blog de Vitalik pueden iniciar la creación de $100+ mil millonesindustrias del dólar, probablemente deberíamos prestarles atención. Por ejemplo, sucede que Vitalik estaba emocionado por usar mercados de predicción en la gobernanza en 2014—una forma radical de gobierno conocida como “futocracia”— y ahora tenemosMeta DAOhaciendo precisamente eso, con grandes firmas de capital de riesgo como Panteraparticipando en ello.

Pero es másdiscusiones recientesen torno a mercados de predicción + IA en los que queremos enfocarnos, ya que estamos empezando a ver los inicios de algo grande aquí.

Los mercados de predicción están listos para despegar

El mercado líder de predicción en este momento es Polymarket, debido a sus continuas mejoras en la experiencia de usuario y la expansión de categorías de eventos y ofertas de eventos.

Fuente de datos: Dune

El volumen mensual recientemente alcanzó máximos históricos y es probable que aumente con las elecciones presidenciales de EE. UU. en noviembre de este año (la actividad de Polymarket se centra en EE. UU.).

Hay más precedentes para creer que los mercados de predicción podrían despegar este año. Además de que los mercados de criptomonedas alcanzaron máximos históricos en 2024, también tenemos uno de los mayores años electorales en la historia de este año. Ocho de las diez naciones más pobladas del mundo, incluidos EE. UU., India, Rusia, México, Brasil, Bangladesh, Indonesia y Pakistán, también van a las urnas. También tenemos los próximos Juegos Olímpicos de 2024 en París.

Pero dado que los volúmenes mensuales siguen estando en decenas de millones cuando podrían alcanzar cientos de millones, consideremos algunas de las limitaciones de los actuales mercados de predicción:

• Control centralizado sobre la creación de eventos
• Una falta de incentivos para los creadores de contenido de la comunidad
• Personalización insuficiente
• Principalmente centrado en EE. UU.; pasando por alto oportunidades internacionales sustanciales

Pero necesitamos “algo nuevo”

Creemos que esa cosa es AI.

Necesitamos IA como jugadores en el juego. Esperamos que pronto sea común ver IA (bots) participando junto a agentes humanos en mercados de predicción. Ya podemos ver demostraciones en vivo de esto en OmenyPredX, entre muchos otros que probablemente entrarán en esta escena. Más sobre esto más tarde.

Los AIs necesitan AIs como árbitros del juego. Aunque relativamente raro, puede haber casos en los que la resolución de disputas sea importante y necesaria en un mercado de predicción. Por ejemplo, en una elección presidencial, los resultados pueden ser muy ajustados y pueden surgir alegaciones de irregularidades en la votación. Así, mientras que el mercado de predicción puede cerrar a favor del Candidato A, la comisión electoral oficial puede declarar al Candidato B como el ganador. Aquellos que apostaron por el Candidato A argumentarán en contra del resultado debido a presuntas irregularidades en la votación, mientras que aquellos que apostaron por el Candidato B argumentarán que la decisión de la comisión electoral refleja el resultado “real”. Mucho dinero puede estar en juego. ¿Quién tiene razón?

Responder a esta pregunta plantea varios desafíos:

• Los jugadores pueden no confiar en los árbitros humanos debido a sus prejuicios
• La arbitraje humano puede ser lento y costoso
• Las resoluciones de predicción basadas en DAO son vulnerables a los ataques de Sybil

Para abordar esto, los mercados de predicción pueden utilizar sistemas de disputa de múltiples rondas a la k GateKlerosexcept using AIs instead of humans to solve disputes at earlier rounds and only humans are involved in rare cases where disputes reach a deadlock. Players can trust AIs to be impartial, as fabricating enough training data to bias them is unfeasible. Also, AI arbiters work faster and at much lower cost.xMarketsse está construyendo en esta dirección.

Los AIs crean deseo

Para que los mercados de predicción realmente despeguen, necesitan poder generar suficiente interés para llevar a las personas más allá del umbral psicológico de negociar activos de predicción. Puede que no se necesite mucho para hacer esto para temas generales que a mucha gente le importan, como quién ganará una elección presidencial o el Super Bowl. Sin embargo, incluir solo temas generales limita severamente la liquidez potencial. Idealmente, un mercado de predicción podría aprovechar la liquidez de eventos específicos de gran interés para audiencias de nicho. Así es como funciona la publicidad dirigida, y todos sabemos que la publicidad dirigida funciona.

Para lograr esto, los mercados de predicción necesitan resolver cuatro desafíos generales:

1. Suministro de eventos: El suministro de eventos altamente relevante es clave. Para captar la atención de una audiencia de nicho pero dedicada, los creadores de eventos deben comprender profundamente los intereses de su comunidad para impulsar la participación y los volúmenes.
2. Demanda de Evento: La demanda debe ser alta dentro de la comunidad objetivo particular, teniendo en cuenta sus idiosincrasias demográficas y psicográficas.
3. Liquidez del evento: Existe suficiente diversidad de opiniones y dinámicas dentro de la comunidad objetivo para impulsar suficiente liquidez y retener a ambas partes, minimizando el deslizamiento.
4. Agregación de información: Los jugadores deberían tener fácil acceso a suficiente información para que se sientan seguros al realizar una apuesta. Esto podría incluir un análisis de antecedentes, datos históricos relevantes y opiniones de expertos.

Ahora, veamos cómo la inteligencia artificial podría abordar cada uno de estos desafíos:

1. AIs creadores de contenido: Los AIs creadores de contenido ("copilotos") ayudan en la creación de contenido más allá de las capacidades o la motivación humanas. Los AIs sugieren temas de eventos oportunos y relevantes mediante el análisis de tendencias de noticias, redes sociales y datos financieros. Los creadores de contenido, ya sean humanos o AIs, serán recompensados por generar contenido atractivo que mantenga a sus comunidades activas. La retroalimentación de la comunidad mejora la comprensión de los AIs sobre sus comunidades, convirtiéndolos en un motor de creación de contenido que mejora de forma iterativa para unir a los creadores de contenido y sus audiencias.
2. Los AIs recomendadores de eventos adaptan las sugerencias de eventos a los usuarios en función de sus intereses, historial de trading y necesidades específicas, centrándose en recomendar eventos propicios para el debate y las oportunidades de trading. Se adapta a los comportamientos de los usuarios en diferentes regiones, contextos culturales y horarios. El objetivo final es un feed altamente dirigido de eventos, libre de contenido personalmente irrelevante que ensucia los plataformas de mercado de predicción hoy en día.
3. Liquidity Allocator AIs: Los AIs de asignación de liquidez abordan el riesgo de contraparte de liquidez al optimizar las inyecciones de liquidez para estrechar el spread entre oferta y demanda. Para minimizar el riesgo, los AIs pueden implementar el regla de puntuación de mercado logarítmica(LMSR) modelo AMM diseñado específicamente para minimizar el riesgo en mercados de predicción de baja liquidez. También podrían incorporaragentes de aprendizaje por refuerzoque ajustan dinámicamente la profundidad de liquidez, las comisiones del protocolo y la curva de vinculación para minimizar aún más el riesgo. Estos IA gestionan la liquidez del evento desde un fondo general de LP, recompensando las contribuciones con ingresos por comisiones acumuladas o tokens de plataforma como incentivo adicional. En resumen, esto significa adaptación preventiva a los cambios del mercado, reducción del deslizamiento y mejor estabilidad de precios.
4. Agregación de información de IA: Estas IA aprovechan la computación sobre una amplia gama de indicadores (por ejemplo, datos en cadena, datos históricos, noticias, indicadores de sentimiento) para que los jugadores comprendan comprehensivamente el evento. A partir de ahí, las IA de agregación de información pueden ofrecer proyecciones bien fundamentadas, convirtiendo los mercados de predicción en la fuente principal para la toma de decisiones informadas y alfa. Los proyectos pueden optar por tokenizar el acceso a las percepciones obtenidas por las IA de agregación de información, porque en los mercados de predicción, el conocimiento = dinero.

Ahora, veamos cómo se ve esto cuando lo juntas. A continuación, puedes ver los componentes principales y el funcionamiento de un mercado de predicción sin IA (en negro) y con IA (en azul).

En el modelo no-AI, los creadores de contenido (generalmente la plataforma en sí misma) crean eventos arbitrariamente, suministran liquidez (inicialmente subvencionada por sus tesorerías), guardan los eventos en una base de datos de eventos y los promocionan en masa a los jugadores humanos. Así es como funciona actualmente Polymarket, y está funcionando bastante bien.

Pero, creo que puede mejorar mucho más.

En el modelo de IA, los copilotos de IA de creadores de contenido apoyan a los creadores de contenido en la creación y promoción de eventos dentro de comunidades generales o de nicho específicas. La provisión de liquidez es compatible con los asignadores de liquidez de IA que optimizan las inyecciones de liquidez con el tiempo a través del aprendizaje de los libros de pedidos de jugadores y el uso de datos externos de oráculos y otros proveedores de datos. Los copilotos de recomendación de eventos utilizan eventos almacenados en la base de datos de eventos e historial de transacciones de billeteras para optimizar la recomendación de eventos adaptada a intereses personales. Finalmente, los copilotos de agregación de información recopilan información de proveedores de datos para proporcionar información educativa y contextual a los jugadores humanos y para informar a los jugadores de IA sobre sus decisiones de predicción. ¿El objetivo final? Un sistema de mercado de predicción afinado que permite que los mercados de predicción funcionen a una escala microscópica.

Los mercados de predicción a esta escala permitirían una experiencia de usuario diferente, más parecida a Tinder o TikTok. Dado que los eventos son altamente específicos, podrían ser mostrados en un feed a la TikTok y, incluso con la tecnología de billetera y blockchain de hoy en día, los jugadores podrían realizar apuestas deslizando a la izquierda o a la derecha a la Tinder. Imagínate eso. Las personas haciendo microapuestas en los eventos que les importan personalmente mientras van camino al trabajo o la escuela.

Potenciando la agregación de información

De los resultados más notorios difíciles de predecir son los precios de los activos, así que centrémonos aquí para ver cómo se desempeñan los AIs al empujar en los límites de lo posible en los mercados de predicción.

El uso de la IA para predecir los precios de los activos está siendo activamente explorado en círculos académicos. Técnicas de aprendizaje automático (ML) como modelos lineales, bosques aleatorios y máquinas de vectores de soporte han sido mostradopredecir los precios de las criptomonedas con mayor precisión que los jueces humanos. Estos modelos han descubierto que los indicadores de comportamiento como la intensidad de búsqueda en Google explican la variación de precios.

IBM researchexploradomercados de predicción artificial para la predicción de precios de productos básicos, ofreciendo un convincente estudio de caso sobre la integración de la IA con los mercados de predicción. Su investigación destaca el potencial de los mercados de predicción artificial para agregar diversas y cambiantes fuentes de información en tiempo real para realizar mejores predicciones incluso en problemas complejos del mundo real como predecir los precios de productos básicos volátiles que no se negocian en bolsas en línea (por ejemplo, etileno, hidrocarburos). La razón por la que los agentes de IA pueden superar a los modelos estándar de aprendizaje automático aquí es que aprenden con el tiempo, por sí mismos, es decir, mediante agencia.

Otro estudio comparando regresión de bosque aleatorio y LSTM para predecir el precio del Bitcoin al día siguientemostróque el primero tuvo un mejor desempeño en términos de menor error de predicción. También mostró el poder de la IA en la amplitud de agregación de información, mucho más allá de la capacidad humana ordinaria, para modelar 47 variables en ocho categorías que incluyen (a) variables de precio de Bitcoin; (b) indicadores técnicos de Bitcoin; © otros precios de tokens; (d) materias primas; (e) índices de mercado: (f) divisas; (g) atención pública); y (h) variables ficticias de la semana. Los predictores más importantes variaron con el tiempo desde los índices del mercado de valores de EE. UU., el precio del petróleo y el precio de Ethereum en 2015-2018 hasta el precio de Ethereum y un índice del mercado de valores japonés en 2018-2022. También encontró que para el precio de Bitcoin del día siguiente, la regresión de bosque aleatorio funciona mejor con un rezago de un día.

Relación entre la magnitud del error del modelo y el rezago

Podemos inferir que en algunos mercados de predicción populares, simplemente hay muy poco tiempo para que un humano ocupado agregue, analice e interprete cantidades lo suficientemente grandes de datos como para hacer buenas predicciones. O los problemas son simplemente demasiado complejos. Pero los AIs pueden hacer esto.

Recomendación de token de IA

Estanqueestá construyendo un modelo fundamental descentralizado de criptomonedas, que se ha aplicado en recomendaciones de tokens generadas por IA derivadas de comportamientos en cadena. Actualmente, su red neuronal de gráficos grande (GNN) utiliza datos de comportamiento en cadena para estimar las probabilidades alfa de varios tokens. Los GNN son una clase de modelos de IA diseñados específicamente para procesar datos representados como gráficos, lo que los hace útiles donde los datos están interconectados con una estructura relacional como las redes transaccionales p2p de las cadenas de bloques.Ditheres otro AI de recomendación de token con un Telegram protegido por tokenbot de alerta, que toma un enfoque de modelado de series temporales para la recomendación de tokens.

Resolviendo el problema de los mercados delgados

Uno de los principales desafíos que enfrentan los mercados de predicción es que los mercados son demasiado delgados para atraer suficientes jugadores y volumen. Pero hay una diferencia importante entre los mercados de predicción de la década de 2010 y los de la década de 2020, y esa es la posibilidad de participación ubicua por AIs. Como señala Vitalik:

Además, es posible mejorarlos modelos de creador de mercado automatizado (AMM) subyacentes a los mercados de predicción. Por ejemplo, un análisisde más de 2 millones de transacciones en Polymarket identificó problemas con la provisión de liquidez en la convergencia de mercados de predicción utilizando el AMM tradicional de producto constante (x*y=k), incluyendo:

1. Convergencia y eliminación de liquidez. A medida que los mercados de predicción convergen (es decir, a medida que el resultado se vuelve más cierto), los LP se ven incentivados a retirar su liquidez. Este es un comportamiento racional porque el riesgo de mantener tokens "perdedores" aumenta. Por ejemplo, en un mercado que converge hacia "sí", los tokens de "no" se vuelven menos valiosos (es decir, pérdida impermanente), lo que supone un riesgo para los LP que podrían terminar con tokens sin valor si no los venden con antelación.
2. Prejuicio e inexactitud. Esta reducción en la liquidez puede llevar a una menor precisión y más prejuicios a medida que los mercados de predicción convergen. Específicamente, en el rango de precios ponderado por volumen de 0.2 a 0.8, los tokens 'no' a menudo están infravalorados y los tokens 'sí' a menudo están sobrevalorados.

Origen: Kapp-Schwoerer (2023)

Para abordar estos problemas, los autores proponen un modelo de "creador de mercado líquido suave" (SLMM) y demuestran que puede aumentar los volúmenes y la precisión en la convergencia de los mercados de predicción. Lo hace introduciendo una función de concentración en el modelo (a lo Uniswap v3) en la cual los LP proporcionan una posición de liquidez que solo está activa para intervalos de precios específicos. El resultado es una exposición al riesgo reducida, asegurando que el número de tokens valiosos (por ejemplo, tokens 'sí' en el mercado que converge hacia el resultado 'sí') mantenidos por los LP no converja a cero a medida que los precios se ajustan, a diferencia de lo que sucede en el AMM de producto constante.

Compensaciones del comerciante de LP

Existe un acto de equilibrio que se debe alcanzar al elegir una variante de AMM de liquidez concentrada como el SLMM para converger mercados de predicción. Mientras intentas reducir el riesgo para los LP, terminas desincentivando cierta actividad comercial.

Específicamente, si bien la liquidez concentrada puede hacer menos probable que los LP pierdan a medida que el mercado converge en un resultado seguro (por lo tanto, reduciendo la retirada prematura), también puede reducir las oportunidades de negociación para obtener ganancias en pequeños cambios de precio (por ejemplo, como pasar de $0.70 a $0.75) debido al aumento del deslizamiento, especialmente para órdenes grandes. La consecuencia directa es que se reducen los márgenes de beneficio potencial de los traders. Por ejemplo, si esperan un pequeño movimiento de precio de $0.70 a $0.75, el deslizamiento puede limitar el capital que pueden desplegar de manera efectiva para capturar el alza esperada. Mirando hacia adelante, será importante probar varios ajustes en el término de compensación en estas fórmulas de creador de mercado para encontrar el punto óptimo.

Conclusión

El primitivo del mercado de predicción es poderoso. Por supuesto, al igual que cualquier otro primitivo de cripto, enfrenta desafíos, pero estamos seguros de que serán superados. A medida que se superan gradualmente, podemos esperar ver este primitivo reutilizado para responder todo tipo de preguntas en una amplia variedad de contextos digitales. Con avances en soluciones de segmentación y liquidez, podemos esperar el desarrollo de mercados de predicción de nicho. Por ejemplo, tomen a los usuarios de X (anteriormente Twitter):

• ¿Introducirá X un Premium++ o equivalente para fin de año?
• ¿X pondrá la función de edición de tweets disponible para todos los usuarios para el tercer trimestre?
• ¿X reportará un aumento en usuarios activos diarios en el próximo informe trimestral?
• ¿Aumentará o disminuirá los ingresos por publicidad de X en el próximo trimestre?
• ¿Anunciará X nuevas asociaciones importantes con creadores de contenido para fin de año?
• ¿X lanzará una característica relacionada con blockchain o criptomonedas para el tercer trimestre?

Curiosamente, estas preguntas no necesitan permanecer confinadas a sitios web de mercado de predicción independientes. Podrían integrarse directamente en X u otras plataformas a través de extensiones del navegador. Es posible que empecemos a ver mercados de predicción micro surgir regularmente en nuestras experiencias en línea cotidianas, enriqueciendo la navegación ordinaria con oportunidades de trading especulativo.

Intencionalmente escribí algunas de las preguntas anteriores y pedí a ChatGPT que escribiera las demás. ¿Cuáles escribí y cuáles escribió el creador de contenido de la IA? Si es difícil de decir, es porque el creador de contenido de la IA de ChatGPT ya es realmente bueno. También lo son las IA de agregación de información y los motores de recomendación construidos por otros Big Tech (mira los anuncios que Google e Instagram te muestran). Si bien igualar el rendimiento de estos modelos llevará trabajo y tiempo, demuestran la viabilidad de estas categorías de IA. La principal pregunta abierta que carece de precedentes se encuentra más en la dirección de las IA de asignación de liquidez, los jugadores de IA y el desarrollo de la auto-mejora y la orientación hacia metas en las IA: la evolución del aprendizaje automático básico a agentes de IA verificables.

Si estás construyendo en estos espacios o este post resuena contigo, hazlocontactar!

Lectura relevante

• Buterin, V. (2024). Las promesas y desafíos de las aplicaciones de cripto + IA.
• Rein Y. Wu, et al., Mercado de predicción centrado en la intención con tecnología AI y Web3, Blockchain — Pionero en la infraestructura Web3 para un futuro inteligente, 2024.
• Kapp-Schwoerer, L. (2023). Mejora de la liquidez para mercados de predicción.

Descargo de responsabilidad：

1. Este artículo se reimprime de [Inception Capital], Todos los derechos de autor pertenecen al autor original [Hiroki Kotabe]. Si hay objeciones a esta reimpresión, por favor contacte al Gate Learnequipo, y lo resolverán rápidamente.
2. Descargo de responsabilidad: Las opiniones expresadas en este artículo son únicamente las del autor y no constituyen ningún consejo de inversión.
3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de Gate Learn. A menos que se mencione, está prohibido copiar, distribuir o plagiar los artículos traducidos.