作者：Tranks，DeSpread

免责声明：本报告的内容反映了各自作者的观点，仅供参考，并不构成购买或出售代币或使用协议的建议。 本报告中的任何内容均不构成投资建议，也不应被理解为投资建议。

1. 引言

自以 ChatGPT 为代表的生成式人工智能出现以来，AI 技术迅速发展，企业对 AI 产业的参与和投资也不断增加。近期 AI 不仅在产生特定输出方面表现优异，在大规模资料处理、模式识别、统计分析、预测建模等方面也有出色表现，使得 AI 在各行各业的应用范围不断扩大。

• JP Morgan：聘请超过 600 位 ML 工程师，开发和测试超过 400 个 AI 技术使用案例，包括演算法交易、诈欺预测和现金流量预测等。

• Walmart：分析季节性和区域销售历史，以预测产品需求并优化库存。

• Ford 汽车：分析车辆感应器资料，以预测零件故障并通知客户，防止因零件故障而造成的事故。

近期，将区块链生态与 AI 结合的趋势越来越明显，其中 DeFi 协议与 AI 结合的 DeFAI 领域尤其受到关注。

此外，直接将 AI 融入协议运行机制的案例也越来越多，使得 DeFi 协议的风险预测和管理变得更有效率，并引入了之前无法实现的新型金融产品服务。

延伸阅读：「AI 叙事升温，DeFi 如何从中受益？」

然而，由于大量的资讯训练和专业的 AI 技术的进入门槛较高，建立专用于特定功能的 AI 模型目前仍被几个大型企业和 AI 专家所垄断。

因此，其他行业和小型初创公司在採用 AI 方面面临重大困难，而区块链生态 dApp 也面临相同的限制。由于 dApp 必须维持不需要信任第三方的「无信任」核心价值，就必须有一个去中心化的 AI 基础架构，才能让更多的协议採用 AI，以提供用户可以信任的服务。

在这样的背景下，Allora旨在实现自我完善的去中心化 AI 基础架构，并支持希望将 AI 安全整合至其服务的项目。

2. Allora，去中心化推理合成网路

Allora是一个去中心化推理网路，可针对不同实体所要求的特定主题，预测并提供未来数值。实作分散式 AI 推论的方法主要有两种：

• 单一模型/分散式处理：以去中心化的方式进行模型训练与推论流程，建立分散式单一 AI 模型。

• 多模型/推论合成：从多个预先训练的 AI 模型中收集推论结果，并将它们合成为单一推论结果。

在这两种方法中，Allora 採用了多模型/推论合成的方法，AI 模型操作员可以自由参与 Allora 网路，针对特定主题的预测请求执行推论，而协议将根据这些操作员所得出的推论值合成的单一预测结果来回应请求者的请求。#p#分页标题#e#

在合成 AI 模型的推论值时，Allora 并不是单纯的计算每个模型所得出的推论的平均值，而是通过为每个模型分配权重来得出最终的推论值。随后，Allora 会比较每个模型所得出的推论值和该主题的实际结果，并藉由赋予推论值与实际结果值相近的模型更高的权重与奖励来执行自我改善，以提高推论的精确度。

通过这种方法，Allora 可以执行比单一模型/分散处理方法建立的 AI 更专业和针对特定主题的推论。为了鼓励更多 AI 模型参与协议，Allora 提供开放原始码架构 Allora MDK (Model Development Kit)，以协助任何人轻松建立并部署使用 AI 模型。

此外，Allora 也为想要使用 Allora 推论资料的用户提供两个 SDK ，Allora Network Python和 TypeScript SDK。这些 SDK 提供用户一个可以轻松整合和使用 Allora 所提供的资料的环境。

Allora 的目标是成为连接 AI 模型和需要推论资料的协议的中间层，通过提供 AI 模型营运者创造营收的机会，同时为服务和协议搭建一个没有偏见的资料基础架构。

接下来，我们将探讨 Allora 的通讯协议架构，以近一步瞭解 Allora 的运作方式及特色。

2.1. 通讯协议架构

在 Allora 中，任何人都可以设定和部署特定的主题，而在执行推论和获得特定主题的最终推论值的过程中，有四个参与者：

• 消费者 (Consumers)：付费请求推论特定主题。

• 工作者 (Workers)：使用其资料库操作 AI 模型并执行