太棒了

• 人们一直预测预测市场迟早会起飞，而正在进行的用户体验改进已为这一领域的发展奠定了基础。
• 然而，要扩展到数十亿用户，我们需要的不仅仅是持续的用户体验改进，而是将人工智能作为机器中的关键和枢纽。
• 一个由内容创作者、事件推荐者、流动性分配者和信息聚合者组成的人工智能四重奏，可以在这一领域催生大量新活动。
• 将这些人工智能整合到当前的预测市场框架中，可以使预测市场达到微观规模，使其个人化、具有吸引力和相关性。
• 预测市场原语为类似Tinder的预测市场应用铺平了道路，将预测交易体验融入我们日常的数字生活中。

每一个决策都始于一个预测。例如，考虑比特币的潜力：“现在购买比特币到年底是否能翻倍？”如果“是”的可能性哪怕略高于“否”，在没有更好的选择的情况下购买比特币将是经济上合理的决策。但为何止步于比特币？想象一下，我们可以构建基于各种事件预测的市场，如下一任美国总统是谁，或哪个国家将赢得世界杯。在这里，交易的不是资产，而是预测本身。

预测塑造市场，市场验证我们的预测

预测市场被 Vitalik 称为“认知技术的圣杯”。

Vitalik 有一种在别人之前看到大事物的天赋。所以他是一个关于前瞻性叙述的良好来源。他七年前在一篇博客文章中提出了在以太坊上建立 AMM 的想法。 “另一个人”叫 Hayden Adams 响应了号召并开始了建设，获得了6万美元的资助。两年后，Uniswap 诞生了。

如果 Vitalik 的博客文章可以引发创造100多亿美元产业的行动，我们可能应该注意一下。例如，恰好在2014年，Vitalik 对在治理中使用预测市场感到兴奋——这是一种被称为“未来主义”的激进治理形式——现在我们看到 Meta DAO 正在做着同样的事情，大型风投公司如 Pantera 也参与其中。

但我们更关注的是他最近对预测市场 + AI 的讨论，因为我们开始看到这里有一些重要事情的萌芽。

预测市场准备腾飞

目前市场领先的预测市场是 Polymarket，这归功于其持续改进的用户体验以及事件类别和事件供应的扩展。

数据来源：Dune

最近月交易量达到历史最高水平，并且随着今年11月的美国总统大选的临近，可能会进一步提高（Polymarket 的活动主要集中在美国）。

有进一步的先例表明，预测市场今年可能会起飞。除了2024年加密市场创下历史新高之外，今年还是历史上最大的选举之一。世界十大人口最多的国家中有八个，包括美国、印度、俄罗斯、墨西哥、巴西、孟加拉国、印度尼西亚和巴基斯坦，都将进行选举。此外，2024年夏季奥运会即将在巴黎举行。

但考虑到目前的月交易量仍然在数千万美元，而实际可能达到数亿美元，让我们来考虑一下当前预测市场的一些局限性：

• 对事件创建的集中控制
• 缺乏对社区内容创作者的激励
• 个性化不足
• 主要集中在美国，忽视了大量的国际机会

但我们需要“新的东西”

我们相信那个新事物就是人工智能。

我们需要人工智能作为游戏中的参与者。我们预计很快将会普遍看到人工智能（机器人）与人类代理一起参与预测市场。我们已经可以在 Omen 和 PredX 等平台上看到这种情况的实时演示，还可能有许多其他平台进入这个领域。稍后再详细介绍。

人工智能需要人工智能作为游戏的仲裁者。尽管相对较少，但在预测市场中，有时候解决争议是重要且必要的。例如，在总统选举中，结果可能非常接近，而且可能出现选举不正常的指控。因此，尽管预测市场可能偏向候选人 A，但官方选举委员会可能宣布候选人 B 获胜。押注候选人 A 的人可能会因所谓的选举不正常而对结果提出异议，而押注候选人 B 的人则会认为选举委员会的决定反映了“真实”的结果。可能会涉及大量资金。谁是对的？

回答这个问题存在几个挑战：

• 玩家可能不信任人类仲裁者，因为他们存在偏见
• 人类仲裁可能缓慢且昂贵
• 基于 DAO 的预测解决方案容易受到肆虐攻击的影响

为了解决这个问题，预测市场可以采用多轮争议系统，类似于 Kleros，但使用人工智能而不是人类来解决早期的争议，只有在争议陷入僵局时才涉及人类。玩家可以相信人工智能是公正的，因为编造足够的训练数据来偏向它们是不可行的。此外，人工智能仲裁者工作速度更快，成本更低。xMarkets 正在朝这个方向发展。

人工智能创造欲望

要让预测市场真正起飞，它们需要能够吸引足够的兴趣，以推动人们跨越实际交易预测资产的心理门槛。对于像谁将赢得总统大选或超级碗这样很多人关心的普通话题，可能并不需要太多努力就能做到这一点。但是，仅包括普通话题严重限制了潜在的流动性。理想情况下，预测市场可以利用针对特定高度感兴趣的事件的流动性，这样的事件适合利基受众。这就是定向广告的工作原理，我们都知道定向广告的效果。

为了实现这一目标，预测市场需要解决四个普遍挑战：

1. 事件供应：高度相关的事件供应至关重要。为了吸引一个利基但忠实的观众群体的注意，事件创建者必须深入了解他们社区的兴趣，以推动参与和交易量。
2. 事件需求：在特定的目标社区内，需求必须高，考虑到他们的人口统计和心理特点。
3. 事件流动性：在目标社区内存在足够的意见多样性和动态，以驱动足够的流动性，以保留双方并尽量减少滑点。
4. 信息聚合：玩家应该能够轻松获取足够的信息，使他们有信心下注。这可能包括背景分析、相关历史数据和专家意见。

现在，让我们看看人工智能如何解决这些挑战：

1. 内容创建AI：内容创建AI（“共同驾驶员”）协助创建超出人类能力或动机的内容。通过分析来自新闻、社交媒体和金融数据的趋势，AI建议及时和相关的事件主题。无论是人类还是AI，内容创建者都将因生成引人入胜的内容而获得奖励，从而保持他们的社区活跃。社区反馈提高了AI对其社区的理解，使其成为一个不断改进的内容创建引擎，促进内容创建者与其受众之间的联系。
2. 事件推荐AI：事件推荐AI根据用户的兴趣、交易历史和特定需求，量身定制事件建议，重点推荐适合辩论和交易机会的事件。它会根据用户在不同地区、文化背景和时间段的行为进行调整。最终目标是提供高度定向的事件推送，摆脱今天在预测市场平台上充斥着的个人无关内容。
3. 流动性分配AI：流动性分配AI通过优化流动性注入来解决交易对方的流动性风险，从而缩小买卖价差。为了最小化风险，AI可以采用专门设计用于在低流动性预测市场中最小化风险的对数市场评分规则（LMSR）AMM模型。它们还可以结合动态调整流动性深度、协议费用和债券曲线的强化学习代理，进一步降低风险。这些AI从一个通用的LP池管理事件流动性，以进一步的激励作为奖励贡献，累积费用收入或平台代币。总的来说，这意味着对市场变化的预先适应，减少滑点，以及更好的价格稳定性。
4. 信息聚合AI：这些AI利用各种指标的计算（例如链上数据、历史数据、新闻、情绪指标），使玩家能够全面了解事件。基于此，信息聚合AI可以提供全面的预测，将预测市场变成了获取信息决策和α值的首选来源。项目可以选择通过信息聚合AI获取的见解进行令牌门禁，因为在预测市场中，知识=财富。

现在，让我们看看将这些组件组合起来是什么样子。下面，您可以看到没有人工智能的预测市场的主要组成部分和运作方式（用黑色表示），以及有人工智能的预测市场（用蓝色表示）。

在非AI模型中，内容创建者（通常是平台本身）随意创建事件，提供流动性（最初由其资金支持），将事件保存到事件数据库中，并批量向人类玩家推广。这就是Polymarket目前的运作方式，而且效果相当不错。

但是，我认为它可以做得更好。

在AI模型中，内容创建者共同驾驶员AI支持内容创建者在针对普通或利基社区内创建和推广事件。流动性供应由流动性分配AI支持，它通过学习玩家订单簿并使用来自预言机和其他数据供应商的外部数据来优化流动性注入。事件推荐AI使用事件数据库中存储的事件和钱包交易历史来优化根据个人兴趣进行事件推荐。最后，信息聚合AI从数据供应商那里收集信息，向人类玩家提供教育和背景信息，并告知AI玩家他们的预测决策。最终目标是什么？一个经过精细调整的预测市场系统，使预测市场能够以微观的规模运作。

在这种规模下的预测市场将实现不同的用户体验，更像是 Tinder 或 TikTok。由于事件是高度定向的，它们可以以 TikTok 的方式呈现给您，并且即使使用今天的钱包和区块链技术，玩家也可以通过向左或向右滑动来下注，就像 Tinder 一样。想象一下。人们在通勤上班或上学的时候对他们个人关心的事件进行小额下注。

让信息聚合飞速提升

其中最难以预测的结果之一就是资产价格，因此让我们聚焦在这里，看看当在预测市场中推动可能性边界时，人工智能是如何表现的。

利用人工智能来预测资产价格正受到学术界的积极探索。机器学习（ML）技术，如线性模型、随机森林（Random Forest）和支持向量机（Support Vector Machine，SVM）已被证明能够比人类评判更准确地预测加密货币价格。这些模型发现，像谷歌搜索强度这样的行为指标能够解释价格的差异。

IBM研究探索了用于商品价格预测的人工预测市场，提供了一个有关将人工智能与预测市场整合的引人注目的案例研究。他们的研究突显了人工预测市场的潜力，即聚合各种多样化和不断演化的实时信息源，以便在复杂的现实世界问题中做出更好的预测，比如预测非在线交易所上交易的易变商品价格（例如乙烯、碳氢化合物）。人工智能代理之所以能够在这里胜过标准的ML模型，是因为它们能够自主学习，也就是所谓的代理。

另一项研究将随机森林回归和LSTM用于预测比特币的次日价格，结果显示前者在预测误差方面表现更佳。它还展示了人工智能在信息聚合广度上的强大能力，远远超出了普通人的容量范围，可以对包括（a）比特币价格变量；（b）比特币的技术指标；（c）其他代币价格；（d）大宗商品；（e）市场指数；（f）外汇；（g）公众关注度；以及（h）每周的虚拟变量等八个类别中的47个变量进行建模。最重要的预测因素随时间变化，从2015年至2018年的美国股市指数、油价和以太币价格，到2018年至2022年的以太币价格和日本股市指数。研究还发现，对于比特币的次日价格，随机森林回归在具有一天滞后期的情况下表现最佳。

模型误差大小与滞后期之间的关系

我们可以推断，在一些热门的预测市场中，对于一个繁忙的人来说，聚合、分析和解释大量数据以做出良好的预测的时间太少了。或者，问题可能过于复杂。但是，人工智能可以做到这一点。

AI代币推荐

Pond正在构建一个加密货币的去中心化基础模型，该模型已经应用于基于链上行为生成的人工智能代币推荐。目前，他们的大型图神经网络（GNN）使用链上行为数据来估计各种代币的Alpha概率。GNN是一类专门设计用于处理以图形表示的数据的人工智能模型，使它们在数据与关系结构相互连接的情况下非常有用，比如区块链的点对点交易网络。Dither是另一个代币推荐人工智能，它通过一个代币门控的Telegram警报机器人，采用时间序列建模方法进行代币推荐。

解决稀缺市场问题

预测市场面临的主要挑战之一是市场过于稀缺，无法吸引足够的参与者和交易量。但是，与2010年代的预测市场相比，2020年代存在一个重大区别，即人工智能（AI）可能普遍参与。正如Vitalik所指出的：

此外，改进预测市场基础的自动做市商（AMM）模型是可能的。例如，对 Polymarket 上超过200万次交易的分析发现，在使用传统的常数乘积 AMM 模型（x*y=k）收敛预测市场的流动性提供方面存在问题，包括：

1. 收敛和流动性移除。随着预测市场的收敛（即，结果变得更加确定），流动性提供方被激励移除他们的流动性。这是合理的行为，因为持有“输掉”的代币的风险增加了。例如，在朝着“是”的方向收敛的市场中，“否”的代币变得不那么有价值（即，临时损失），这给流动性提供方造成了风险，如果他们不提前出售，可能会拥有一文不值的代币。
2. 偏差和不准确性。随着预测市场的收敛，流动性的减少可能会导致更少的准确性和更多的偏差。具体来说，在体积加权价格范围为0.2至0.8之间，“否”的代币通常被低估，而“是”的代币通常被高估。

来源：Kapp-Schwoerer（2023）

为了解决这些问题，作者提出了一种“平滑流动做市商”（SLMM）模型，并证明它可以增加收敛预测市场的交易量和准确性。它通过将集中功能引入模型（类似于 Uniswap v3），其中流动性提供方提供的流动性位置仅对特定价格区间有效，从而实现了这一点。其结果是减少了风险暴露，确保流动性提供方持有的有价值代币数量（例如，在市场收敛到“是”结果时的“是”代币）不会在价格调整时收敛到零，这与常数乘积 AMM 不同。

流动性提供方与交易者的权衡

在为收敛预测市场选择像 SLMM 这样的集中流动性 AMM 变体时，必须达到一种平衡。虽然您试图减少流动性提供方的风险，但也可能会减少一些交易活动的激励。

具体来说，虽然集中的流动性可以减少在市场收敛到确定结果时流动性提供方蒙受损失的可能性（从而减少过早退出），但它也可能会减少从小价格变动中获利的交易机会（例如，从 0.70 美元到 0.75 美元的变动），因为增加了滑点，特别是对于大额订单而言。直接的后果是交易者的潜在利润空间受到挤压。例如，如果他们期待从 0.70 美元到 0.75 美元的小幅价格波动，那么滑点可能限制他们有效投入以捕捉预期上涨。展望未来，通过在这些做市商公式的权衡项上尝试各种调整，找到最佳平衡点将至关重要。

结论

预测市场原型是一个强大的工具。当然，像任何其他加密原语一样，它面临着挑战，但我们相信这些挑战将被克服。随着这些挑战逐渐被克服，我们可以预期看到这种原语被重新利用来回答各种数字环境中的各种问题。随着定位和流动性解决方案的进步，我们可以预期发展出细分的预测市场。例如，以 X（前身为 Twitter）用户为例：

• X 是否会在年底前推出 Premium++ 或等同产品？
• X 是否会在第三季度向所有用户推出编辑推文功能？
• X 是否会在下一个季度报告中报告每日活跃用户的增长？
• X 的广告收入在下个季度会增加还是减少？
• X 是否会在年底前宣布与内容创作者的新重大合作伙伴关系？
• X 是否会在第三季度发布与区块链或加密货币相关的功能？

有趣的是，这些问题不必局限于独立的预测市场网站。它们可以通过浏览器扩展直接集成到 X 或其他平台中。我们可能开始在日常在线体验中定期看到微型预测市场的出现，为普通的浏览体验增添了投机交易的机会。

我故意编写了上述一些问题，并要求 ChatGPT 编写其他问题。我写了哪些，内容创作者 AI 写了哪些？如果难以分辨，那是因为 ChatGPT 的内容创作者 AI 已经非常出色。其他大型科技公司构建的信息聚合 AI 和推荐引擎也是如此（看看谷歌和 Instagram 给你的广告）。虽然要匹敌这些模型的性能需要工作和时间，但它们展示了这些 AI 类别的可行性。主要的开放问题缺乏先例，更多地涉及流动性分配 AI、AI 玩家以及 AI 的自我改进和目标导向发展——从基本机器学习到可验证的 AI 代理的演变。

如果您在这些领域构建，或者本文与您产生共鸣，请联系我！

声明：

1. 本文转载自Inception Capital]，所有版权归原作者所有[Hiroki Kotabe]。若对本次转载有异议，请联系Gate Learn团队，他们会及时处理。
2. 免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。
3. Gate Learn 团队将文章翻译成其他语言。除非另有说明，否则禁止复制、分发或抄袭翻译文章。