?作者：Kyle

預測市場正在超越傳統金融工具，成為信息驗證的智慧載體，而信息金融（Info Finance）則進一步用金融激勵與技術創新重新定義數據價值。AO 的后稀缺性計算架構和 AI 代理推動了預測市場的智能化和普及化，為未來信息金融領域創造新范式。

預測市場玩到極致，是新聞發布會？在剛結束的美國大選中，Polymarket 憑借其市場驅動的數據，成功預測特朗普勝率高于傳統民調，迅速吸引了大眾和媒體的關注。人們逐漸意識到，Polymarket 早已不僅是金融工具，更是信息場中的“平衡器”，用市場的智慧去驗證轟動性新聞的真偽。

當 Polymarket 成為熱點時，Vitalik 提出了一個全新的概念——信息金融（Info Finance）。這種結合金融激勵與信息的工具，能顛覆社交媒體、科學研究和治理模式，為提升決策效率開辟全新方向。隨著 AI 和區塊鏈的推進，信息金融也正邁向一個新的轉折點。

面對信息金融這個野心勃勃的新興領域，Web3 的技術與理念，已經準備好迎接了嗎？本文將以預測市場為切入點，探索信息金融的核心理念、技術支撐及未來可能性。

信息金融：用金融工具獲取和利用信息

信息金融的核心是用金融工具來獲取和利用信息，以提高決策效率和準確性。預測市場就是一個典型的例子，通過將問題與金融激勵掛鉤，這些市場激勵了參與者的準確性和責任感，為尋求真相的用戶提供了清晰的預測。

作為一種精妙的市場設計，信息金融可以引導參與者為特定的事實或判斷做出反應，應用場景還涵蓋了去中心化治理、科學審查等多個領域。同時，AI 的出現將進一步降低門檻，使得微觀決策也可以在市場中有效運行，推動了信息金融的普及。

Vitalik 特別提到，當前十年成為擴展信息金融的最佳時機。可擴展的區塊鏈為信息金融提供了安全、透明和可信的平臺支持，而 AI 的引入提升了信息獲取效率，使信息金融能夠處理更精細的問題。信息金融不僅突破了傳統預測市場的限制，還展現了挖掘多領域潛力的能力。

然而，隨著信息金融的擴展，其復雜性和規模正急劇增加。市場需要處理海量數據，并進行實時決策和交易，對高效、安全的計算能力提出了嚴峻挑戰。同時，AI 技術的快速發展催生了更多創新模型，加劇了計算需求。在此背景下，一個安全可行的后稀缺性計算系統，成為信息金融持續發展不可或缺的基礎。

當今格局，孰算后稀缺性計算系統

“后稀缺性計算系統”目前缺乏統一定義，但其核心目標是突破傳統計算資源的限制，實現低成本、廣泛可得的計算能力。通過去中心化、資源豐富化和高效協作，這類系統支持大規模、靈活的計算任務執行，使計算資源趨近“非稀缺”。在這一架構中，計算能力擺脫單點依賴，用戶能夠自由低成本地訪問和共享資源，推動普惠計算的普及和可持續發展。

在區塊鏈的語境下，后稀缺性計算系統的關鍵特征包括去中心化、資源充裕、低成本、高度可擴展性。

公鏈的高性能競賽

當前，各大公鏈正激烈競爭性能，以滿足日益復雜的應用需求。縱觀當下公鏈生態格局，發展趨勢正在從傳統的單線程模式轉向多線程并行計算模式。

傳統高性能公鏈：

Solana：?自設計之初，Solana 就采用并行計算架構，實現了高吞吐量和低延遲。其獨特的 Proof of History（PoH）共識機制使其能夠每秒處理數千筆交易。

Polygon 和 BSC： 這兩者積極開發并行 EVM 方案，以提升交易處理能力。例如，Polygon 引入了 zkEVM，以實現更高效的交易驗證。

新興并行公鏈：

Aptos、Sui、Sei 和 Monad：?這些新興公鏈通過優化數據存儲效率或改進共識算法，專為高性能而設計。例如，Aptos 采用 Block-STM 技術，實現并行交易處理。

Artela ：Artela 提出 EVM++ 概念，通過原生擴展（Aspect）在 WebAssembly 運行時實現高性能定制應用。借助并行執行和彈性區塊空間設計，Artela 有效解決 EVM 性能瓶頸，大幅提升吞吐量和擴展性。

性能競賽如火如荼，孰優孰劣尚難定論。然而，在這場激烈角逐中，還有 AO 為代表的另辟蹊徑的方案。AO 并非獨立的公鏈，而是基于 Arweave 的計算層，通過獨特的技術架構實現并行處理能力和可擴展性。AO 絕對也是向后稀缺性計算系統邁進的有力競爭者，有望助力信息金融的大規模落地。

承載信息金融，AO 的構建藍圖

AO 是一種運行在 Arweave 網絡上的 Actor Oriented（基于角色的）計算機，提供統一的計算環境和開放的消息傳遞層。它通過分布式、模塊化的技術架構，為信息金融大規模應用和傳統計算環境融合提供了可能性。

AO 的架構組成簡潔而高效，核心組件包括：

進程（Process）是 AO 網絡中的基本計算單位，通過消息（Messenge）傳遞實現交互；

調度單元（SUs）負責消息的排序與存儲；

計算單元（CUs）承擔狀態計算任務；

信使單元（MUs）負責消息的傳遞和廣播。

模塊間的解耦設計賦予 AO 系統卓越的擴展性與靈活性，使其能夠適應不同規模與復雜度的應用場景。因此，AO 系統具備以下核心優勢：

高吞吐量和低延遲的計算能力：AO 平臺的并行進程設計和高效的消息傳遞機制，使其能夠支持每秒處理數百萬級別的交易。這種高吞吐能力對于支持全球性的信息金融網絡至關重要。同時，AO 的低延遲通信特性，能夠保證交易和數據更新的即時性，為用戶帶來流暢的操作體驗。

無限擴展性與模塊化設計：AO 平臺采用模塊化架構，通過將虛擬機、調度器、消息傳遞和計算單元解耦，實現了極高的擴展性。無論是數據吞吐量的增長還是新的應用場景接入，AO 都能夠快速適配。這種擴展能力不僅突破了傳統區塊鏈的性能瓶頸，還為開發者提供了構建復雜信息金融應用的靈活環境。

支持大規模計算和 AI 集成：AO 平臺已經支持 WebAssembly 64 位架構，能夠運行大多數完整的大型語言模型（LLM），如 Meta 的 Llama 3，為 AI 與 Web3 的深度融合提供了技術基礎。AI 會成為信息金融的重要推動力，涉及智能合約優化、市場分析、風險預測等應用，而 AO 平臺的大規模計算能力使其能夠高效支持這些需求。同時，通過 WeaveDrive 技術接入無限存儲的 Arweave，AO 平臺為訓練和部署復雜的機器學習模型提供了獨特優勢。

AO 憑借其高吞吐量、低延遲、無限擴展性和 AI 集成能力，成為信息金融的理想承載平臺。從實時交易到動態分析，AO 為大規模計算與復雜金融模型的實現提供了卓越支持，為推動信息金融的普及與創新鋪平了道路。

信息金融的未來：AI 驅動的預測市場

信息金融下一代預測市場，應該具備什么色彩？鑒往知來，傳統預測市場長期面臨三大主要痛點：市場誠信不足、門檻過高、普及受限。即便如 PolyMarket 這樣的 Web3 明星項目，也未能完全規避這些挑戰。例如，曾因以太坊 ETF 的預測事件的挑戰期過短或 UMA 投票權過于集中，被質疑可能存在操縱風險。此外，其流動性集中于熱門領域，長尾市場參與度較低。再加上部分國家（英國、美國）用戶因監管限制受限，進一步阻礙了預測市場的普及。

信息金融的未來發展需要新一代應用的引領。AO 卓越的性能條件為這類創新提供了沃土，其中以 Outcome 為代表的預測市場平臺正成為信息金融實驗的新焦點。

Outcome 目前已初具產品雛形，支持基礎的投票與社交功能。它真正的潛力在于未來與 AI 深度結合，利用 AI 代理建立無信任的市場結算機制，并且允許用戶自主創建和使用預測代理。通過為大眾提供一個透明、高效、低門檻的預測工具，才可能進一步推動預測市場的大規模普及。

以 Outcome 為例，基于 AO 構建的預測市場都可以具備以下核心特質：

無信任市場決議：Outcome 的核心在于自主代理（Autonomous Agents）。這些代理由 AI 驅動，基于預設規則與算法獨立運作，確保市場決議過程的透明與公正。由于無人為干預，這種機制最大程度降低了操縱風險，為用戶提供可信的預測結果。

基于 AI 的預測代理：Outcome 平臺允許用戶創建并使用 AI 驅動的預測代理。這些代理能夠整合多種 AI 模型和豐富的數據源，進行精準分析與預測。用戶可以根據自身需求與策略，定制個性化預測代理，并在各類市場主題中參與預測活動。這種靈活性顯著提升了預測的效率與適用性。

代幣化激勵機制：Outcome 引入創新的經濟模式，用戶通過參與市場預測、訂閱代理服務和交易數據源，獲得代幣獎勵。這一機制不僅增強了用戶的參與動力，還為平臺生態系統的良性發展提供了支持。

AI 驅動的預測市場工作流

Outcome 通過引入 AI 模型實現半自動化、或全自動代理模式的設計，可以為廣泛構建在 Arweave 與 AO 上的信息金融應用提供了創新思路。大致遵循以下工作流架構：

1. 數據存儲

實時事件數據（Real-time Event Data）：平臺通過實時數據源（如新聞、社交媒體、預言機等）采集與事件相關的信息，并存儲于 Arweave，確保數據的透明性和不可篡改性。

歷史事件數據（Historical Event Data）：保存過去的事件數據和市場行為記錄，提供數據支持用于建模、驗證和分析，形成可持續優化的閉環。

2. 數據處理與分析

LLM（大語言模型）：LLM 是數據處理和智能分析的核心模塊（就是一個 AO 進程），負責對從 Arweave 存儲的實時事件數據和歷史數據進行深度處理，提取事件相關的關鍵信息，為后續模塊（如情緒分析、概率計算）提供高質量的輸入。

事件情緒分析（Event Sentiment Analysis）：分析用戶和市場對事件的態度（積極/中立/消極），為概率計算和風險管理提供參考。

事件概率計算（Event Probability Calculation）：基于情緒分析結果和歷史數據，動態計算事件發生的概率，幫助市場參與者作出決策。

風險管理（Risk Management）：識別和控制市場中的潛在風險，如防止市場操縱、異常下注行為等，確保市場健康運行。

3. 預測執行與驗證

交易代理（Trading Agent）：AI 驅動的交易代理負責根據分析結果自動執行預測和下注，無需用戶手動干預。

結果驗證（Outcome Verification）：系統通過預言機等機制驗證事件的實際結果，并將驗證數據存儲到 Historical Event Data 模塊，確保了結果的透明性和公信力。此外，歷史數據還可以為后續預測提供參考，從而形成一個持續優化的閉環系統。

這種工作流通過 AI 驅動的智能預測和去中心化的驗證機制，實現了高效、透明且無信任的預測代理應用，降低了用戶參與門檻并優化了市場運行。依托于 AO 的技術架構，這一模式可能引領信息金融向智能化和普及化發展，成為下一代經濟創新的核心原型。

總結

未來屬于那些善于從紛雜的信息中提煉真相的人。信息金融正在以 AI 的智慧和區塊鏈的信任重新定義數據的價值與使用方式。從 AO 的后稀缺性架構到 Outcome 的智能代理，這種結合讓預測市場不再只是對概率的計算，而是決策科學的重新探索。AI 不僅可以降低參與門檻，也讓海量數據的處理和動態分析成為可能，為信息金融開辟了全新的路徑。

正如艾倫·圖靈所言，計算帶來效率，而智慧則啟發可能。與 AI 共舞，信息金融有望將復雜的世界變得更加清晰，并推動社會在效率與信任之間找到新的平衡。

參考材料：

1. https://ao.arweave.net/#/read

2. https://x.com/outcome_gg/status/1791063353969770604

3. https://www.chaincatcher.com/article/2146805

4. https://en.wikipedia.org/wiki/Post-scarcity