关键要点

• 去中心化 AI: Allora 利用分布式 AI 框架，通过去中心化的参与者实现上下文感知的推理生成。

• 基于 Cosmos 的基础设施: Allora 基于 Cosmos 构建，利用 CometBFT 共识来实现安全和无需许可的 AI 处理。

• 参与者角色: Allora 的主要参与者角色包括 Workers（工作者）、Reputers（声誉者）和 Validators（验证者），所有这些都有助于 AI 生成、推理和建模的准确性以及网络安全。

• 分层架构: Allora 网络由三个层（推理、预测与合成以及共识）组成，这些层有助于构建协议的 AI 处理工作流程。

• 用户定价模式 (Pay-what-you-want model): 在 Allora 上，消费者能够选择他们为推理服务支付的价格，最终激励参与和网络增长。

Allora - 去中心化人工智能详解

人工智能 (AI)已成为一种备受追捧的商品，允许以类似于人类推理的方式对许多复杂主题进行上下文感知的分析。然而，它在很大程度上依赖于处理能力，尤其是在初始训练阶段。由于 AI 模型已经经过充分训练，因此它依赖于大量数据集，这些数据集占用存储空间，并且需要快速访问才能处理任何查询。

在讨论现代 AI 概念时，应该注意的是，其背后的技术之所以成为可能，得益于计算能力和计算机内存访问的卓越增长。达到今天的计算能力，我们比以往任何时候都更有能力让自适应算法从大量数据点中学习，以及依赖黑盒（即由于某些输入而产生的已知响应，而不知道响应背后的确切机制）。

为了使 AI 能够最好地利用这种知识网络、已知的统计模型和经验来产生尽力而为的响应，所有知识的互连性越好，结果就越好，以至于可以模仿推理和智能。

Allora 的目标是通过利用大量互连的知识和经验网络来实现智能的商品化，并通过让模型以协作方式共享知识并创建最终响应的综合来实现 AI 生成推理的可访问性的提高，从而实现自我改进。

Allora 通过其新颖的上下文感知、自我改进的推理生成、网络中每个参与者的独特差异化激励结构以及利用 Cosmos SDK 支持的 权益证明 (PoS) 区块链（采用 CometBFT 共识）的优势来实现这一目标。缺乏可能施加偏见的中心化控制机构让 Allora 网络的分布式智能质量有机地发展。

要了解有关 Allora 的创立以及使其在 AI 持续发展中发挥重要作用的更多信息，请考虑阅读本系列中的我们的介绍性博客文章。

了解 Allora 网络的技术架构

Allora 坚信 AI 输出的质量需要上下文感知。为了产生最佳的推理，Allora 的聚合网络级推理基于原始数据的静态模型、其先前的性能以及不同市场条件下的预测性能得出结论。

与当今活跃的大多数 AI 公司相比，Allora 采用了协作和去中心化的方法，没有中央监督。这种去中心化的性质进一步消除了公司偏见影响 AI 算法的风险。不受最终用户控制的中心化 AI 在设计上会像一个黑盒一样工作，对于 AI 如何得出结论的透明度很低。另一方面，Allora 的工作方式是将查询分解为 AI 原语，并依赖于来自查询回复网络的聚合答案。因此，可以实现更高程度的 AI 推理透明度。

上图显示了 Allora 网络上主题的逻辑和经济关系的示意图。逻辑关系是请求和产生的推理，以及网络内部的损失预测和推理分数。上述经济关系包括消费者的费用和作为奖励分配给供应侧参与者的新释放的代币。请记住，Workers 可以执行双重任务，既可以计算推理，也可以计算预测。(图片来源: What Makes Allora Different from Other Decentralized AI Networks? via the Allora Network blog)

要了解 Allora 的去中心化人工智能设计，了解以下几个关键概念非常重要：

推理: 推理是 AI 的最终产品——它是基于一组有限的输入变量对一组有限的输出变量的值的“有根据的猜测”。 AI 模型使用其初始和“在职”训练来生成优化的输出——推理。网络区分“幼稚”推理，即仅基于无上下文的原始数据，而不考虑网络的综合知识，以及考虑到多轮推理生成后分配的预测和声誉权重的聚合推理。“真实数据”和声誉的概念是 Reputers 运作的核心，我们稍后将讨论。

主题: 为了对任务进行分隔和组织，Allora 采用了 主题 的概念。主题被组织为子网络，这些子网络专门针对有限范围的问题，每个子网络都有自己的目标变量和损失函数。为了管理主题子网络，制定了一组规则，这些规则被称为主题协调器。

损失函数: 损失是一个值，用于描述推理在给定上下文中的准确程度。损失由网络上的专门参与者 Reputers（另见下文）预测，系统试图最小化该值（较低的值等同于更高的准确性）。由于该值与上下文直接相关，因此这是 Allora 的 AI 具有上下文感知的核心。

后悔: 在 Allora 上，后悔是一种计算指标，用于衡量计算出的推理是否优于或劣于先前计算出的推理。后悔用于为各个推理分配权重。权重随后用于传递给消费者的答案的最终综合中。

真实数据: Allora 将可用时采样的真实世界值称为真实数据。 Allora AI 中如何使用它的一个例子是，如果请求的推理是为了预测某资产在未来某个时间点的价值，那么一旦预测时间到达，真实数据将是实际价值。

Epoch (周期): 在 Allora 生态系统中，周期长度是指对主题进行采样以进行推理预测评分的频率。通常，计算中的术语 "epoch "指的是计算机系统常用时间表示的零点（例如，UNIX 时间），或者在区块链的上下文中，该术语通常表示共识轮次的长度。由于可能与其他已建立的 epoch 定义相混淆，因此应明确定义 Allora 在推理生成中使用术语 "epoch "的含义。

Allora Network 向任何有兴趣获取高质量 AI 推理或提供计算工作来生成推理的参与者开放。这种开放的基础设施适用于各种各样的任务，并且进入门槛很低，因为 Allora 是无需许可的，目前正在为消费者开发一种用户定价模式（对推理没有强制价格，无论是来自供应方还是网络本身）。(图片来源: Introducing Allora: A Self-Improving Decentralized AI Network via the Allora Network blog)

Allora 网络参与者

Allora 的去中心化特性是由多个参与者类别组成的，每个类别都在请求和生成推理的过程中执行特定角色。 Allora 将它们分为两个大类：

• 供给方
• 需求方

在 Allora 上，Workers (工作者)、Reputers (声誉者) 和 validators (验证者) 统称为 供给方。供给方参与者是贡献计算工作并最终花费精力来提供推理和管理网络的参与者。另一方面，消费者被认为是 需求方。 Allora 的需求是推理，这是网络最终提供的商品。

当消费者从 Allora 网络请求推理时，该请求将传递给主题协调器。协调器将请求分发给多个 Workers (工作者)，这些工作者单独处理请求并预测彼此对查询的响应质量。然后，每个单独的推理都传递给 Reputers (声誉者)，预测传递给主题协调器。

Reputers (声誉者) 对推理进行评分，并将它们与质量分数一起传递给主题协调器，主题协调器根据准确性预测和声誉权重编译最终推理，然后将其返回给消费者。最后，主题协调器根据网络推理和分数的准确性分配奖励。

现在你已经熟悉了 Allora 的不同网络参与者和整体技术架构，你可能想了解更多关于本系列第三篇文章中 Allora 不断发展的生态系统 的信息。

上图显示了网络的三个层（推理消费、预测和综合以及共识）如何通过响应聚合过程联系在一起的简化示意图。这三个层（详见下文）在逻辑上是分开的，每一层都直接与主题协调器连接，主题协调器接收请求并执行返回给客户的最终推理综合。(图片来源: Introducing Testnet V2: A New Milestone for Allora Network via the Allora Network blog)

Allora 网络层

Allora 采用分层结构，旨在为 AI 生成的推理提供框架和市场。这种分层结构将消费者和 AI Workers (工作者) 与管理共识机制分开，并且高度去中心化。 Allora 的三个主要架构层包括：

• 推理消费：在推理消费层，促进了消费者和 Workers (工作者) 之间请求和推理的交换。主题协调也在此层进行。最后，Reputers (声誉者) 也存在于此层。如前所述，Reputers (声誉者) 对 Workers (工作者) 产生的推理进行“评分”，将他们的结果与真实数据（即真实世界的值）进行比较（如果可用）。

• 预测与综合：预测与综合层促进了网络的自我改进性质，并聚合对推理请求的回复。为了执行预测和综合过程，预测 Workers (工作者) 对产生的推理进行评分，整个知识体系由主题协调器组合在一起，然后再将最终加权的结果推理传递给消费者。通常按如下方式进行此常规工作流程（请记住，Workers (工作者) 可以从事推理、预测或两者兼有）：

• 共识：Allora 使用专门的 Cosmos appchain 来协调大量的参与者社区，以确保 Allora 网络的完整性并执行系统的经济性。共识层由网络验证者组成，他们有助于确保环境始终安全且无需许可。具体而言，由于它与网络的奖励结构有关，因此网络的各种参与者角色会累积计算出的奖励，如下所示：

让计算机思考的区块链

Allora 构建在 Cosmos CometBFT 共识之上，确保所有参与者都能获得无需许可、无需信任和去中心化的网络访问。 Allora 网络利用原生 ALLO 代币，同时对主动供给方参与者采用差异化的激励模型，具体取决于努力、权益或两者兼有。这种激励结构旨在减轻参与者对系统的推理能力产生不成比例的影响的效果。

Allora 网络的一个独特/新颖的功能是，推理生成使用 自愿付费 (Pay-What-You-Want, PWYW) 模型运行，对推理没有强制价格，无论是来自供给方，还是网络本身。尽管如此，机制仍然到位，以阻止消费者选择零支付。零支付推理请求不会为参与者产生任何奖励。无论如何，这仍然鼓励采用，因为即使是消费者的一小笔付款也会为供给方参与者带来奖励。

Allora 的差异化激励结构基于执行的工作 以及 参与者在系统中所拥有的权益。如前所述，这用于维持权益利益和绩效之间的平衡。因此，给予推理的权重和用于生成最终综合答案的权重是针对准确性的，而不是针对高质押者的影响。这进一步防止了最初良好的预测因子在正反馈循环中获得越来越多的影响，从而使结果产生偏差，尽管最初合适的结果后来偏离了目标。

验证者和 Reputers (声誉者)

与其他 PoS 网络类似，Allora 采用验证者来保护网络，其中 validators (验证者) 通过 Delegated-Proof-of-Stake (DPoS) 系统质押 ALLO。在 Allora 上，验证者通过平衡的投票过程在区块链上维护共识，并根据其总网络权益按比例获得奖励，从而促进最佳利益行为。

此外，Allora 还采用了 Reputers (声誉者)，Reputers (声誉者) 需要像验证者一样持有权益。但是，他们的动机是基于数学上得出的公式来奖励高精度。 Reputers (声誉者) 将最终获得的真实世界数据与产生的推理进行比较，并在向 Workers (工作者) 分配奖励方面发挥着不可或缺的作用，因为这些奖励是根据准确性计算的。

上图显示了 Allora 的协作式 AI 随时间推移的损失（即 Allora 衡量做了多少不良推理）的进展情况。请注意，在部署后大约四个月内，整个网络（黑线）的损失急剧下降，达到比原始推理低两个数量级的稳定状态（顶部的洋红色虚线）。(图片来源: Allora Network via the Allora Network whitepaper)

上下文感知提高了推理

AI 算法基于给定的数据集进行预测和评估，其效果将仅与可用数据一样好，但是 AI 可以基于经验来预测，并将未见过的、经验得出的参数考虑在内，就像人脑一样。这就是为什么 AI 在各种情况下如此有用的核心所在。

AI 网络更进一步，利用基于不同模型的多个预测来生成组合答案。也就是说，一个简单的、不了解这种上下文的网络只能改进到一定程度。网络化方法确实会提高推理的质量，但如果可以使各个模型具有上下文感知能力，则可以进一步改善最终结果。

Allora 通过上面介绍的算法引入了上下文感知。通过允许 Workers (工作者) 预测自己的准确性并将这些预测传达给网络，Allora Reputers (声誉者) 可以通过向具有高准确性的 Workers (工作者) 给予高分并奖励提供最佳推理的模型来逐步提高其组合准确性，从而促进性能不佳的模型的演变。此外，基于各个推理的分数，可以在消费者回复的最终综合中为推理分配更准确的权重。

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，仅用于提供信息，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～