เมื่อ DAO มีคนไม่ลงคะแนนถึง 90% วิธีแก้ของ Vitalik คือให้แต่ละคนมีผู้ช่วย AI 1 คน

วาทิลิก เสนอการใช้โมเดลภาษาใหญ่ส่วนตัวร่วมกับการพิสูจน์ความรู้ Zero-Knowledge เพื่อแก้ปัญหาความเฉื่อยของผู้ลงคะแนนและข้อมูลไม่สมดุลในกระบวนการบริหาร DAO
(เรื่องราวก่อนหน้า: วี神วาดเส้นแดง “ความเป็นกลางเป็นของโปรโตคอล, หลักการเป็นของมนุษย์” คุณไม่จำเป็นต้องเห็นด้วยก็สามารถใช้งานอีเทอเรียมได้อย่างอิสระ)
(ข้อมูลเสริม: วาทิลิกประกาศว่าจะเปลี่ยนสมาร์ทคอนแทรกต์ ETH เป็นภาษาใหม่ภายใน 5 ปี เพื่อสร้างอีเทอเรียมไซเบอร์พังก์ที่ไม่อัปลักษณ์)

สารบัญบทความ

Toggle

• สามจุดบกพร่องเชิงโครงสร้างของการบริหาร DAO
• วิธีแก้ของวาทิลิก: โมเดลภาษาใหญ่ส่วนตัว + คณิตศาสตร์เข้ารหัส
  • การบริหารแบบกระจายศูนย์ที่มีข้อมูลส่วนตัว
• AI คือเครื่องยนต์ มนุษย์คือพวงมาลัย

เมื่อคืนวาน วาทิลิก โพสต์อธิบายวิธีใช้เทคโนโลยีคณิตศาสตร์เข้ารหัส (ZK, MPC) ร่วมกับโมเดลภาษาใหญ่ เพื่อเติมเต็มข้อบกพร่องของการบริหารแบบประชาธิปไตย เขาเชื่อว่า แทนที่จะให้ AI ปกครองมนุษย์ ก็ให้ AI เป็นเลขาธิการดิจิทัลของแต่ละคน ช่วยกรองข้อมูลและเป็นตัวแทนเสียงของคุณ:

“AI กลายเป็นรัฐบาล” เป็นแนวคิดแบบดิสโทเปีย: เมื่อ AI อ่อนแอ มันจะนำไปสู่ความล้มเหลวของการบริหาร; แต่เมื่อ AI แข็งแกร่ง ก็เสี่ยงต่อการทำลายล้างสูงสุด แต่ถ้าใช้ให้ถูกวิธี AI สามารถเสริมพลังมนุษย์และผลักดันขอบเขตของรูปแบบการบริหารแบบประชาธิปไตย/กระจายศูนย์

สามจุดบกพร่องเชิงโครงสร้างของการบริหาร DAO

เรารู้ดีว่า แม้ DAO จะเป็นแนวคิดที่สวยงาม แต่ในทางปฏิบัติ กลับพบอุปสรรคมากมาย

ข้อแรกคือ ความเฉื่อยของผู้ลงคะแนน โดยเฉลี่ยแล้ว อัตราการลงคะแนนใน DAO อยู่ระหว่าง 17% ถึง 25% บาง proposal มีผู้เข้าร่วมไม่ถึง 10% ของเจ้าของโทเคน ซึ่งไม่ได้หมายความว่าผู้ถือโทเคนไม่สนใจ แต่เพราะ DAO ที่มีชีวิตชีวา อาจมี proposal หลายร้อยฉบับต่อปี แต่ละฉบับเกี่ยวข้องกับการอัปเกรดสมาร์ทคอนแทรกต์ การจัดสรรงบประมาณ การปรับพารามิเตอร์ ฯลฯ ซึ่งเป็นเรื่องเทคนิคสูง สำหรับผู้ถือโทเคนทั่วไป การอ่านและลงคะแนนทีละฉบับจึงใช้เวลามากเกินกว่ามูลค่าของโทเคนที่ถืออยู่

ข้อสองคือ การรวมศูนย์อำนาจ ตัวอย่างเช่น ผู้ลงคะแนน 10 อันดับแรกของ Compound ควบคุมสิทธิ์ลงคะแนน 57.86%; ของ Uniswap อยู่ที่ 44.72% ระบบการลงคะแนนด้วยน้ำหนักโทเคนจึงมีแนวโน้มไปทางผู้มีทุนมากขึ้น และความเฉื่อยของผู้ลงคะแนนก็ทำให้ความไม่สมดุลนี้รุนแรงขึ้น

ข้อสามคือ ข้อมูลไม่สมดุล ผู้ถือโทเคนส่วนใหญ่มักไม่มีเวลาหรือความเชี่ยวชาญพอที่จะประเมิน proposal ที่เกี่ยวข้องกับการออกแบบ oracle หรือพารามิเตอร์ของ liquidity pool

ผลลัพธ์คือ ความเฉื่อยเชิงเหตุผล การตัดสินใจโดยกลุ่มน้อย และช่องโหว่ที่ถูกโจมตีจากผู้ที่หวังจะใช้ประโยชน์จากการบริหาร

วิธีแก้ของวาทิลิก: โมเดลภาษาใหญ่ส่วนตัว + คณิตศาสตร์เข้ารหัส

วาทิลิกเสนอแนวทางแก้ปัญหาเป็นสามชั้น:

ชั้นแรกคือ ตัวแทนบริหารส่วนตัว แต่ละคนรันโมเดล AI ของตนเอง ให้มันสามารถวิเคราะห์จากงานเขียน การสนทนา ประวัติส่วนตัว และคำชี้แจงตรงๆ เพื่อสรุปความชอบส่วนตัวของคุณ กล่าวอีกนัยหนึ่ง มันคือที่ปรึกษาการบริหารส่วนตัวของคุณ ช่วยอ่าน proposal 300 ฉบับอย่างรวดเร็ว แล้วบอกคุณเป็นสามประโยคว่าอันไหนควรเข้าร่วม

ชั้นที่สองคือ กลไกการสนทนาของพลเมืองที่สนับสนุนด้วย AI ให้โมเดล AI ช่วยสรุปมุมมองของคุณ แปลงเป็นเนื้อหาที่สามารถเผยแพร่ได้ สร้างโครงสร้างการอภิปรายแบบ pol.is และ Community Notes เพื่อหาจุดร่วมในความเห็นต่าง ลดความขัดแย้ง

ชั้นที่สามคือ ตลาดทำนายผลที่ผนวก AI หากกลไกการบริหารให้ความสำคัญกับข้อมูลคุณภาพสูงทุกประเภท (อาจเป็น proposal หรือแม้แต่ข้อโต้แย้ง) ก็สามารถสร้างตลาดทำนายผลได้: ใครก็ได้สามารถส่งข้อมูลเข้าไป แล้ว AI จะให้เดิมพันด้วยโทเคนที่แทนข้อมูลนั้น หากกลไก “รับ” ข้อมูลนั้น ก็จะจ่าย $X ให้แก่เจ้าของโทเคน

การบริหารแบบกระจายศูนย์ที่มีข้อมูลส่วนตัว

วาทิลิกเขียนว่า หนึ่งในจุดอ่อนของการบริหารแบบกระจายศูนย์และประชาธิปไตยสูงสุด คือ เมื่อการตัดสินใจสำคัญต้องอาศัยข้อมูลลับ มันก็ไม่ค่อยทำงานดีเท่าไร ตัวอย่างเช่น:

• การเจรจาต่อรองในความขัดแย้งขององค์กร
• การไกล่เกลี่ยข้อพิพาทภายใน
• การตัดสินใจเรื่องค่าตอบแทนและการจัดสรรเงินทุน

ดังนั้น เขาจึงเสนอใช้ Zero-Knowledge Proof (ZKP) เพื่อยืนยันสิทธิ์ในการลงคะแนนโดยไม่เปิดเผยตัวตน; ใช้ Trusted Execution Environment (TEE) ให้โมเดล AI ส่วนตัวทำงานในกล่องดำ; และใช้ Multi-Party Computation (MPC) สำหรับการตัดสินใจบริหารที่เกี่ยวข้องกับข้อมูลลับ

ง่ายๆ ก็คือ โครงสร้างนี้ไม่ได้มีเป้าหมายเพื่อใช้ AI ลบความเป็นมนุษย์ออกจากการตัดสินใจ แต่เพื่อให้การตัดสินใจของมนุษย์มีคุณภาพมากขึ้น

AI คือเครื่องยนต์ มนุษย์คือพวงมาลัย

เปรียบเทียบของวาทิลิกว่า “AI เป็นเครื่องยนต์ มนุษย์คือพวงมาลัย” สวยงาม แต่ความหนักของพวงมาลัยขึ้นอยู่กับคนที่จับมัน ถ้าส่วนใหญ่ของเจ้าของโทเคน (90%) ส่งมอบพวงมาลัยให้กับโมเดล AI ของตนเอง และโมเดลเหล่านั้นใช้ข้อมูลฝึกเดียวกันและแนวคิดเดียวกัน การบริหารแบบกระจายศูนย์อาจกลายเป็นการรวมศูนย์ความเห็นของ AI ที่เหมือนกันหมด ซึ่งอาจมีประสิทธิภาพมากกว่าการลงคะแนนของมนุษย์ แต่ก็เสี่ยงต่อการถูกหลอกลวงแบบระบบเชิงโครงสร้าง

ความเป็นไปได้ของวิสัยทัศน์นี้ขึ้นอยู่กับสมมุติฐานพื้นฐานว่า มีคนกี่คนที่จะเต็มใจใช้เวลาในการฝึกและปรับแต่ง AI ตัวแทนของตนเองเพื่อให้การบริหารมีคุณภาพ ถ้าคำตอบคือ “เท่ากับจำนวนคนที่เต็มใจลงคะแนนในปัจจุบัน” ก็อาจเป็นไปได้ว่า การบริหารด้วยโมเดลภาษาใหญ่ของแต่ละคนสุดท้ายก็แค่เปลี่ยนจากกลุ่มคนรวย (whale) เป็นกลุ่ม AI ของกลุ่มคนรวยเท่านั้น

แต่สิ่งหนึ่งที่แน่คือ วาทิลิกตั้งคำถามถูกแล้วว่า จุดอ่อนของการบริหารแบบกระจายศูนย์ไม่ใช่ด้านเทคนิค แต่เป็นด้านความสนใจ ถ้า AI สามารถช่วยจัดสรรความสนใจ แทนที่จะมาแทนที่การตัดสินใจ นี่คือแนวทางที่ควรให้ความสนใจอย่างจริงจัง