9 Minutės
Ribotas dėmesys — didžiausias DAO valdymo iššūkis
Ethereum bendraįkūrėjas Vitalikas Buterinas neseniai atkreipė dėmesį į esminį apribojimą, kuris silpnina decentralizuotas autonomines organizacijas (DAO) ir plačiau — demokratinį valdymą: ribotą žmogaus dėmesį. Buterinas savo mintis glaustai išdėstė socialiniame tinkle X, pabrėždamas, kad DAO dalyviai susiduria su milžinišku sprendimų srautu įvairiose srityse — tiek techninėse, tiek politinėse, tiek administracinėse — kuris gerokai viršija tai, ką bet kuris asmuo gali nuodugniai įvertinti. Toks sprendimų kiekio ir žmogaus dėmesio disbalansas lemia nuolatines valdymo spragas, ypač tokenų pagrindu veikiančiose bendruomenėse ir decentralizuotuose protokoluose.
Ši problema nėra vien techninis niuansas — tai fundamentali organizacinė kliūtis, kuri veikia legitymą, atsakomybę ir ilgalaikį protokolų stabilumą. Kuomet daugelis sprendimų lieka neapdoroti arba priimami paviršutiniškai, auga rizika, kad sprendimų kokybė bus prastesnė, įtaką įgis aktyviausias arba geriausiai koordinuojamas mažas dalyvių sluoksnis, o platesnė bendruomenė liks atskirta. Tokiu būdu decentralizacija, kuri turėtų užtikrinti įtrauktį ir skaidrumą, dažnai virsta centralizuoto sprendimų priėmimo formomis, užmaskuotomis tokenų balsavimu.
Kodėl vien delegacija decentralizacijos neišsprendžia
Vienas iš dažniausių sprendimų, kurį pasirinkdavo daugelis DAO, yra delegacija — tokenų turėtojai perleidžia balsavimo galią mažesnei atstovų grupei arba rinkėms. Tai gali sumažinti individualų dėmesio poreikį, tačiau Buterinas teigia, kad toks modelis greitai tampa nugalinčiu. Kai galia perduodama, įprasti bendruomenės nariai dažnai praranda galimybę reikšmingai paveikti ateitį daugiau nei vienu paspaudimu; tuo tarpu kompaktiškas lyderių sluoksnis ima priimti daugumą sprendimų.
Tokia delegacijos praktika koncentruoja kontrolę, kelia klausimus dėl sprendimų legitimumo ir atsakomybės mechanizmų. Ypač rizikinga tai tampa ilgalaikėje perspektyvoje: delegavimas gali sukurti status quo privilegijas, sumažinti inovacijų įvairovę ir apsunkinti naujų balsų integraciją. Be to, delegacijos modeliai kartais ignoruoja dinamiškus nusistovėjusius interesus — vartotojo preferencijos, kontekstas ir prioritetai keičiasi greitai, o įgaliotųjų sprendimai gali nebeatitikti delegavusių narių vertybių arba naujai kylančių poreikių.
Taigi problema nėra vien techninė — ji yra ir socialinė bei institucinė: reikia būdų išlaikyti plačią įtrauktį ir atsakomybę, tuo pat metu sprendžiant praktinį žmogiško dėmesio ribotumą. Būtent čia atsiranda vieta mechanizmams, kurie padidina efektyvų dalyvių dėmesio panaudojimą, o kartu neperduoda sprendimų galios į mažą centrą.
Asmeniniai AI agentai kaip dėmesio daugiklis
Siekiant spręsti dėmesio problemą, Buterinas siūlo pluoštą dirbtiniu intelektu paremtų įrankių, kurių ašis būtų asmeniniai didelės apimties kalbos modeliai (LLM), veikiantys kaip valdymo agentai. Tokie asmeniniai agentai gali išmokti vartotojo rašymo stiliaus, pokalbių istorijos, explicitinių preferencijų ir moralinių krypčių, kad galėtų atstovauti savininkui balsuojant arba pateikiant rekomendacijas. Svarbu, kad agentas nebūtų vien techninis balsavimo „robotas“, bet gebėtų taikyti vartotojo elgesio modelius, prioritetus ir nuolatinio mokymosi išraiškas.
Praktinis agentų pritaikymas gali apimti automatizuotą sprendimų filtravimą — atsijojant įrašus, pasiūlymus ir aptarimus pagal vartotojo prioritetus, rizikos toleranciją ir domeno žinias. Pavyzdžiui, programuotojas gali norėti, kad agentas automatiškai balsuotų už techninius patobulinimus, kurie atitinka saugumo ir optimizacijos kriterijus, tačiau reikalautų patvirtinimo dėl biudžeto paskirstymo ar bendruomenės politikos.
Be to, kai agentas susiduria su nežinoma arba ypač svarbia tema, jis turėtų aktyviai užduoti klausimus savininkui ir pateikti trumpus, kontekstualius apibendrinimus, parengtus naudojant viešas diskusijas, techninius santraukas ir reputacijos rodiklius. Tokie apibendrinimai turėtų būti orientuoti į sprendimo priėmimą: išryškinant svarbiausius argumentus, potencialią riziką, ilgalaikes pasekmes ir alternatyvas. Šis procesas padeda išlaikyti atsakomybę — agentas veikia kaip pagalbinė priemonė, o ne visiškai automatizuotas sprendimų priėmėjas be žmogaus priežiūros.
Technologiškai asmeninio LLM agento veikimas reikalauja kelių komponentų: kokybiško fine-tuning arba instrukcijų pritaikymo pagal vartotojo duomenis, patikimos prieigos prie viešų ir privačių informacijos šaltinių (pvz., protokolų istorijos, bendruomenės archyvų), mechanizmų, skirtų aiškiam sprendimų interpretavimui (explainability) ir audito žurnalams, kurie leidžia atsekti, kodėl agentas priėmė tam tikrą sprendimą. Be to, būtina integruoti saugumo ir privatumo garantijas, kad asmens duomenys nebūtų piktnaudžiaujami ar netyčia užfiksuojami platintame modelyje.
Pagrindiniai asmeninių valdymo agentų privalumai
- Mastelis: AI agentai gali greitai apdoroti daug pasiūlymų, diskusijų ir dokumentų, taip sumažindami žmogiškojo dėmesio naštą ir leidžiant dalyviams koncentruotis tik į svarbiausias temas.
- Nuoseklumas: agentai taiko vartotojo išreikštas preferencijas nuosekliai per daugelį valdymo sprendimų, sumažindami atsitiktinumo ar dienos nuotaikos įtaką sprendimams.
- Atsakas į neapibrėžtumą: kai sprendimo neapibrėžtumas didelis, agentai užduoda tikslingus klausimus vietoj atsitiktinio sprendimo priėmimo, taip didindami sprendimų kokybę ir vartotojo dalyvavimo efektyvumą.
Viešieji diskusijų agentai ir kolektyvinė informacijos agregacija
Buterinas taip pat numato viešuosius diskusijų agentus, kurie rinktų ir sintezuotų indėlius iš daugelio dalyvių prieš pateikdami suvestines individualiems vartotojams arba jų LLM. Tokie agentai galėtų automatizuotai apdoroti didelius diskusijų srautus, identifikuoti pagrindines nuomones, atrasti pasikartojančias premisas ir išryškinti bendrąsias vietas, kurių dalyviai galbūt patys neįvertina.
Agregacija turi du tikslus: pirmas — užkirsti kelią naiviam vienodam atsiliepimų vidurkiavimui, kuris gali nuvertinti mažas, bet svarbias nuomonių grupes; antras — aprūpinti asmeninius agentus ir vartotojus aukštos kokybės informacijomis, kurios padėtų priimti labiau pagrįstus sprendimus. Tokie viešieji agentai gali veikti kaip tarpininkai, kurių funkcijos apima temų klasterizaciją, argumentų stiprumo vertinimą pagal šaltinio reputaciją ir faktinę patikrinamumą, bei alternatyvų modeliavimo pateikimą.
Praktikoje tai reiškia, kad prieš siunčiant santrauką asmens agentui, viešasis agentas gali paruošti sluoksniuotą apibendrinimą: pirmasis sluoksnis — faktų ir suvestinių iš reliable šaltinių; antrasis — pagrindinės nuomonės ir jų argumentinė logika; trečiasis — rizikos scenarijai ir pasiūlymos tolesniems tyrimams. Tokiu būdu vartotojas arba jo agentas gauna struktūruotą informaciją, leidžiančią greitai orientuotis ir priimti sprendimą, remiantis didesniu informacijos kiekiu ir kokybe nei vien paviršutiniškas skaitymas diskusijų forume.
Tada, kai viešieji agentai sintezuoja kolektyvinę informaciją, galima sukurti mechanizmus, kurie skatintų bendruomenišką argumentaciją ir faktų patikrinimą. Tai prieštarauja spontaniškam ir neapgalvotam komentarų kaupimuisi bei sumažina poliarizacijos riziką, nes išryškinamos bendros sąlyčio taškai ir pagrįsti skirtumai.
Pasiūlymų rinkos idėja — išryškinti ir apdovanoti kokybiškas idėjas
Kita idėja yra integruoti pasiūlymų arba prognozių rinkas į valdymą. Tokiose sistemose bet kas galėtų pateikti pasiūlymą, o AI agentai — arba patys dalyviai — galėtų „statyti“ governance tokenais už pasiūlymo sėkmės tikimybę arba už jo realų poveikį. Kai rinka patvirtina tam tikrą indėlį (pvz., pasiūlymas sulaukia teigiamų prognozių ir vėliau įgyvendinamas sėkmingai), atlygis nukreipiamas tiems tokenų savininkams, kurie rėmė aukštos kokybės idėjas.
Toks mechanizmas sukuria finansinius paskatinimus dalyviams ir agentams atrinkti bei remti pasiūlymus, kurie turi realų vertę ir galimą naudingą poveikį. Pasiūlymų rinkos taip pat prideda papildomą informacijos sluoksnį: rinkos kainos veikia kaip kolektyvinė prognozė apie pasiūlymo sėkmę ar reikšmingumą, o tai gali padėti prioritetizuoti ribotus išteklius, pvz., biudžetą ar techninį palaikymą.
Tačiau praktikoje reikia atkreipti dėmesį į manipuliacijos rizikas: rinkos gali būti paveiktos likvidumo problemų, koncentracijos arba koordinuotų kampanijų, kurios profituoja iš informacijos asymetrijos. Todėl svarbu derinti rinkas su reputacijos sistemomis, slenkstiniais atrankos kriterijais ir agentų elgesio taisyklėmis, kad būtų sumažinta spekuliacinė žala ir išlaikytas ilgalaikis bendruomenės intereso prioritetas.
Kaip išsaugoti konfidencialumą: MPC ir zero-knowledge priemonės
Decentralizuotas valdymas dažnai žlunga tada, kai sprendimai reikalauja konfidencialios informacijos — pavyzdžiui, personalo ginčų, atlyginimų, teisinių reikalų arba vidinės reglamentacijos. Tokiais atvejais viešas balsavimas arba atviri komentarai gali atgrasyti dalyvius ir trukdyti dalyvavimui. Buterinas siūlo privatumą gerbiančias daugiapusių skaičiavimų (MPC) technologijas ir patikimus vykdymo aplinkas (trusted execution environments, TEE), leidžiančias asmeniniams LLM vertinti privačius duomenis ir pateikti tik sprendimą arba santrauką be jautrios informacijos atskleidimo.
MPC leidžia keliems šalių rinkinams bendradarbiauti atliekant skaičiavimus, neatskleidžiant vieni kitiems savo įvesties. Tai reiškia, kad asmeninis agentas galėtų įsitraukti į privatų vertinimą kartu su kitais agentais arba centralizuotu servisu, o galutinis rezultatas — balsavimas arba rekomendacija — būtų patvirtintas be atskleistos jautrios informacijos. Kombinuojant MPC su zero-knowledge (ZK) įrodymais, galima pateikti kriptografiškai pagrįstą užtikrinimą, kad tam tikras teiginys yra teisingas (pvz., „šis pasiūlymas atitinka atlyginimų skaidrumo kriterijus“) nenorint atskleisti konkrečių detalių.
Technologiniai komponentai, kuriuos verta minėti, apima: TEE sprendimus (pvz., Intel SGX arba panašias patikimas vykdymo aplinkas), MPC bibliotekas ir protokolus (pvz., Secure Multiparty Computation frameworks), bei ZK įrodymų sistemas (pvz., zk-SNARKs ar zk-STARKs). Kiekvienas iš jų turi savo kompromisų tarp našumo, saugumo ir patogumo. Pavyzdžiui, TEE gali suteikti aukštą našumą, bet reikalauti pasitikėjimo tam tikra aparatūra ar paslaugų teikėju; MPC yra saugesnė nuo centralizacijos priklausomybės, bet gali būti lėtesnė ir reikalauti koordinacijos tarp dalyvių; ZK įrodymai suteikia stiprų anonimiškumo sluoksnį, tačiau sudėtingesni teikti sudėtingiems, mutli-faktoriams teiginiams.
Derinant šias technologijas, galima suprojektuoti valdymo procesus, kurie leidžia plačiam dalyvavimui net ir sprendimams su jautriais duomenimis: asmeniniai agentai analizuoja konfidencialius failus vietoje arba užkoduotai, sugeneruoja sprendimą arba rekomendaciją, kuri patvirtinama per ZK įrodymą, ir pristatoma bendruomenei be perteklinio duomenų nutekėjimo. Tai išlaiko dalyvavimo mastą, skatina sąžiningumą ir mažina baimę dalyvauti sprendimų priėmime dėl privatumo rizikų.
Apskritai, Buterinas modeliuoja asmeninių LLM, agreguotų viešųjų diskusijų agentų, pasiūlymų rinkų ir privatumo garantijų kombinaciją kaip pragmatišką kelią link tvirtesnio decentralizuoto valdymo. Sprendžiant dėmesio siaurąją vietą ir tuo pačiu apsaugant privatumą, šie įrankiai galėtų padėti DAO priimti geresnius sprendimus, išlaikant galios paskirstymą ir reikšmingą dalyvavimą. Tokio tipo integracija reikalauja tiek techninių inovacijų, tiek institucinės disciplinos — aiškių auditavimo praktikų, atsakomybės mechanizmų ir skaidrių ataskaitų apie agentų elgseną bei rinkų poveikį.
Šaltinis: crypto
Palikite komentarą