Allora：超越独立系统的去中心化人工智能

要点总结

• 去中心化 AI: Allora 使用 AI 模型的点对点云，通过上下文感知和协作推理生成来增强学习。

• 自改进网络: Allora 上的 AI 模型通过互相学习输出和真实世界的数据比较不断改进。

• 基于 Cosmos 的基础设施: 构建在无需许可的 Proof-of-Stake Cosmos L1 上，确保去中心化运营。

• 多功能用例: 适用于 DeFi、DAO、游戏、可再生能源和社交互动。

• 隐私和安全: 利用 zkML 确保 AI 运营中的隐私。

Allora 协作人工智能简介

人工智能 (AI) 和 机器学习 (ML) 都是具有悠久历史的技术。随着最近的发展，AI 已经成为一个家喻户晓的术语。然而，人工智能推理可以说可以追溯到，并被认为是已经有一个半世纪历史的控制理论领域的逻辑延续，该理论最初由 James Clerk Maxwell 在 1868 年正式提出。在他的文章“论调速器”中，麦克斯韦讨论了当时机器上机械调速器的使用。

然而，拥有一个设备来代替人类，根据对系统状态的先前了解做出连续决策，以便在闭环控制中生成新的输入，以维持受控系统处于稳定状态的实际概念甚至更早，可以追溯到 200 多年前，即离心调速器等设备首次引入时。

随着电子传感器、调速器和处理器的最终出现，计算机控制的控制参数数值处理的舞台已经搭建完毕。计算机进入控制回路最终促成了机器学习领域的发展，即控制系统使用已知的先前系统对扰动的响应来推断未来对超出硬编码数学模型的输入的反应的能力。

这种类型的推理机已被证明在分隔使用中很有用，例如在控制目的的有限系统控制场景中，以及纯粹的信息预测（例如，天气预报）。

训练 AI

尽管 AI 一直是科幻小说中的主打，并且自 1960 年代以来一直在进行计算机模仿人类推理的研究，但直到最近，计算机的物理容量才达到成熟，可以存储足够大的数据集，并且处理速度变得足够快，可以近乎实时处理对它们提出的查询。

使用 AI 和 ML 的一个关键好处是，内部使用的模型是动态的并且可以自我修改。这意味着机器将能够适应不断变化的环境，而不像静态模型那样需要外部输入来改变模型的参数。然而，缺点是除非已经存在一个可以用来引导工作模型的预定义模型，否则该模型需要从零开始训练，这个过程需要很长时间并使用大型数据集。

Allora 使用具有不同模型的许多单独的 Worker 网络作为组合智能的基础。这种方法，加上基于内省和基于准确性的评分的巧妙设计的加权系统，使 Allora 网络在准确性和可用性方面都优于许多独立的系统。

通过访问来自许多竞争模型的评分输出，进一步增强了参与的 AI 模型的在职培训。此外，由于网络的设计方式，Allora 的方法还为各个 AI Worker 提供了上下文，从而进一步提高了响应准确性。

要了解有关此概念和 Allora 技术架构的更多信息，请考虑查看我们的关于该主题的第二篇文章。

Allora 的思考方式略有不同

Allora 在庞大的去中心化模型网络中引入了持续的上下文感知。其想法是让许多模型对同一问题提供见解，并不断评估哪种方法能够提供最佳解决方案。因此，这些模型可以从彼此的经验中学习，并提高整个系统对查询的响应。

Allora 通过将 AI 计算任务委派给无需许可的参与者网络来生成推理，从而实现去中心化。通过使用基于现代 Cosmos 的 Proof-of-Stake (PoS) L1 和 CometBFT 共识，这一目标得以实现。

Allora 的功能就像一个点对点的智能云。任何人都可以提出推理请求，并由网络上的 Worker 共同完成。达成结论的协作过程确保了网络的自我改进特性。（图片来源：通过 Allora Network 博客 介绍 Allora，一个自我改进的去中心化 AI 网络）

Allora 旨在提供市场领先、高质量的 AI 推理，并具有高度的系统透明度。这是通过利用使 Allora 与其他可用 AI 平台不同的几个特性实现的：

• 去中心化机器智能——Allora 网络没有中央管理机构，所有参与者都是独立的

• 上下文感知推理综合——通过持续评估产生的推理和预测未来推理的质量来实现

• 差异化的激励结构——奖励是为高质量的推理、网络验证和真实数据提供量身定制的，反映了每个角色的独特价值

• 模块化主题结构——AI 任务被组织在称为主题的子网络中，执行限定的子任务

• 自我改进机制——递归自我改进是通过用于上下文感知的相同机制实现的，从估计参与者的结果并将预测与现实世界数据进行比较中学习

• 通过 Reputer 实现经济安全——Reputer 始终根据真实情况评估推理，以确保准确性

• 开放和透明的参与——Allora 对所有人开放，任何满足最低硬件要求的人都欢迎贡献计算能力

• 跨领域适用性——高度的模块化和安全性使其适用于广泛的应用

• 隐私和安全——由于完全去中心化，客户隐私和机密性可以得到保留

孤岛知识的问题

由于初始化和训练 AI 模型以及存储 AI 能够提供有用见解所需的大量数据点的复杂性，最成功的实现自然是由具有坚实财务支持和大量硬件资源的组织来实现的。

对于超出非常狭隘定义的问题的任务，所需的计算和存储资源对于小型实体来说通常是无法克服的。因此，大多数大规模通用 AI 实现都是由已建立的大公司（如 Google、Microsoft、Apple）以及较新的公司（如 OpenAI）来实现的。

凭借对大量资源的访问，AI 世界的巨头已经能够开发出令人印象深刻的大型语言模型 (LLM) 和生成式 AI，例如 Stable Diffusion。

然而，在尝试扩展算法时，这种方法存在一个根本缺陷。一个分隔的算法无法知道其有限输入参数范围之外的影响因素。这就是 Allora 所说的“孤岛化”机器智能。

当使用中心化 AI 提供商的资源时，最终用户通常会依赖黑盒。对于最终用户来说，对查询的任何响应都会给出，而没有关于 AI 为得出响应而采取的确切算法路线的信息。

为了让 AI 能够最好地利用更大的知识网络、已知的统计模型和经验经验来产生最佳的响应，所有知识的互连性越好，结果就越好，以至于可以模拟推理和智能。为了让 AI 能够利用这种能力，需要算法和数据的透明度，从而促进使用看似无关的知识来回答新问题。

Allora AI 围绕主题构建，这些主题会产生对消费者的最终答复。Topic 协调器会根据许多 Worker 的推理来编译答复，这些推理会根据预测以及最终的真实情况（即采样的真实世界数值）进行加权。（图片来源：通过 Allora Network 博客发布的 《Allora Network 白皮书：去中心化机器智能的新时代》）

Allora 网络历史

最初被称为 Upshot 的 Allora Labs 由 Nick Emmons 和 Kenny Peluso 于 2019 年创立。Allora Labs 位于纽约，成立于一家软件研发实验室，主要专注于开发 Allora 自我改进 AI 网络。

Emmons 和 Peluso 都有在投资和人寿保险公司 John Hancock 工作的背景，时间为 2018 年至 2019 年。Emmons 是 Allora Labs 的 CEO，之前曾在 John Hancock 和 Manulife 担任首席区块链工程师，然后创立了 Upshot 和 Allora Labs。

Allora Labs 的 CTO Peluso 拥有布朗大学应用数学学士学位，在加入 Emmons 创立 Allora Labs 之前，曾在 John Hancock 担任全栈开发人员。

Allora Labs 目前拥有约 30 名团队成员，范围从软件开发和工程、营销和金融，到博士生和教师。在就业策略中，Allora 也秉承其去中心化的核心价值观。该团队在全球范围内分布在美国、加拿大、葡萄牙、挪威和各个独立地点。Allora Labs 的其他著名团队成员包括：Tayeb Kenzari – 战略和营销，Keenan Olsen – 增长主管，Brian Chen – 金融和运营，Guilherme Brandão – 后端和区块链工程，Kjetil Vaagen – 区块链和数据工程。

今年 6 月，Allora Labs 又筹集了 300 万美元来开发 Allora 网络，使其总资金达到 3500 万美元。（图片来源：通过 Allora Network X 发布的 Allora Network X 帖子）

通过其 最近于 2024 年 6 月发布的公告，Allora Labs 完成了其最新的投资轮，使其总资金达到 3500 万美元。自 2020 年以来，Allora Labs（在这些轮次中的某些轮次中以前称为 Upshot）已经进行了 四轮投资。在 2020 年初完成 100 万美元的种子轮之后，以及在 2021 年和 2022 年进行的两轮 A 轮投资（分别筹集了 750 万美元和 2200 万美元）之后，最近的一轮又筹集了 300 万美元。

最新的 300 万美元轮旨在将战略合作伙伴纳入其中，并确保 Allora 网络作为领先的 AI 提供商的地位。值得注意的投资者包括：Polychain Capital、Framework Ventures、CoinFund、Blockchain Capital、Archetype、Slow Ventures、Mechanism Capital、Delphi Digital 等，包括众多天使投资人。

既然你已经熟悉了 Allora 的历史和背景，请考虑在我们的生态系统和比较文章中深入了解 Allora 生态系统以及 Allora 与其他基于加密货币的 AI 项目的比较。

Allora 网络用例

Allora 是一个多功能的框架，适用于多种用例。Allora Labs 确定了一组核心价值观，并强调了 Allora 的 AI 方法的优势。Allora 开放网络的透明性可以消除对许多锁定的商业解决方案提出的一些问题。尽管 Allora 具有开放性，但它仍然可以在广泛的用例中提供高度的安全性：

去中心化金融 (DeFi) : DeFi 是一个由传统机构不受约束的金融服务组成的成熟生态系统。DeFi 的无需许可结构依赖于快速增长的市场中安全可靠的交易。然而，一个日益复杂的市场需要分析大量数据才能保持对它的良好了解。凭借其跟踪大量数据集并根据收集的知识得出明智结论的巨大能力，AI 正迅速成为完美的分析师。Allora AI 有潜力以安全的方式执行许多复杂的 DeFi 任务，包括：市场预测、流动性管理、管理链上指数基金、分析与真实世界资产相关的接口等等。

去中心化自治组织 (DAO) : DAO 是一种相当新的组织范例，利用现代技术的力量来管理成员拥有的结构，并依赖区块链进行民主治理。DAO 组织经常面临，尤其是在成员数量增加时，大量数据和不参与成员的问题。DAO 中存在一些痛点，其中 AI 可以协助解决这些管理挑战。Allora 已经去中心化并了解区块链，因此可以很好地集成到此类企业中。AI 的建议角色包括：财务管理和 AI 治理参与者。后者被设想为顾问，甚至是未参与治理决策的成员的代理人。

重要的是要理解 Allora 的潜在应用是多方面的，并且会随着网络的扩展而继续增长。Allora 设想并在最近于 2024 年 6 月 24 日发布的博文中介绍了大量的潜在用例。（图片来源：改编自通过 Allora Network 博客发布的 《Allora Network 的 31 个用例》）

游戏： Allora 的去中心化和上下文感知 AI 可以通过促进实时动态世界适应来增强游戏体验。玩家可以在故事驱动的游戏中与更可信的背景角色互动，从而使体验更加个性化和身临其境。除了处理游戏机制和互动之外，AI 还可以改进游戏内经济，包括完全虚拟的经济和由现实世界货币支持的方面。Allora 进一步指出了使用 AI 优化游戏策略和打击作弊的潜力。

可再生能源： 总的来说，可再生能源往往具有高度可变的输出，许多能源依赖于天气和环境（太阳能、风能、水力）作为能源。必须平衡这些供需动态，以便将可变能源集成到现有的配电网络中，尤其是在不存在电池组或电力网络抽水蓄能等缓冲系统的情况下。像 Allora 这样的去中心化 AI 可以帮助提供更准确的负载预测和更好的实时资源管理。AI 可以连续实时地查看当前和预测的天气状况，并同时监控负载模式，近乎即时地编制最佳可用管理策略，包括客户定价等方面。其他用例包括能源使用优化，甚至细化到单个建筑物 - AI 可以全面了解外部条件并访问准确的供应预测，因此可以高度优化策略。

社交和消费者互动： 社交互动、购买和信息收集是最终用户在互联网上活动的核心。然而，由于存在许多中心化系统，用户会面临多种风险，例如隐私泄露和数据滥用。Allora 设想去中心化 AI 可以提供当今客户依赖中心化组织提供的多种服务，同时保持隐私。摆脱传统的金融机构，Allora 的 AI 可以提供比现有机构更详细和更公平的信用评分。Allora 的 AI 可以帮助个人和组织管理加密货币投资组合，在交易时提供情绪分析，并分析市场的金融行为。对于个人而言，其他好处包括个性化的预测性医疗保健。在医疗保健领域，隐私至关重要，尤其是在 AI 辅助的预测性医疗保健变得越来越有能力和流行的情况下。Allora 的隐私保留特性与卓越的上下文感知相结合，非常适合此潜在应用 - Allora 可用于帮助检测合成身份欺诈。最后，社交媒体审核、供应链优化等应用都是此上下文中潜在的用例。

隐私和零知识机器学习： Allora 将其网络设计为能够利用 零知识机器学习 (zkML) 基础设施，该基础设施允许使用密码学上可验证的模型，而不会损害安全性和隐私。维护数据安全且无需信任的 AI 基础设施是大型投资者用于财务建议的核心，而担心孩子的父母向去中心化 AI 寻求医疗建议时也需要类似的功能。

资源

网站

文档

博客

白皮书

X (Twitter)

Telegram

Discord

LinkedIn

GitHub

DAIC 提供的信息，包括但不限于研究、分析、数据或其他内容，仅供参考，不构成投资建议、财务建议、交易建议或任何其他类型的建议。DAIC 不建议购买、出售或持有任何加密货币或其他投资。

• 原文链接： daic.capital/blog/allora...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～