a16z: Phải làm gì khi dự đoán thị trường thất bại?

Tác giả: Andy Hall, Cố vấn Nghiên cứu tại a16z và Giáo sư Kinh tế Chính trị tại Đại học Stanford; Nguồn: a16z crypto; Biên soạn bởi: Shaw Jinse Finance

Năm ngoái, thị trường dự đoán kết quả bầu cử tổng thống Venezuela đã chứng kiến ​​giao dịch vượt quá 6 triệu đô la. Tuy nhiên, sau khi kiểm phiếu, thị trường phải đối mặt với một tình thế khó xử: chính phủ tuyên bố Nicolás Maduro là người chiến thắng; phe đối lập và các quan sát viên quốc tế cáo buộc gian lận bầu cử. Liệu việc thanh toán các hợp đồng thị trường dự đoán nên dựa trên "thông tin chính thức" (chiến thắng của Maduro) hay "sự đồng thuận của các báo cáo đáng tin cậy" (chiến thắng của phe đối lập)?

Trong cuộc bầu cử Venezuela, các quan sát viên đã đưa ra nhiều cáo buộc khác nhau: các quy tắc đã bị bỏ qua, tiền của người tham gia đã bị "đánh cắp"; Cơ chế giải quyết tranh chấp đóng vai trò "thẩm phán, bồi thẩm đoàn và đao phủ" trong một vở kịch chính trị đầy rủi ro; và chính quá trình bầu cử đã bị "thao túng nghiêm trọng". Đây không phải là một sự cố riêng lẻ, mà là một trong những nút thắt cổ chai lớn nhất trong việc mở rộng quy mô thị trường dự đoán: sự thể hiện của việc thanh toán hợp đồng. Rủi ro rất cao. Nếu kết quả được dự đoán chính xác, mọi người sẽ tin tưởng vào thị trường của bạn và sẵn sàng giao dịch trên đó, và giá cả sẽ trở thành một tín hiệu có ý nghĩa đối với xã hội. Nếu kết quả bị dự đoán sai, việc giao dịch trở nên khó khăn và khó đoán. Người tham gia có thể rời đi, rủi ro thanh khoản giảm sút, và giá cả không còn phản ánh chính xác các dự đoán về các mục tiêu ổn định. Thay vào đó, giá cả bắt đầu phản ánh một sự pha trộn mơ hồ giữa xác suất thực tế của kết quả và niềm tin của các nhà giao dịch về cách thức mà cơ chế xác định kết quả bị bóp méo sẽ chi phối. Mặc dù tranh chấp Venezuela đã thu hút sự chú ý đáng kể, nhưng những lỗi tương tự đã xảy ra trên nhiều nền tảng khác nhau: Sự cố thao túng bản đồ Ukraine cho thấy các bên đối địch có thể trực tiếp thao túng các cơ chế giải quyết tranh chấp. Một hợp đồng liên quan đến kiểm soát lãnh thổ quy định rằng kết quả sẽ được xác định dựa trên một bản đồ trực tuyến cụ thể. Có cáo buộc cho rằng ai đó đã can thiệp vào bản đồ để tác động đến kết quả hợp đồng. Khi cơ sở thực tế của bạn có thể bị thay đổi, thị trường của bạn có thể bị thao túng. Các hợp đồng giao dịch liên quan đến việc chính phủ đóng cửa cho thấy rằng các tiêu chí thanh toán có thể không chính xác, thậm chí dẫn đến kết quả khó lường. Các quy tắc thanh toán quy định rằng thị trường sẽ được thanh toán dựa trên ngày kết thúc việc chính phủ đóng cửa được hiển thị trên trang web của Văn phòng Quản lý Nhân sự (OPM). Tổng thống Trump đã ký dự luật phân bổ ngân sách vào ngày 12 tháng 11, nhưng vì những lý do không rõ, trang web của OPM đã không được cập nhật cho đến ngày 13 tháng 11. Các nhà giao dịch dự đoán chính xác việc đóng cửa sẽ kết thúc vào ngày 12 đã thua cược do sự chậm trễ cập nhật của quản trị viên trang web. Thị trường về việc ông Zelensky mặc vest đã gây ra lo ngại về xung đột lợi ích. Hợp đồng hỏi Tổng thống Ukraine Zelensky liệu ông có mặc vest trong một dịp cụ thể hay không - một câu hỏi tưởng chừng như không đáng kể - nhưng đã thu hút hơn 200 triệu đô la tiền đặt cược. Khi ông Zelensky xuất hiện tại hội nghị thượng đỉnh NATO trong bộ vest được BBC, New York Post và các phương tiện truyền thông khác mô tả, thị trường ban đầu đã trả lời "có". Tuy nhiên, những người nắm giữ token của Giao thức Truy cập Thị trường Toàn cầu (UMA Protocol) đã phản đối kết quả, cuối cùng thay đổi thành "không". Trong bài viết này, tôi sẽ khám phá cách kết hợp khéo léo giữa Mô hình Ngôn ngữ Lớn (LLM) và mật mã học có thể giúp chúng ta tạo ra các giải pháp thị trường dự đoán quy mô lớn khó bị thao túng, đồng thời duy trì độ chính xác, tính minh bạch hoàn toàn và tính trung lập đáng tin cậy. Đây không chỉ là vấn đề của thị trường dự đoán. Những tình huống khó xử tương tự cũng đang gây khó khăn cho thị trường tài chính. Hiệp hội Hoán đổi và Phái sinh Quốc tế (ISDA) đã phải vật lộn trong nhiều năm để giải quyết những thách thức thanh lý của thị trường hoán đổi rủi ro tín dụng (một loại hợp đồng trả tiền bồi thường trong trường hợp công ty hoặc quốc gia vỡ nợ), và báo cáo đánh giá năm 2024 của họ đã thẳng thắn chỉ ra những khó khăn này. Ủy ban quyết định của ISDA, bao gồm các bên tham gia thị trường chính, bỏ phiếu về việc liệu một sự kiện tín dụng có xảy ra hay không. Tuy nhiên, giống như quy trình của UMA, nó bị chỉ trích vì thiếu minh bạch, xung đột lợi ích tiềm tàng và kết quả không nhất quán. Vấn đề cơ bản vẫn không thay đổi: khi số tiền lớn phụ thuộc vào việc xác định xem một tình huống mơ hồ có xảy ra hay không, mọi cơ chế giải quyết đều trở thành mục tiêu bị lợi dụng, và mọi sự mơ hồ đều có thể trở thành tác nhân tiềm tàng. Vậy, một cơ chế giải quyết tốt nên như thế nào? Đặc điểm của một giải pháp tốt Bất kỳ giải pháp khả thi nào cũng cần đạt được đồng thời một số đặc điểm chính. **Khả năng chống thao túng:** Nếu các đối thủ có thể ảnh hưởng đến kết quả bằng cách chỉnh sửa Wikipedia, lan truyền tin giả, hối lộ chính quyền hoặc lợi dụng các kẽ hở, thị trường sẽ trở thành một trò chơi thao túng, chứ không phải dự đoán. **Độ chính xác hợp lý:** Cơ chế phải đưa ra phán đoán chính xác trong hầu hết các trường hợp. Độ chính xác tuyệt đối là không thể trong một thế giới thực sự mơ hồ, nhưng các lỗi hệ thống hoặc sai sót rõ ràng sẽ làm tổn hại nghiêm trọng đến uy tín. **Tính minh bạch trước đó là rất quan trọng:** Các nhà giao dịch cần hiểu rõ hoàn toàn cách thức hoạt động của cơ chế thanh toán trước khi đặt cược. Việc thay đổi quy tắc trong quá trình giao dịch vi phạm thỏa thuận cơ bản giữa nền tảng và người tham gia. **Tính trung lập đáng tin cậy:** Người tham gia cần tin tưởng rằng cơ chế không ưu tiên bất kỳ nhà giao dịch hoặc kết quả cụ thể nào. Đây là lý do tại sao việc cho phép những người tham gia nắm giữ số lượng lớn hợp đồng UMA tự giải quyết các hợp đồng mà họ đã đặt cược lại gây ra nhiều vấn đề: ngay cả khi họ hành động công bằng, sự xuất hiện của xung đột lợi ích cũng làm suy yếu lòng tin. Các ủy ban do con người điều hành có thể đáp ứng được một số đặc điểm này, nhưng lại thiếu sót ở những đặc điểm khác—đặc biệt là ở quy mô lớn, gặp khó khăn trong việc chống lại sự thao túng và duy trì tính trung lập đáng tin cậy. Các hệ thống bỏ phiếu dựa trên token như UMA cũng gặp phải vấn đề thống trị của "cá voi" và xung đột lợi ích đã được biết đến rộng rãi. Đây là lúc trí tuệ nhân tạo (AI) phát huy tác dụng. Lý do sử dụng Mô hình Ngôn ngữ Lớn (LLM) để phán xét: Trong không gian thị trường dự đoán, một đề xuất đang được chú ý: sử dụng Mô hình Ngôn ngữ Lớn (LLM) làm người phán xét, khóa các mô hình và gợi ý cụ thể vào blockchain khi các hợp đồng được tạo. Kiến trúc cơ bản hoạt động như sau: Khi một hợp đồng được tạo, nhà tạo lập thị trường không chỉ chỉ định các tiêu chí giải quyết bằng ngôn ngữ tự nhiên, mà còn cả LLM chính xác (được xác định bằng phiên bản mô hình có dấu thời gian) và các gợi ý chính xác được sử dụng để xác định kết quả. Sau đó, thông số kỹ thuật này được ghi mã hóa vào blockchain. Khi bắt đầu giao dịch, người tham gia có thể xem toàn bộ cơ chế thanh toán—họ biết chính xác mô hình AI nào sẽ quyết định kết quả, nó sẽ nhận được những gợi ý nào và có thể truy cập những nguồn thông tin nào. Nếu họ không thích phương thức giao dịch này, họ sẽ không giao dịch. Trong quá trình thanh toán, mô hình LLM đã cam kết sẽ chạy theo các gợi ý đã cam kết, truy cập tất cả các nguồn thông tin được chỉ định và đưa ra phán quyết. Phán quyết này sẽ xác định ai sẽ nhận được tiền bồi thường. Cách tiếp cận này giải quyết đồng thời một số hạn chế chính: Mô hình LLM có khả năng chống thao túng cao (mặc dù không hoàn toàn). Không giống như các trang Wikipedia hoặc các trang web tin tức nhỏ, đầu ra của mô hình LLM không thể dễ dàng chỉnh sửa. Trọng số của mô hình được xác định tại thời điểm tạo ra mô hình. Để thao túng kết quả, kẻ thù sẽ cần phải làm hỏng các nguồn thông tin mà mô hình dựa vào hoặc làm ô nhiễm dữ liệu huấn luyện của mô hình theo một cách nào đó từ rất sớm—cả hai đều tốn kém và cực kỳ rủi ro so với việc hối lộ các nhà tiên tri hoặc can thiệp vào bản đồ. Độ chính xác cao. Với sự phát triển nhanh chóng của các mô hình suy luận, có khả năng xử lý nhiều nhiệm vụ phức tạp, đặc biệt là những nhiệm vụ có thể duyệt web và tìm kiếm thông tin mới, các mô hình LLM sẽ có thể giải quyết chính xác nhiều vấn đề thị trường — các thử nghiệm để hiểu độ chính xác của chúng vẫn đang được tiến hành. Tính minh bạch hoàn toàn. Toàn bộ cơ chế thanh toán đều mở, minh bạch và có thể kiểm toán trước khi bất kỳ ai đặt cược. Không có thay đổi quy tắc nào trong suốt cuộc thi, không có phán quyết tùy tiện và không có thỏa thuận ngầm. Bạn hoàn toàn nhận thức được những gì mình đang tham gia. Điều này làm tăng đáng kể độ tin cậy và tính trung lập. Mô hình LLM không có lợi ích kinh tế nào trong kết quả, không bị mua chuộc và không nắm giữ token UMA. Bất kỳ sự thiên vị nào của nó, dù là gì đi nữa, đều xuất phát từ chính mô hình, chứ không phải từ các quyết định tùy tiện của các bên liên quan. Tất nhiên, các phán đoán của mô hình LLM cũng có một số hạn chế, mà tôi sẽ nêu ra và thảo luận bên dưới: Mô hình cũng có thể mắc lỗi. Ví dụ, LLM có thể hiểu sai các báo cáo tin tức, bịa đặt sự thật hoặc áp dụng các tiêu chí đánh giá không nhất quán. Tuy nhiên, miễn là các nhà giao dịch hiểu rõ mô hình mà họ đang sử dụng, họ có thể tính đến những thiếu sót của nó. Nếu một mô hình có thiên kiến ​​nhất định trong việc xử lý các trường hợp mơ hồ, các nhà giao dịch giàu kinh nghiệm sẽ điều chỉnh nó. Mô hình không cần phải hoàn hảo, nhưng nó phải có thể dự đoán được. Thao túng không phải là không thể, chỉ là khó khăn hơn nhiều. Nếu lời nhắc chỉ định một nguồn tin cụ thể, kẻ tấn công có thể cố gắng chèn các báo cáo vào các nguồn đó. Cuộc tấn công này tốn kém đối với các tổ chức truyền thông lớn nhưng có thể hiệu quả đối với các tổ chức nhỏ hơn—về cơ bản là một hình thức khác của việc can thiệp vào bản đồ. Thiết kế của lời nhắc rất quan trọng: một cơ chế phân tích cú pháp dựa trên các nguồn thông tin đa dạng, dư thừa sẽ mạnh mẽ hơn so với một cơ chế dựa vào một điểm lỗi duy nhất. Về lý thuyết, các cuộc tấn công đầu độc là có thể xảy ra. Một kẻ thù có đủ nguồn lực có thể cố gắng tác động đến dữ liệu huấn luyện của mô hình LLM, từ đó ảnh hưởng đến các phán đoán trong tương lai của nó. Nhưng điều này đòi hỏi hành động rất lâu trước khi hợp đồng được tạo ra, với lợi nhuận không chắc chắn và chi phí cao—khó khăn hơn nhiều so với việc hối lộ các thành viên ủy ban. Sự gia tăng của các mô hình LLM có thể gây ra các vấn đề phối hợp. Thanh khoản trở nên phân mảnh nếu các bên tham gia thị trường khác nhau chọn các mô hình LLM và lời khuyên giao dịch khác nhau. Các nhà giao dịch gặp khó khăn trong việc so sánh các hợp đồng hoặc tổng hợp thông tin trên các thị trường. Tiêu chuẩn hóa rất quan trọng, nhưng việc cho phép thị trường tự khám phá ra những sự kết hợp giữa LLM và các mẹo giao dịch nào hoạt động tốt nhất cũng quan trọng không kém. Cách tiếp cận đúng đắn có thể là sự cân bằng: cho phép thử nghiệm, nhưng cũng thiết lập các cơ chế cho phép thị trường dần dần và nhất quán áp dụng các cài đặt mặc định đã được kiểm chứng theo thời gian. Làm thế nào các nhà phát triển có thể áp dụng những chiến lược này? Nói tóm lại, các giải pháp dựa trên AI về cơ bản thay thế các vấn đề trước đây (thiên kiến ​​của con người, xung đột lợi ích, bất đối xứng thông tin) bằng một tập hợp các vấn đề khác (hạn chế của mô hình, thách thức kỹ thuật, lỗ hổng nguồn thông tin), có thể dễ giải quyết hơn. Vậy làm thế nào để chúng ta tiến lên? Các nền tảng nên: Thiết lập hồ sơ theo dõi bằng cách thử nghiệm các cơ chế LLM trên các hợp đồng rủi ro thấp. Mô hình nào hoạt động tốt nhất? Cấu trúc gợi ý nào mạnh mẽ nhất? Những chế độ lỗi nào xảy ra trong thực tế? Tiêu chuẩn hóa. Khi các thực tiễn tốt nhất xuất hiện, ngành công nghiệp nên hướng tới việc phát triển các sự kết hợp LLM-gợi ý được tiêu chuẩn hóa làm tùy chọn mặc định. Điều này không phải để cản trở sự đổi mới, mà là để giúp tập trung thanh khoản vào các thị trường dễ hiểu. Xây dựng các công cụ minh bạch, chẳng hạn như giao diện cho phép các nhà giao dịch xem toàn bộ cơ chế thanh toán (bao gồm mô hình, gợi ý và nguồn thông tin) trước khi giao dịch. Các cơ chế giải quyết tranh chấp không nên bị che giấu trong những chi tiết không đáng chú ý. Quản trị liên tục. Ngay cả với sự phán đoán của AI, con người vẫn cần đưa ra các quyết định ở cấp độ siêu cấp: nên tin tưởng mô hình nào, làm thế nào để xử lý các tình huống mà mô hình đưa ra câu trả lời rõ ràng là không chính xác, và khi nào cần cập nhật cài đặt mặc định. Mục tiêu không phải là loại bỏ hoàn toàn con người, mà là hướng dẫn họ từ những phán đoán tùy tiện, từng trường hợp cụ thể sang việc xây dựng quy tắc mang tính hệ thống. Thị trường dự đoán sở hữu tiềm năng to lớn giúp chúng ta hiểu được sự phức tạp của thế giới. Tuy nhiên, tiềm năng này phụ thuộc vào lòng tin, mà lòng tin lại phụ thuộc vào các cơ chế giải quyết hợp đồng công bằng. Chúng ta đã chứng kiến ​​hậu quả của các cơ chế giải quyết thất bại: hỗn loạn, giận dữ và sự bỏ đi của các nhà giao dịch. Cá nhân tôi đã chứng kiến ​​nhiều người hoàn toàn từ bỏ thị trường dự đoán sau khi cảm thấy bị lừa dối vì kết quả cá cược của họ dường như mâu thuẫn với ý định ban đầu – họ thề sẽ không bao giờ sử dụng lại các nền tảng ưa thích trước đây nữa. Điều này chắc chắn đã bỏ lỡ một cơ hội vàng để giải phóng tiềm năng của thị trường dự đoán và mở rộng các ứng dụng rộng rãi hơn của chúng. Các mô hình LLM không hoàn hảo. Nhưng khi kết hợp với mật mã học, chúng có thể đạt được tính minh bạch, tính trung lập và khả năng chống lại sự thao túng vốn là vấn nạn của các hệ thống dựa trên con người. Đây có thể chính xác là những gì chúng ta cần hiện nay khi thị trường dự đoán đang mở rộng nhanh hơn nhiều so với các cơ chế quản trị.