DAO的計算治理

DAO作為一個新興的技術和組織形態,有潛力改變整個社會。

背景介紹

DAO作為一個新興的技術和組織形態,有潛力改變整個社會。截至2021年3月,DAO生態系統管理資產已經達到9.3億美元,並且其中還不包含使用DAO的組織形式或者使用獨立DAO框架的加密協議。現在,它已經成為加密領域不可或缺的治理結構。

但是,目前對於DAO的研究主要關注在治理框架的定義和治理現狀的研究上,主要以理論探討和案例分析為主,這些研究雖然有用,但是還不夠支撐DAO的快速發展。 DAO作為一個複雜的社會實踐,需要背後的理論框架來支撐。以多智能體建模為代表的複雜系統研究,自提出以來,發展迅速,已經在經濟學、政治學、社會學和生態學領域應用廣泛。複雜系統科學的目的是對系統一般屬性的理解和探討,“複雜系統“也沒有精確的定義,一般認為是由多個相互作用的部分組成的整體,而整體的行為超過了個體行為的總和,達到了一加一大於二的效果。 DAO是典型的具有社會復雜性和工程複雜特性的複雜系統,而基於多智能體系統的計算機輔助研究方法已經在復雜系統領域應用多年, 因此本文嘗試探討如何利用多智能體模擬的方法來進行DAO治理機制的研究。

研究問題

早在20世紀90年代,西方學者就已經將多智能體應用於復雜系統的研究當中,並發展出多樣的多智能體平台和設計語言。依據複雜系統的研究思路,可以藉助計算機從以下三個方面對DAO進行研究:

  1. DAO中的湧現。 DAO是由組織成員之間相互協作組成的新型組織,其個體之間的協作關係如何表現為DAO的整體組織形態,可以認為是DAO這個複雜系統的一個湧現現象。

  2. DAO的臨界點和相變。 DAO的硬分叉屬於DAO組織的一次系統狀態的巨大改變,可以看作是複雜系統的一種相變。相變之後會產生新的穩定狀態,也就是說,可以通過研究DAO系統的臨界狀態來觀察導致DAO分叉的因素。

  3. DAO的多智能體建模。由於真實的DAO系統的複雜性,將其完全地還原和仿真是難以做到的。依據複雜系統的研究思路,可以通過將重要的特徵抽象,以計算機模擬的形式來仿真DAO系統,以觀察和研究其中的湧現、相變和臨界狀態。

另一方面,依據DAO治理研究的內容及其研究目的,計算機輔助系統又可以用於進行以下三個方面的研究:

  1. 治理機制的可行性驗證。

    治理機制的設計是一個同時具有社會復雜性和工程複雜性的任務,設計過程中很難預估其在實際系統是否有效。

    例如,GnosisDAO的futarchy機制,由於其提案成本問題,在第三輪投票以後被逐漸棄用。

    借助於計算機輔助模擬,可以在機制投入實際環境前對其可行性進行驗證,並不斷迭代反饋改進機制的設計。

  2. 極端場景下的計算實驗。

    由於DAO生態天然的複雜性,項目的可重複疊加、治理代幣之間的繁雜嵌套關係,使得DAO的複雜度遠超傳統組織。

    而在極端場景下,DAO的治理機制能否按照預定的軌跡運行,則關係著DAO的穩定性及魯棒性。

    使用多智能體系統,可以對治理機制在極端環境下的反應進行研究。

  3. 治理風險的檢測及其損失的預估。

    DAO治理機制的設計過程中極易引入邏輯漏洞,例如2021年7月13日,以太坊和幣安智能鏈上的借貸協議DeFiPie由於邏輯漏洞而遭受黑客攻擊,造成了PIE代幣在24小時內跌幅約66%。

這種漏洞一般很難在設計早期發現,而一旦投入應用後被發現將會造成巨大損失。

研究方法

基於計算機輔助的方法進行DAO的研究,可以選擇傳統複雜系統的建模工具,例如Netlogo、AnyLogic和Jade等。這類建模工具在復雜系統的研究中已經被大量使用,但是這類建模工具用於DAO的研究中還存在以下問題:

  1. 將實際系統作為唯一真實係統,人工構建的系統作為該系統的仿真。這種建模方式對於研究複雜系統的演化規律、發現系統的臨界狀態、研究複雜系統的相變誘因等是一個有效的方法,但是對於從零開始構建一個機制來講並不合適。對於設計一個治理機制來說,更重要的是從眾多可能的結果中選擇最優解,因此需要將不同的人工系統視為等價,並從中選擇演化路徑最優的系統進行研究。

  2. 仿真實驗的交互方式效率低下,無法快速迭代機制的更新。通常,利用仿真實驗進行機制更新要遵循從模型到實際系統再到運行數據再到改進後的模型的循環過程。其中,其過程需要耗費大量的精力,而且未經過充分驗證的機制在實際環境中使用也存在風險。

Aletheia是基於數字仿真構建的DAO治理工具,能有效解決去中心化治理系統中機制的建模、實驗與決策相關問題。其基本思想是通過形式化地描述去中心化治理系統的靜態特徵與動態特徵來構建人工治理系統,並與實際治理系統虛實交互與閉環反饋。 Aletheia通過搭建聚集各類通用治理機制的治理規則庫,以及基於鏈上數據挖掘分析出的智能體行為規則庫,並配套進行計算實驗的實驗平台,從而為實現治理系統與虛擬治理系統的雙向引導和協同演化提供一體化工具。

在Aletheia中,實際運行的系統機制及運行數據將被用來構建一個仿真治理系統,同時構建的還有與該仿真係統平行運行的多個人工系統。不同的人工系統將會代表著不同的參數配置、機制改進、計算實驗等,而仿真係統則可以代表真實係統的演化。

無論是採用哪種方式對DAO進行建模,通常都需要分為四個步驟:智能體建模、實際系統建模、計算實驗構建、人工數據分析。

3.1 智能體建模

智能體(Agent) 一般是指一個具有自主活動的物理或者抽象的實體,它能感知到自己所處的環境,並能夠通過自身所具備的能力,對環境作出相應的反應。智能體從簡單到復雜通常可以分為三個層次:

  1. 被動智能體或“無目標智能體”(如任何簡單模擬中的障礙物、蘋果或密鑰)

  2. 具有簡單目標的智能體(如植物中的鳥類,捕食者- 捕食者模型中的狼- 羊)

  3. 認知智能體

在DAO的建模中使用的一般屬於第二類智能體,這類智能體擁有對環境的感知能力(環境通常由一組變量來表示),並可以根據環境作出反應。例如,在Futarchy的模擬實驗中使用的零策略智能體,就是一個簡單的二類智能體,它可以依據市場中資產的價格以及隨機生成的期望價格來決定是否購買某一資產。而依據其構建方式不同,智能體又可以分為:

  1. 基於反射的智能體:忽略歷史,相應基於事件-條件-行為的規則;

  2. 基於模型的智能體:依然是基於事件-條件-行為的規則,但是對環境應有更深刻的理解。一般都會將環境以面向對象的方式編程到模型的規則中。

  3. 基於目標的智能體:這類模型擴展了基於模型的智能體,將目標信息及理想情況也編寫到規則邏輯中。

  4. 基於效應函數的智能體:這類智能體擁有一個效應函數,並基於最大化效應函數的方式採取行動。

  5. 學習智能體:這類智能體具備學習能力,並可以隨著事件不斷學習與周圍環境的交互規則。

但是,無論採用哪種構建方式,一個智能體至少應該包含以下2個組成部分:

  1. 感知器。

    智能體通過感知器來獲得環境信息。

  2. 決策模塊。

    決策模塊用來決定智能體如何根據當前的環境信息作出行為。

3.2 實際系統建模

對實際系統的建模根據研究的治理機制及建模方法,可能會多種多樣。通常,系統可以看作是一個離散動態系統,系統中的所有狀態都可以由一組狀態變量表示,如DAO中的提案數量、智能體投票狀態等。而對於DAO來說,一個治理系統一般會包含提案、審核、投票、執行、爭議、仲裁幾個過程的一個或多個。每個模塊,每個過程都可以看作是輸入和輸出都是提案,並且持有一組狀態變量的模塊。

通常,對於實際系統的建模部分會採用UML統一建模語言進行構建,並在代碼中編寫每個模塊的運行邏輯。而Aletheia則採用數據和邏輯分開管理的方法,所有系統數據以及智能體數據都以知識圖譜的方式統一存儲在圖數據庫中,而代碼只負責業務邏輯,這樣的好處有三個:

  1. 數據和邏輯分開,數據統一存在在同一個圖譜中,易於管理和遷移。

  2. 採用圖譜的方式描述虛擬系統,更加直觀和易於理解。

  3. 可以隨時捕捉的整個虛擬系統的狀態,易於分析和擴展。

3.3 計算實驗構建

在實際系統仿真的基礎上構建的一個或多個人工系統,每個人工系統都是對原機制的一次探索與嘗試。這種設計的核心優勢在於可以藉助數字孿生和計算實驗,快速對治理機制進行迭代更新、實驗與評估等。人工系統的構建方式多種多樣,大體上可以分為兩大類:

  1. 通過算法自主演化的方式構建人工系統。

    基於遺傳算法,網格搜索等算法等,自主地構建人工系統,依據損失函數對人工系統進行篩選,並與原仿真係統協同演化,最終獲得治理機制的改進的靈感以及治理機制的優缺點的洞察。

  2. 通過設置參數、修改機制等方式手工構建人工系統。

    這種方式用於對治理機制的驗證、壓力測試以及風險監測。

3.4 人工數據分析

人工系統運行過程中會產生大量的人工數據,這些數據雖然並不是真實世界產生的數據,卻是對數據進行全方位測試,可以更好地設計和研究治理機制。

結論

我們腦海中都有一個對現實世界的建模,我們的日常行為其實都是該模型在現實世界中的應用。因此,本文從復雜系統的角度出發,探索如何使用計算機模擬的方式來進行DAO的治理研究。

展開全文打開碳鏈價值APP 查看更多精彩資訊

Total
0
Shares
Related Posts