a16z: ماذا تفعل عندما تفشل توقعات السوق؟

المؤلف: آندي هول، مستشار أبحاث في a16z وأستاذ الاقتصاد السياسي في جامعة ستانفورد؛ المصدر: a16z crypto؛ إعداد: شو جينس فاينانس

في العام الماضي، تجاوز حجم التداول في سوق التنبؤ بنتائج الانتخابات الرئاسية الفنزويلية 6 ملايين دولار. إلا أنه بعد فرز الأصوات، واجه السوق معضلة: فقد أعلنت الحكومة فوز نيكولاس مادورو، بينما ادعت المعارضة والمراقبون الدوليون تزوير الانتخابات.

هل ينبغي أن تستند تسوية عقود سوق التنبؤ إلى "المعلومات الرسمية" (فوز مادورو) أم إلى "إجماع التقارير الموثوقة" (فوز المعارضة)؟ في الانتخابات الفنزويلية، وجه المراقبون اتهامات عديدة: تجاهل القواعد، و"سرقة" أموال المشاركين، وتصرف آلية فض النزاعات كـ"قاضٍ وهيئة محلفين وجلاد" في مهزلة سياسية محفوفة بالمخاطر، و"تلاعب شديد" بالعملية الانتخابية نفسها. هذه ليست حادثة معزولة، بل هي إحدى أكبر العقبات التي تعترض سبيل توسيع نطاق أسواق التنبؤ: وهي كيفية تسوية العقود. المخاطر جسيمة. فإذا تم التنبؤ بالنتيجة بدقة، سيثق الناس في السوق وسيكونون على استعداد للتداول فيه، وستصبح الأسعار مؤشرًا ذا مغزى للمجتمع. أما إذا تم التنبؤ بالنتيجة بشكل خاطئ، فسيصبح التداول محبطًا وغير قابل للتنبؤ. وقد ينسحب المشاركون، وتواجه السيولة خطر النضوب، ولن تعكس الأسعار بعد ذلك تنبؤات دقيقة بأهداف مستقرة. بدلاً من ذلك، بدأت الأسعار تعكس مزيجاً غامضاً بين الاحتمالية الفعلية للنتيجة ومعتقدات المتداولين حول كيفية عمل آلية تحديد النتيجة المشوهة. وبينما حظي النزاع الفنزويلي باهتمام كبير، فقد حدثت أخطاء مماثلة على منصات مختلفة: تُظهر حادثة التلاعب بخريطة أوكرانيا أن الخصوم قادرون على التلاعب المباشر بآليات حل النزاعات. نصّ عقدٌ يتعلق بالسيطرة الإقليمية على أن تُحدد النتيجة بناءً على خريطة محددة على الإنترنت. يُزعم أن شخصاً ما تلاعب بالخريطة للتأثير على نتيجة العقد. عندما يكون من الممكن تغيير أساسك الواقعي، يُمكن التلاعب بسوقك. تُظهر عقود التداول المتعلقة بإغلاق الحكومة أن معايير التسوية قد تكون غير دقيقة، بل وتؤدي إلى نتائج لا يُمكن التنبؤ بها. نصّت قواعد التسوية على أن السوق سيُسوي بناءً على تاريخ انتهاء إغلاق الحكومة المُعلن على موقع مكتب إدارة شؤون الموظفين (OPM). وقّع الرئيس ترامب على قانون الاعتمادات في 12 نوفمبر، ولكن لأسباب غير معروفة، لم يتم تحديث موقع OPM الإلكتروني حتى 13 نوفمبر. خسر المتداولون الذين توقعوا بشكل صحيح انتهاء الإغلاق في الثاني عشر من الشهر رهاناتهم بسبب تأخر تحديث الموقع الإلكتروني. أثارت سوق الرهانات على ارتداء زيلينسكي بدلة مخاوف بشأن تضارب المصالح. فقد سأل العقد الرئيس الأوكراني زيلينسكي عما إذا كان سيرتدي بدلة في مناسبة معينة - وهو سؤال يبدو غير مهم - ومع ذلك اجتذب أكثر من 200 مليون دولار من الرهانات. عندما ظهر زيلينسكي في قمة الناتو بالبدلة التي وصفتها بي بي سي ونيويورك بوست ووسائل إعلام أخرى، أجابت السوق في البداية بـ"نعم". ومع ذلك، اعترض حاملو رموز بروتوكول الوصول الشامل للسوق (UMA Protocol) على النتيجة، وغيروها في النهاية إلى "لا". في هذه المقالة، أستكشف كيف يمكن للمزيج الذكي بين نماذج اللغة الكبيرة (LLMs) والتشفير أن يساعدنا في إنشاء حلول سوق تنبؤ واسعة النطاق يصعب التلاعب بها، مع الحفاظ على الدقة والشفافية الكاملة والحياد الموثوق. هذه ليست مشكلة سوق تنبؤات فحسب، بل إن معضلات مماثلة تعاني منها الأسواق المالية أيضًا. لطالما سعت الرابطة الدولية للمقايضات والمشتقات (ISDA) جاهدةً على مدى سنوات لمعالجة تحديات تصفية سوق مقايضات التخلف عن سداد الائتمان (وهو نوع من العقود التي تدفع تعويضات في حالة تخلف شركة أو دولة عن سداد ديونها)، وقد أشار تقرير تقييمها لعام 2024 بوضوح إلى هذه الصعوبات. وتقوم لجنة تحديد المخاطر التابعة للرابطة، والمؤلفة من كبار المشاركين في السوق، بالتصويت على ما إذا كان حدث ائتماني قد وقع. ومع ذلك، وكما هو الحال مع آلية اتحاد أسواق المشتقات (UMA)، فإنها تُنتقد لافتقارها إلى الشفافية، وتضارب المصالح المحتمل، ونتائجها غير المتسقة. وتبقى المشكلة الأساسية كما هي: عندما تعتمد مبالغ طائلة من المال على تحديد ما إذا كان قد حدث وضع غامض، فإن كل آلية حل تصبح هدفًا للاستغلال، وكل غموض يمكن أن يصبح شرارة محتملة. إذن، كيف ينبغي أن تبدو آلية الحل الجيدة؟ خصائص الحل الجيد: أي حل قابل للتطبيق يحتاج إلى تحقيق عدة خصائص رئيسية في آن واحد. **القدرة على مقاومة التلاعب:** إذا تمكن الخصوم من التأثير على النتائج عن طريق تعديل ويكيبيديا، أو نشر الأخبار الكاذبة، أو رشوة السلطات، أو استغلال الثغرات القانونية، فإن السوق يتحول إلى لعبة تلاعب لا تنبؤ. **دقة معقولة:** يجب أن تُصدر الآلية أحكامًا صحيحة في معظم الحالات. الدقة المطلقة مستحيلة في عالم يسوده الغموض الحقيقي، لكن الأخطاء المنهجية أو الأخطاء الواضحة تُلحق ضررًا بالغًا بالمصداقية. **الشفافية المسبقة أمر بالغ الأهمية:** يحتاج المتداولون إلى فهم كامل لكيفية عمل آلية التسوية قبل وضع رهاناتهم. تغيير القواعد أثناء التداول يُعد انتهاكًا للاتفاقية الأساسية بين المنصة والمشاركين. **حيادية موثوقة:** يحتاج المشاركون إلى الثقة في أن الآلية لا تُحابي أي متداول أو نتيجة معينة. لهذا السبب يُعد السماح للمشاركين الذين يمتلكون أعدادًا كبيرة من عقود UMA بتسوية العقود التي راهنوا عليها أمرًا إشكاليًا للغاية: فحتى لو تصرفوا بنزاهة، فإن ظهور تضارب المصالح يُقوّض الثقة. تستطيع اللجان البشرية تلبية بعض هذه الخصائص، لكنها تقصر في أخرى، لا سيما على نطاق واسع، حيث تواجه صعوبة في مقاومة التلاعب والحفاظ على حياد موثوق. كما تعاني أنظمة التصويت القائمة على الرموز، مثل UMA، من هيمنة الحيتان المعروفة وتضارب المصالح. وهنا يأتي دور الذكاء الاصطناعي. أما عن مبرر استخدام نماذج اللغة الكبيرة (LLMs) للحكم، ففي مجال سوق التنبؤ، يكتسب اقتراحٌ زخمًا متزايدًا: استخدام نماذج اللغة الكبيرة (LLMs) كحكام، مع تثبيت نماذج وتلميحات محددة في سلسلة الكتل عند إنشاء العقود. يعمل الهيكل الأساسي على النحو التالي: عند إنشاء عقد، لا يحدد صانع السوق معايير الحل باللغة الطبيعية فحسب، بل يحدد أيضًا نموذج اللغة الكبير (LLM) المحدد (المُعرَّف بإصدار النموذج المُؤرَّخ) والتلميحات الدقيقة المستخدمة لتحديد النتيجة. ثم تُكتب هذه المواصفات تشفيرًا في سلسلة الكتل. في بداية أي معاملة، يمكن للمشاركين الاطلاع على آلية التسوية كاملةً، حيث يعرفون بدقة أي نموذج ذكاء اصطناعي سيحدد النتيجة، وما هي التلميحات التي سيتلقاها، وما هي مصادر المعلومات التي يمكنه الوصول إليها. إذا لم تعجبهم طريقة التداول هذه، فلن يتداولوا. أثناء التسوية، يعمل نموذج LLM الملتزم وفقًا للتلميحات الملتزم بها، ويصل إلى جميع مصادر المعلومات المحددة، ويصدر حكمًا. يحدد هذا الحكم من سيحصل على التعويض. يعالج هذا النهج عدة قيود رئيسية في آن واحد: نماذج LLM مقاومة للغاية للتلاعب (وإن لم يكن بشكل مطلق). على عكس صفحات ويكيبيديا أو مواقع الأخبار الصغيرة، لا يمكن تعديل مخرجات نموذج LLM بسهولة. يتم تحديد أوزان النموذج عند إنشائه. للتلاعب بالنتائج، سيحتاج الخصم إما إلى إتلاف مصادر المعلومات التي يعتمد عليها النموذج أو تلويث بيانات تدريب النموذج بطريقة ما مسبقًا بوقت كافٍ، وكلاهما مكلف ومحفوف بالمخاطر للغاية مقارنةً برشوة جهات التنبؤ أو التلاعب بالخرائط. دقة عالية. مع التطور السريع لنماذج الاستدلال، القادرة على التعامل مع مجموعة واسعة من المهام المعقدة، لا سيما تلك التي تتصفح الإنترنت وتبحث عن معلومات جديدة، يُفترض أن تكون نماذج LLM قادرة على حل العديد من مشاكل السوق بدقة - ولا تزال التجارب جارية لفهم دقتها. الشفافية الكاملة: آلية التسوية بأكملها مفتوحة وشفافة وقابلة للتدقيق قبل أن يراهن أي شخص. لا توجد تغييرات في القواعد أثناء المسابقة، ولا أحكام تعسفية، ولا صفقات سرية. أنت على دراية كاملة بما تشارك فيه. هذا يعزز المصداقية والحيادية بشكل كبير. نموذج LLM ليس له مصلحة اقتصادية في النتيجة، ولا يتلقى رشاوى، ولا يمتلك رموز UMA. تحيزاته، أياً كانت، تنبع من النموذج نفسه، وليس من قرارات مخصصة من قبل أصحاب المصلحة. بالطبع، لأحكام نموذج LLM بعض القيود، والتي سأوضحها وأناقشها أدناه: يمكن للنماذج أيضاً أن ترتكب أخطاء. على سبيل المثال، قد يُسيء نموذج LLM تفسير التقارير الإخبارية، أو يختلق الحقائق، أو يطبق معايير الحكم بشكل غير متسق. مع ذلك، طالما أن المتداولين يفهمون النموذج الذي يستخدمونه، يمكنهم معالجة أوجه قصوره. فإذا كان النموذج متحيزًا في التعامل مع الحالات الغامضة، سيقوم المتداولون ذوو الخبرة بتعديله. لا يشترط أن يكون النموذج مثاليًا، لكن يجب أن يكون قابلاً للتنبؤ. التلاعب ليس مستحيلاً، ولكنه أكثر صعوبة. إذا حددت التعليمات مصدرًا إخباريًا معينًا، فقد يحاول المهاجم إدخال تقارير في تلك المصادر. هذا الهجوم مكلف للمؤسسات الإعلامية الكبيرة، ولكنه قد يكون فعالاً للمؤسسات الأصغر حجمًا، وهو في جوهره شكل آخر من أشكال التلاعب بالخرائط. تصميم التعليمات أمر بالغ الأهمية: فآلية التحليل التي تعتمد على مصادر معلومات متنوعة ومتكررة أكثر قوة من تلك التي تعتمد على نقطة فشل واحدة. من الناحية النظرية، هجمات التسميم ممكنة. يمكن لخصم يمتلك موارد كافية أن يحاول التأثير على بيانات تدريب نموذج LLM، وبالتالي التأثير على أحكامه المستقبلية. لكن هذا يتطلب إجراءً قبل وقت طويل من إنشاء العقد، مع عوائد غير مؤكدة وتكاليف باهظة، وهو أصعب بكثير من رشوة أعضاء اللجنة. يمكن أن يتسبب انتشار نماذج LLM في مشاكل في التنسيق. تتشتت السيولة إذا اختار المشاركون المختلفون في السوق نماذج إدارة السيولة (LLM) ونصائح تداول مختلفة. ويواجه المتداولون صعوبة في مقارنة العقود أو تجميع المعلومات عبر الأسواق. يُعدّ التوحيد القياسي مهمًا، ولكن السماح للسوق باكتشاف أفضل توليفات نماذج إدارة السيولة ونصائح التداول لا يقل أهمية. قد يكون النهج الأمثل هو تحقيق التوازن: السماح بالتجربة، مع وضع آليات تُمكّن السوق من اعتماد الإعدادات الافتراضية المُختبرة جيدًا تدريجيًا وبشكل متسق مع مرور الوقت. كيف يُمكن للمطورين تبني هذه الاستراتيجيات؟ باختصار، تُستبدل الحلول القائمة على الذكاء الاصطناعي المشكلات السابقة (التحيز البشري، تضارب المصالح، عدم تناسق المعلومات) بمجموعة مختلفة من المشكلات (قيود النموذج، التحديات الهندسية، ثغرات مصادر المعلومات)، والتي قد يكون حلها أسهل. فكيف نتقدم إذًا؟ ينبغي على المنصات: بناء سجل أداء من خلال اختبار آليات إدارة السيولة على عقود منخفضة المخاطر. ما هي النماذج الأفضل أداءً؟ ما هي هياكل التلميحات الأكثر متانة؟ ما هي أنماط الفشل التي تحدث عمليًا؟ التوحيد القياسي. مع ظهور أفضل الممارسات، ينبغي على القطاع العمل على تطوير توليفات موحدة من نماذج إدارة السيولة والتلميحات كخيار افتراضي. لا يهدف هذا إلى عرقلة الابتكار، بل إلى المساعدة في تركيز السيولة في أسواق يسهل فهمها. يجب تطوير أدوات الشفافية، مثل واجهات تُمكّن المتداولين من الاطلاع على آلية التسوية الكاملة (بما في ذلك النماذج والتلميحات ومصادر المعلومات) قبل التداول. ينبغي توضيح آليات التسوية بوضوح وعدم إخفائها في تفاصيل غير ظاهرة. يجب ضمان الحوكمة المستمرة. فحتى مع وجود الذكاء الاصطناعي، لا يزال على البشر اتخاذ قرارات على مستوى أعلى: أي النماذج جديرة بالثقة، وكيفية التعامل مع الحالات التي تُعطي فيها النماذج إجابات خاطئة بشكل واضح، ومتى يتم تحديث الإعدادات الافتراضية. الهدف ليس استبعاد البشر تمامًا، بل توجيههم من الأحكام الفردية إلى وضع قواعد منهجية. تمتلك أسواق التنبؤ إمكانات هائلة لمساعدتنا على فهم تعقيدات العالم. ومع ذلك، تعتمد هذه الإمكانات على الثقة، التي بدورها تعتمد على آليات عادلة لحل العقود. لقد شهدنا بالفعل عواقب فشل آليات الحل: الفوضى والغضب وهجرة المتداولين. لقد شهدتُ شخصيًا أشخاصًا يتخلون تمامًا عن أسواق التنبؤ بعد شعورهم بالغش لأن نتائج رهاناتهم بدت وكأنها تُناقض نواياهم الأولية - لقد تعهدوا بعدم استخدام منصاتهم المفضلة سابقًا مرة أخرى. هذا بلا شك يُفوّت فرصة ذهبية لإطلاق العنان لإمكانات أسواق التنبؤ وتوسيع نطاق تطبيقاتها. نماذج LLM ليست مثالية. ولكن عند دمجها مع التشفير، يمكنها تحقيق الشفافية والحياد ومقاومة التلاعب الذي يُعاني منه النظام البشري. قد يكون هذا هو ما نحتاجه بالضبط الآن، حيث تتوسع أسواق التنبؤ بوتيرة أسرع بكثير من آليات الحوكمة.