Vitalik：从预测市场到信息金融

Vitalik Buterin ｜2024-11-09 16:09

预测市场只是一个更受人欢迎领域的先行者，有潜力应用到社交媒体，科学，新闻，治理和其他领域，这一类标为“信息金融”。

作者：Vitalik Buterin

编译｜CryptoLeo, Odaily星球日报

美国大选推动了预测市场 Polymarket 进一步爆火，寻求盈利的人开始下注，而寻求结果的人把它当作一个新闻数据平台获取消息，作为一个“出圈”的区块链应用，Polymarket 把链上资金和现实世界预测很好地结合在一起，Vitalik 曾多次发文赞扬 Polymarket，其本人也是早期预测市场Augur的忠实粉丝。今日，Vitalik发文探讨透过预测市场看“信息金融”，以下为全文内容，由 Odaily 星球日报编译：

让我感到最兴奋的以太坊应用之一是预测市场。我曾在2014年写过一篇关于futarchy的文章，这是Robin Hanson提出的基于预测的治理模式。早在2015年，我就是预测市场Augur的活跃用户和支持者，我在2020年的大选押注赚到5.8万美元。今年，我一直是Polymarket的忠实支持者和追随者。

对许多人来说，预测市场就是赌选举，而赌选举就是赌博——如果能帮助大众享受到乐趣就太好了，但从根本上说，它并不比在pump.fun上随机购买 Meme有趣。从这个角度来看，我对预测市场的兴奋程度似乎令人感到不解。所以在本文中，我将解释预测市场让我感兴趣的概念是什么。简而言之，我相信：

1. 现在存在的预测市场对世界来说是一个非常有用的工具；

2. 进一步来说，预测市场只是一个更受人欢迎领域的先行者，有潜力应用到社交媒体，科学，新闻，治理和其他领域，我将把这一类标为“信息金融”。

Polymarket 的两面性：为参与者提供的博彩网站，为其他所有人提供的新闻网站

在过去的一周中，Polymarket 一直是有关美国大选的非常有效的信息来源。Polymarket 不仅预测特朗普获胜的几率为 60/40（而其他消息来源的预测为 50/50，这本身并不太令人印象深刻），还展示了其他优点：当结果出来时，尽管许多专家和新闻来源一直在诱导观众，希望他们能听到对哈里斯有利的消息，但 Polymarket 却直接揭示了真相：特朗普获胜的几率超过 95%，同时夺取所有政府部门控制权的几率超过 90%。

Vitalik：从预测市场到信息金融

但对我来说，这甚至不是 Polymarket 有趣的最佳例子。所以让我们来看另一个例子：7 月份委内瑞拉总统选举之际，选举结束后的第二天，我无意中看到有人在抗议委内瑞拉高度操纵总统选举。起初，我没怎么在意。我知道马杜罗已经是那些“基本上是独裁者”的人物之一，所以我想，他当然会伪造每一次选举结果以保住自己的权力，会有人抗议，抗议会失败。不幸的是，许多其他人都失败了。后来我在 Polymarket 上浏览时，看到了这个：

Vitalik：从预测市场到信息金融

人们愿意多投入超10万美元，押注这次委瑞内拉选举中马杜罗被推翻的可能性为23% ，现在我注意到这件事了。

当然，我们还是知道被推翻的结果不太可能。最终，马杜罗继续掌权。但市场让我意识到这一次推翻马杜罗的企图是严肃的。当时发生了大规模的抗议活动，反对派出人意料地采取了执行得当的策略，向世界证明了这次选举是的欺诈性质。如果我没有收到Polymarket的初始信号“这一次，有些东西需要注意”，我甚至不会开始投入那么多的注意力。

你不应该完全相信图表：如果每个人都相信图表，那么任何有钱的人都可以操纵图表，没有人敢打赌。另一方面，完全相信新闻也是一种好的方式。新闻有煽情的动机，为了点击率而夸大任何事情的后果。一件事有时是合理的，有时不是。如果你看到一篇耸人听闻的文章，然后你去市场核查，发现相关事件的概率根本没有改变，那么怀疑是有道理的。另外，如果你在市场上看到一个事件发生具有意外的高概率或低概率，或者一个突发变动，这是一个信号，通读新闻，看看是什么导致了这种结论。

结论：通过阅读新闻和图表，你可以获得更多信息，而不是单独浏览其中任何一种。

如果你是一名博彩玩家，那么你可以向 Polymarket 存款，对你来说，这是一个博彩网站。如果你不是博彩玩家，那么你可以阅读图表数据，对你来说，这是一个新闻网站。你永远不应该完全相信图表，但我个人已经将阅读图表数据作为我信息收集工作流程中的一个步骤（与传统媒体和社交媒体一起），它帮助我更有效地获取更多信息。

更广泛意义上的信息金融

预测选举结果只是其中的一个用例。更广泛的概念是，你可以使用金融作为一种协调激励机制的方式，以便为观众提供有价值的信息。现在，一个自然的反应是：所有金融从根本上来说不是都与信息有关吗？不同的参与者会做出不同的买卖决策，因为他们对未来会发生什么有不同的看法（除了风险偏好和对冲的愿望等个人需求之外），你可以通过阅读市场价格来推断出很多关于世界的知识。

对我来说，信息金融就是这样，但从结构上看是正确的，与软件工程中结构上正确的概念类似，信息金融是一门学科，它要求你

1. 从你想知道的事实开始；

2. 然后刻意设计一个市场，以最优方式从市场参与者那里获取该信息。

Vitalik：从预测市场到信息金融

其中一个例子是预测市场：你想知道未来会发生的一件事，于是你建立了一个市场，让人们对这件事下注。另一个例子是决策市场：你想知道决策A还是决策B会根据某种指标M产生更好的结果，为了实现这一点，你建立了条件市场：

你让人们下注将选择哪个决策：如果选择决策A，则为M的值，相反为零；如果选择决策B，则为 M的值，相反为零。有了这三个变量，你就能算出市场认为决策A还是决策B更看好M的价值。

Vitalik：从预测市场到信息金融

我预计，在未来十年，人工智能（无论是LLMs还是一些未来的技术）将对金融行业产生巨大影响。这是因为信息金融的许多应用都是关于“微观”问题的：数以百万计的决策的迷你市场，单个决策的影响相对较低。在实践中，低交易量的市场往往不能有效地运作：对于一个有经验的参与者来说，仅仅为了几百美元的利润而花时间进行详细的分析是没有意义的，许多人甚至认为，如果没有补贴，这样的市场根本就不会运作，因为除了最重大和具有轰动性的问题之外，没有足够多的新手交易者供有经验交易者从中获利。人工智能完全改变了这个等式，这意味着即使在交易量为10美元的市场上，我们也可能获得相当高质量的信息。即使需要补贴，每个问题的补贴规模也是负担得起的。

信息金融，精炼人类判断

假设你有一个你信任的人类判断机制，并且有整个社区信任它的合法性，但是做出判断需要很长时间和很高的成本。但是，你希望至少以便宜和实时的方式访问该“昂贵机制”的便宜副本。以下是Robin Hanson对你能做的事情的想法：每次你需要做决定时就建立一个预测市场，预测如果调用该昂贵机制，该机制将对决定做出什么结果。然后预测市场开始运行，并投入少量资金来补贴做市商。

99.99% 的情况下，你不会真正调用昂贵的机制：也许你“恢复交易”，返还或者不还每个人投入的钱，或者你看看平均价格是接近“是”还是接近“否”的价格，并把它作为基本事实。0.01%的情况下，也许是随机的，也许是最高交易量的市场，也许两者兼而有之，你实际上运行了一个代价高昂的机制，并在此基础上补偿参与者。

这样就提供了一个可信、中立、快速且廉价的“精炼版本”，该版本是原来高度可信但成本极高的机制的精炼版（使用“精炼”一词类比LLM大模型蒸馏）。随着时间的推移，这种精炼机制大致反映了原始机制的行为，因为只有帮助实现该结果的参与者才能赚钱，其他人则会亏损。

Vitalik：从预测市场到信息金融

这不仅适用于社交媒体，也适用于 DAO。DAO的一个主要问题是，决策数量太多，大多数人都不愿意参与其中，这导致要么广泛使用委托，存在代议制民主中常见的中心化和委托代理失灵的风险，或者会受到攻击。如果 DAO 中实际投票很少发生，大多数事情都由预测市场决定，人类和人工智能结合预测投票结果，那么这种 DAO 可能会很好地运行。

正如我们在决策市场的例子中所看到的，信息金融蕴含着许多解决去中心化治理中重要问题的潜在路径，关键在于市场与非市场的平衡：市场是“引擎”，其他一些非金融化的信任机制是“方向盘”。

信息金融的其他用例

个人代币——诸如Bitclout（现为 deso）、friend.tech等许多为每个人创建代币并使其易于投机的项目——是我称之为“原始信息金融”的一类。他们故意为特定变量创造市场价格（即对一个人未来地位的预期）但价格揭示的确切信息太不具体，容易受到反身性和泡沫动态（Odaily 星球日报注：价格飙升吸引买入）的影响。有可能创建此类协议的改进版本，并通过更加谨慎地考虑代币的经济设计（尤其是其最终价值来自何处）来解决人才发现等重要问题。Robin Hanson在“声望未来”中的观点是一个可能发生的最终状态。

广告——最终的“昂贵但值得信赖的信号”是你是否会购买产品。基于该信号的信息金融可用于帮助人们确定要购买什么。

科学同行评审——科学界一直存在“复制危机”，即某些著名结果在某些情况下已成为民间智慧的一部分，但却无法在新研究中再现。我们可以尝试通过预测市场来确定需要重新检查的结果。在重新检查之前，这样的市场还会让读者快速估计他们应该在多大程度上信任任何特定结果。这种想法的实验已经完成，到目前为止似乎取得了成功。

公共物品资助——以太坊中使用的公共物品资助机制的主要问题之一是它们的“人气竞赛”性质。为了获得认可，每个贡献者都需要在社交媒体上运行自己的营销操作，而那些没有足够能力做到这一点的贡献者，或者那些天生具有更多“背景”角色的贡献者，很难获得大量资金。一个很有吸引力的解决方案是尝试跟踪整个依赖图：对于每个积极的结果，哪个项目为它贡献了多少，然后对于每个项目，哪个项目为它贡献了多少，等等。这种设计的主要挑战是找出边缘的权重，使其能够抵抗操纵。毕竟，这种操纵一直在发生。精炼的人类判断机制可能会有所帮助。