في العام الماضي، جرى تداول أكثر من $6 مليون في عقود أسواق التنبؤ حول نتيجة الانتخابات الرئاسية في فنزويلا. وعندما تم فرز الأصوات، واجه السوق مأزقًا مستحيلًا: أعلنت الحكومة فوز نيكولاس مادورو؛ بينما اتهمت المعارضة والمراقبون الدوليون بحدوث تزوير. هل كان ينبغي أن تتبع تسوية عقود أسواق التنبؤ المعلومات الرسمية (فوز مادورو) أم "إجماع التقارير الموثوقة" (فوز المعارضة)؟
في حالة الانتخابات الفنزويلية، أشار المراقبون إلى كل شيء من تجاهل القواعد وسرقة أموال المشاركين سرقة أموالهم إلى وصف البروتوكول المصمم لتسوية العقود المتنازع عليها بأنه "قاضٍ وهيئة محلفين ومنفذ" في دراما سياسية عالية المخاطر، وصولًا إلى اعتباره "مزوّرًا بشكل كبير“”
هذه ليست مجرد مشكلة عابرة، بل هي أحد أكبر التحديات التي تواجه توسع أسواق التنبؤ: تسوية العقود.
المخاطر هنا مرتفعة. إذا تمت التسوية بشكل صحيح، يثق الناس في السوق، ويرغبون في التداول فيه، وتصبح الأسعار إشارات ذات معنى للمجتمع. وإذا تمت التسوية بشكل خاطئ، يشعر المشاركون بالإحباط وعدم القدرة على التنبؤ. قد ينصرف المشاركون، وتتعرض السيولة لخطر الجفاف، وتتوقف الأسعار عن عكس التوقعات الدقيقة لهدف مستقر. حينها، تبدأ الأسعار في عكس مزيج غامض من الاحتمالية الفعلية للنتيجة ومعتقدات المتداولين بشأن كيفية اتخاذ آلية التسوية المنحرفة لقرارها.
كان النزاع الفنزويلي بارزًا، لكن إخفاقات أكثر دقة تحدث بانتظام على المنصات المختلفة:
- أظهرت تلاعب خريطة أوكرانيا كيف يمكن للخصوم استغلال آليات التسوية مباشرة. حدد عقد حول السيطرة الإقليمية أنه سيتم تسويته بناءً على خريطة إلكترونية معينة. ويُزعم أن شخصًا ما عدّل الخريطة للتأثير على نتيجة العقد. عندما يصبح مصدر الحقيقة قابلًا للتلاعب، يصبح السوق قابلًا للتلاعب.
- أظهر عقد إغلاق الحكومة كيف يمكن لمصادر التسوية أن تؤدي إلى نتائج غير دقيقة أو على الأقل غير متوقعة. نصت قاعدة التسوية على أن السوق سيدفع بناءً على الوقت الذي يظهر فيه موقع مكتب إدارة شؤون الموظفين انتهاء الإغلاق. وقع الرئيس ترامب مشروع قانون التمويل في 12 نوفمبر — لكن موقع OPM، لأسباب غير واضحة، لم يتم تحديثه حتى 13 نوفمبر. خسر المتداولون الذين توقعوا بشكل صحيح انتهاء الإغلاق في اليوم الثاني عشر رهاناتهم بسبب تأخير مسؤول الموقع.
- أثار سوق بدلة زيلينسكي مخاوف بشأن تضارب المصالح. سأل العقد عما إذا كان الرئيس الأوكراني زيلينسكي سيرتدي بدلة في حدث معين — وهو سؤال يبدو تافهًا جذب أكثر من $200 مليون في الرهانات. عندما ظهر زيلينسكي في قمة الناتو مرتديًا ما وصفته BBC وNew York Post وغيرها بأنه بدلة، تم تسوية السوق في البداية على "نعم". لكن حاملي رموز UMA اعترضوا على النتيجة، وتحولت التسوية إلى "لا".
في هذا المقال أستعرض كيف يمكن أن تساعد نماذج اللغة الكبيرة (LLMs) والعملات الرقمية، إذا تم دمجها بذكاء، في ابتكار طرق لتسوية أسواق التنبؤ على نطاق واسع بحيث يصعب التلاعب بها وتكون دقيقة وشفافة بالكامل ومحايدة بشكل موثوق.
هذه ليست مشكلة تخص أسواق التنبؤ فقط
مشاكل مماثلة أزعجت الأسواق المالية أيضًا. أمضت الجمعية الدولية للمبادلات والمشتقات (ISDA) سنوات في مواجهة تحديات التسوية في سوق مبادلات التخلف عن السداد — وهي عقود تدفع عند تعثر شركة أو دولة في سداد ديونها — ويعد تقريرهم لعام 2024 صريحًا للغاية حول الصعوبات. تصوت لجان تحديد القرارات، التي تتكون من كبار المشاركين في السوق، على ما إذا كانت الأحداث الائتمانية قد حدثت. لكن العملية تعرضت لانتقادات بسبب الغموض، وإمكانية تضارب المصالح، وعدم الاتساق في النتائج، تمامًا مثل عملية UMA.
المشكلة الأساسية واحدة: عندما تعتمد مبالغ كبيرة من المال على تحديد ما حدث في موقف غامض، تصبح كل آلية تسوية هدفًا للاستغلال، ويصبح كل غموض نقطة اشتعال محتملة.
فما هي مواصفات آلية التسوية الجيدة؟
خصائص الحل الجيد
أي حل قابل للتطبيق يجب أن يحقق عددًا من الخصائص الأساسية في وقت واحد
مقاومة التلاعب. إذا تمكن الخصوم من التأثير على التسوية — عبر تعديل ويكيبيديا، أو نشر أخبار مزيفة، أو رشوة الأوركلز، أو استغلال الثغرات الإجرائية — يصبح السوق لعبة من يمكنه التلاعب بشكل أفضل، وليس من يمكنه التنبؤ بشكل أفضل.
دقة معقولة. يجب أن تحقق الآلية معظم التسويات بشكل صحيح في معظم الأوقات. الدقة المثالية مستحيلة في عالم الغموض الحقيقي، لكن الأخطاء المنهجية أو الأخطاء الواضحة ستدمر المصداقية.
الشفافية المسبقة. يحتاج المتداولون إلى فهم كيفية عمل التسوية بالضبط قبل وضع رهاناتهم. تغيير القواعد أثناء التنفيذ ينتهك الاتفاق الأساسي بين المنصة والمشارك.
حيادية موثوقة. يجب أن يثق المشاركون أن الآلية لا تفضل أي متداول أو نتيجة معينة. لهذا السبب فإن قيام حاملي UMA الكبار بتسوية العقود التي راهنوا عليها يمثل مشكلة: حتى لو تصرفوا بشكل عادل، فإن مجرد ظهور التضارب يضعف الثقة.
يمكن أن تلبي اللجان البشرية بعض هذه الخصائص، لكنها تعاني مع أخرى — خصوصًا مقاومة التلاعب والحيادية الموثوقة على نطاق واسع. أنظمة التصويت المعتمدة على الرموز مثل UMA لها مشكلاتها المعروفة مع سيطرة الحيتان وتضارب المصالح.
هنا يدخل الذكاء الاصطناعي إلى الصورة.
الحجة لصالح قضاة LLM
إليك اقتراح بدأ يكتسب شعبية في دوائر أسواق التنبؤ: استخدام نماذج اللغة الكبيرة كـ قضاة تسوية، مع تثبيت النموذج المحدد والتعليمات في البلوكشين عند إنشاء العقد.
سيعمل الهيكل الأساسي كالتالي. عند إنشاء العقد، يحدد صانع السوق ليس فقط معايير التسوية بلغة طبيعية، بل النموذج LLM المحدد (مع نسخة النموذج وتاريخها) والتعليمات الدقيقة التي ستستخدم لتحديد النتيجة.
يتم الالتزام بهذا التحديد بشكل مشفر في البلوكشين. عند فتح التداول، يمكن للمشاركين معاينة آلية التسوية بالكامل — فهم يعرفون بالضبط أي نموذج ذكاء اصطناعي سيحكم النتيجة، وما هي التعليمات التي سيستلمها، وما هي مصادر المعلومات التي سيتمكن من الوصول إليها.
إذا لم تعجبهم الآلية، لا يتداولون.
عند وقت التسوية، يتم تشغيل النموذج LLM الملتزم به مع التعليمات المحددة، ويصل إلى مصادر المعلومات المحددة، وينتج حكمًا. ويحدد الناتج من يحصل على المدفوعات.
هذه المقاربة تعالج عدة قيود رئيسية في آن واحد:
تقاوم التلاعب بشكل قوي (وإن لم يكن مطلقًا). على عكس صفحة ويكيبيديا أو موقع إخباري صغير، لا يمكنك بسهولة تعديل مخرجات نموذج LLM رئيسي. أوزان النموذج ثابتة عند الالتزام. للتلاعب بالتسوية، يحتاج الخصم إما إلى إفساد مصادر المعلومات التي يعتمد عليها النموذج، أو تسميم بيانات تدريب النموذج مسبقًا — وكلاهما هجمات مكلفة وغير مؤكدة مقارنة برشوة الأوركل أو تعديل خريطة.
تحقق الدقة. مع تطور نماذج التفكير بسرعة وقدرتها على التعامل مع مجموعة مذهلة من المهام الفكرية، خاصة عندما يمكنها تصفح الإنترنت والبحث عن معلومات جديدة، يجب أن يكون القضاة من نوع LLM قادرين على تسوية العديد من الأسواق بدقة — والتجارب لفهم دقتها مستمرة.
تضمن الشفافية. آلية التسوية بالكامل مرئية وقابلة للتدقيق قبل أن يضع أي شخص رهانه. لا تغييرات في القواعد أثناء التنفيذ، ولا أحكام تقديرية، ولا مفاوضات خلف الكواليس. أنت تعرف بالضبط ما الذي تلتزم به.
تحسن الحيادية الموثوقة بشكل كبير. النموذج LLM ليس له مصلحة مالية في النتيجة. لا يمكن رشوته. لا يملك رموز UMA. انحيازاته، مهما كانت، هي خصائص النموذج نفسه — وليست قرارات أطراف مهتمة تتخذ أحكامًا عشوائية.
بالطبع، سيواجه القضاة من نوع LLM بعض القيود، والتي أستعرضها وأعالجها أدناه.
النماذج ترتكب أخطاء. قد يسيء نموذج LLM قراءة مقال إخباري، أو يتوهم حقيقة، أو يطبق معايير التسوية بشكل غير متسق. لكن طالما أن المتداولين يعرفون النموذج الذي يراهنون عليه، يمكنهم تسعير عيوبه. إذا كان لنموذج معين ميل معروف لتسوية الحالات الغامضة بطريقة معينة، سيأخذ المتداولون المحترفون ذلك في الاعتبار. لا يجب أن يكون النموذج مثاليًا؛ يجب أن يكون قابلًا للتوقع.
التلاعب ليس مستحيلًا، لكنه أصعب. إذا حددت التعليمات مصادر أخبار معينة، يمكن للخصوم محاولة زرع أخبار في تلك المصادر. هذا الهجوم مكلف ضد المنافذ الكبيرة، لكنه ممكن ضد الصغيرة — مشكلة تعديل الخريطة بشكل مختلف. تصميم التعليمات مهم للغاية هنا: آليات التسوية التي تعتمد على مصادر متنوعة ومتكررة أكثر قوة من تلك التي تعتمد على نقطة فشل واحدة.
هجمات التسميم ممكنة نظريًا. يمكن لخصم لديه موارد كافية محاولة التأثير على بيانات تدريب نموذج LLM لتحريف أحكامه المستقبلية. لكن هذا يتطلب التصرف مبكرًا جدًا قبل العقد، مع عوائد غير مؤكدة وتكاليف كبيرة — وهو مستوى أعلى بكثير من رشوة عضو لجنة.
انتشار القضاة من نوع LLM يخلق مشاكل تنسيق. إذا التزم منشئو الأسواق بنماذج LLM وتعليمات مختلفة، تتجزأ السيولة. لا يمكن للمتداولين بسهولة مقارنة العقود أو تجميع المعلومات عبر الأسواق. هناك قيمة في التوحيد القياسي — ولكن أيضًا قيمة في السماح للسوق باكتشاف أفضل تركيبات النموذج والتعليمات. ربما يكون الحل المناسب هو مزيج: السماح بالتجربة، ولكن إنشاء آليات ليتوافق المجتمع مع الافتراضات المجربة بمرور الوقت.
كيف يمكن للمطورين تبني هذه الاستراتيجيات؟
باختصار: التسوية المعتمدة على الذكاء الاصطناعي تستبدل مجموعة مشاكل (التحيز البشري، تضارب المصالح، الغموض) بمجموعة أخرى (قيود النماذج، تحديات هندسة التعليمات، هشاشة مصادر المعلومات) قد تكون أكثر قابلية للحل. فكيف نمضي قدمًا؟ يجب على المنصات أن:
تجرب من خلال اختبار التسوية باستخدام LLM في العقود منخفضة المخاطر لبناء سجل أداء. أي النماذج تحقق أفضل النتائج؟ أي هياكل تعليمات أكثر قوة؟ ما هي أنماط الفشل التي تظهر في الواقع؟
توحّد المعايير. مع ظهور أفضل الممارسات، يجب أن يعمل المجتمع نحو توحيد تركيبات النموذج والتعليمات التي يمكن أن تكون افتراضات. هذا لا يمنع الابتكار، لكنه يساعد على تركيز السيولة في أسواق مفهومة جيدًا.
تبني أدوات شفافية مثل واجهات تسهل على المتداولين معاينة آلية التسوية بالكامل — النموذج، التعليمات، مصادر المعلومات — قبل التداول. يجب ألا تكون التسوية مدفونة في التفاصيل الدقيقة.
تجري حوكمة مستمرة. حتى مع القضاة من نوع الذكاء الاصطناعي، سيحتاج البشر إلى اتخاذ قرارات على المستوى الأعلى: أي النماذج يمكن الوثوق بها، وكيفية التعامل مع الحالات التي تعطي فيها النماذج إجابات خاطئة بوضوح، ومتى يتم تحديث الافتراضات. الهدف ليس إزالة البشر تمامًا من العملية، بل نقلهم من أحكام فردية إلى وضع قواعد منهجية.
أسواق التنبؤ لديها إمكانات هائلة لمساعدتنا على فهم عالم معقد ومليء بالضوضاء. لكن هذا الإمكان يعتمد على الثقة، والثقة تعتمد على تسوية العقود العادلة. لقد رأينا ما يحدث عندما تفشل آليات التسوية: ارتباك وغضب وابتعاد المتداولين. لقد شاهدت أشخاصًا يتركون أسواق التنبؤ بالكامل بعد شعورهم بالغش من نتيجة بدت متناقضة مع روح رهانهم — ويقسمون على عدم العودة إلى المنصات التي كانوا يحبونها سابقًا. هذه فرصة ضائعة للاستفادة من مزايا وتطبيقات أوسع لـ أسواق التنبؤ.
القضاة من نوع LLM ليسوا مثاليين. لكن عند دمجهم مع تقنية العملات الرقمية، يصبحون شفافين ومحايدين ومقاومين لأنواع التلاعب التي أزعجت الأنظمة البشرية. في عالم تتوسع فيه أسواق التنبؤ أسرع من آليات الحوكمة لدينا، قد يكون هذا هو الحل الذي نحتاجه بالفعل.
تنويه:
- تم إعادة نشر هذا المقال من [a16zcrypto]. جميع حقوق النشر تعود للمؤلف الأصلي [Andrew Hall]. إذا كانت هناك اعتراضات على إعادة النشر، يرجى التواصل مع فريق Gate Learn وسيتم التعامل معها فورًا.
- تنويه المسؤولية: الآراء الواردة في هذا المقال تعبر عن رأي الكاتب فقط ولا تشكل أي نصيحة استثمارية.
- ترجمات المقال إلى لغات أخرى تتم بواسطة فريق Gate Learn. ما لم يُذكر خلاف ذلك، يُحظر نسخ أو توزيع أو سرقة المقالات المترجمة.
