作者： a16z
编译：佳欢，ChainCatcher
去年，委内瑞拉总统大选结果的预测市场交易额超过了 600 万美元。但当计票结束时，市场面临着一个不可能的局面：政府宣布尼古拉斯·马杜罗获胜；而反对派和国际观察员则指控存在舞弊。预测市场的决议究竟应该遵循“官方信息”（马杜罗获胜），还是“可信报道的共识”（反对派获胜）？
在委内瑞拉选举一案中，观察员们的指控 层层升级 ：他们先是谴责规则被无视、用户资金‘被窃’，进而痛斥该决议机制在这场政治博弈中 独揽大权——集‘法官、陪审团和刽子手’于一身 ，甚至直言其遭到了严重操纵。
这并非孤立的小插曲。这是我认为预测市场在规模化过程中面临的最大瓶颈之一： 合约裁定
这里的风险极高。如果 裁定 处理得当，人们就会信任你的市场，愿意在其中交易，价格也会成为对社会有意义的信号。如果 裁定 处理失当，交易就会让人感到沮丧和不可预测。参与者可能会流失，流动性面临枯竭的风险，价格也不再反映对稳定目标的准确预测。取而代之的是，价格开始反映出一种模糊的混合体——既包含结果发生的实际概率，也包含交易者对扭曲的决议机制将如何裁决的信念。
委内瑞拉的争议相对高调，但在各个平台上，更隐蔽的失败经常发生：
在这篇文章中，我将探讨如何巧妙地结合大语言模型（LLMs）和加密技术，帮助我们创建一种难以操纵、准确、完全透明且具有可信中立性的预测市场大规模决议方式。
类似的问题也一直困扰着金融市场。多年来，国际掉期与衍生工具协会（ISDA）一直在与信用违约互换（CDS）市场中的 裁定难题 进行博弈。 所谓 CDS，即一种在公司或国家债务违约时进行赔付的合约。 其 2024 年的审查报告对这些困难坦诚得令人瞩目。他们的决议委员会由主要市场参与者组成，投票决定是否发生了信用事件。但这一过程因不透明、潜在的利益冲突和不一致的结果而受到批评，就像 UMA 的流程一样。
根本问题是一样的：当巨额资金取决于对模棱两可情况的判定时，每一个决议机制都会成为被博弈的目标，每一个模糊点都会成为潜在的爆发点。
任何可行的解决方案都需要同时实现几个关键属性：
人工评审团可以满足其中一些属性，但在规模化时，他们很难做到其他几点——尤其是抗操纵性和可信的中立性。像 UMA 这样的基于代币的投票系统，在巨鲸主导和利益冲突方面也有其自身被充分记录的问题。
这就是 AI 以此为切入点的地方。
这是在预测市场圈内获得关注的一个提议： 使用大语言模型作为决议法官，并在合约创建时将特定的模型和提示词锁定在区块链上。
基本架构如下：在合约创建时，做市商不仅要用自然语言指定决议标准，还要指定确切的 LLM（由带时间戳的模型版本标识）以及用于确定结果的确切提示词（prompt）。
该规范被加密提交到区块链上。当交易开启时，参与者可以检查完整的决议机制，他们确切地知道哪个 AI 模型将裁决结果，它将接收什么提示词，以及它能够访问哪些信息源。
如果他们不喜欢这个设置，他们就不交易。
在裁定时间，已提交的 LLM 使用已提交的提示词运行，访问指定的信息源，并生成判决。输出结果决定谁获得赔付。
这种方法同时解决了几个关键约束：
总结来说：基于 AI 的裁定基本上是用一组问题（人类偏见、利益冲突、不透明）交换另一组问题（模型局限性、提示词工程挑战、信息源漏洞），而后一组问题可能更易于处理。那么我们该如何推进？平台应该：
预测市场拥有非凡的潜力，可以帮助我们理解一个嘈杂、复杂的世界。但这种潜力取决于信任，而信任取决于公平的合约决议。我们已经看到了决议机制失败的后果：困惑、愤怒和交易者离场。我曾目睹人们在感到被一个似乎违背其下注精神的结果欺骗后，愤而完全退出预测市场——发誓不再使用他们以前喜欢的平台。这对于解锁预测市场的利益和更广泛的应用来说，是一个错失的机会。
LLM 法官并不完美。但当它们与加密技术结合时，它们是透明的、中立的，并且能够抵抗那些一直困扰人类系统的操纵。在一个预测市场规模化速度超过我们治理机制的世界里，这可能正是我们所需要的。
