پیشن گوئی کی منڈیوں سے انفارمیشن فنانس تک

One of the Ethereum applications that has always excited me the most are prediction markets. I wrote about futarchy, a model of prediction-based governance conceived by Robin Hanson, in 2014. I was an active user and supporter of Augur back in 2015 (look, mommy, my name is in the Wikipedia article!). I earned $58,000 betting on the election in 2020. And this year, I have been a close supporter and follower of Polymarket.

To many people, prediction markets are about betting on elections, and betting on elections is gambling – nice if it helps people enjoy themselves, but fundamentally not more interesting than buying random coins on pump.fun. From this perspective, my interest in prediction markets may seem confusing. And so in this post I aim to explain what it is about the concept that excites me. In short, I believe that (i) پیشن گوئی کی مارکیٹیں آج بھی موجود ہیں دنیا کے لیے ایک بہت مفید ٹول ہیں۔, but furthermore (ii) پیشن گوئی کی مارکیٹیں ایک بہت بڑے ناقابل یقین حد تک طاقتور زمرے کی صرف ایک مثال ہیں۔سوشل میڈیا، سائنس، خبروں، گورننس اور دیگر شعبوں کے بہتر نفاذ کی صلاحیت کے ساتھ۔ میں اس زمرے کو لیبل کروں گا "معلومات فنانس“.

پولی مارکیٹ کے دو چہرے: شرکا کے لیے ایک بیٹنگ سائٹ، باقی سب کے لیے ایک نیوز سائٹ

In the past week, Polymarket has been a very effective source of information about the US election. Not only did Polymarket predict Trump would win with 60/40 odds while other sources predicted 50/50 (not too impressive by itself), it also showed other virtues: when the results were coming out, while many pundits and news sources kept stringing viewers along with hope of some kind of favorable news for Kamala, Polymarket showed the direct truth: Trump had a greater than 95% chance of victory, and a greater than 90% chance of seizing control of all branches of government at the same time.

 دو اسکرین شاٹس دونوں 3:40 AM EST، 6 نومبر کو لیے گئے۔But to me this is not even the best example of why Polymarket is interesting. So let us go to a different example: the elections in Venezuela in July. The day after the election happened, I remember seeing out of the corner of my eye something about people protesting a highly manipulated election result in Venezuela. At first, I thought nothing of it. I knew that Maduro was one of those “basically a dictator” figures already, and so I figured, یقینا he would fake every election outcome to keep himself in power, یقینا some people would protest, and یقینا the protest would fail – as, unfortunately, so many others do. But then I was scrolling Polymarket, and I saw this:

People were willing to put over a hundred thousand dollars on the line, betting that there is a 23% chance that یہ election would be the one where Maduro would actually get struck down. اب I was paying attention.

Of course, we know the unfortunate result of this situation. Ultimately, Maduro did stay in power. However, the markets clued me in to the fact that اس وقتمادورو کو ہٹانے کی کوشش سنگین تھی۔. There were huge protests, and the opposition played a surprisingly well-executed strategy to prove to the world just how fraudulent the elections were. Had I not received the initial signal from Polymarket that “this time, there is something to pay attention to”, I would not have even started paying that much attention.

You should never trust the charts entirely: if ہر کوئی trusts the charts, then anyone with money can manipulate the charts and no one will dare to bet against them. On the other hand, trusting the news entirely is also a bad idea. News has an incentive to be sensational, and play up the consequences of anything for clicks. Sometimes, this is justified, sometimes it’s not. If you see a sensational article, but then you go to the market and you see that probabilities on relevant events have not changed at all, it makes sense to be suspicious. Alternatively, if you see an unexpectedly high or low probability on the market, or an unexpectedly sudden change, that’s a signal to read through the news and see what might have caused it. Conclusion: you can be more informed by reading the news اور the charts, than by reading either one alone.

Let’s recap that’s going on here. اگر آپ شرط لگانے والے ہیں، تو آپ پولی مارکیٹ میں جمع کر سکتے ہیں، اور آپ کے لیے یہ شرط لگانے والی سائٹ ہے۔ اگر آپ شرط لگانے والے نہیں ہیں، تو آپ چارٹ پڑھ سکتے ہیں، اور آپ کے لیے یہ ایک نیوز سائٹ ہے۔. آپ کو کبھی بھی چارٹس پر مکمل بھروسہ نہیں کرنا چاہیے، لیکن میں نے ذاتی طور پر چارٹ پڑھنے کو اپنے معلومات اکٹھا کرنے کے ورک فلو میں ایک قدم کے طور پر شامل کر لیا ہے (روایتی میڈیا اور سوشل میڈیا کے ساتھ)، اور اس نے مجھے زیادہ مؤثر طریقے سے زیادہ باخبر ہونے میں مدد کی ہے۔

انفارمیشن فنانس، زیادہ وسیع پیمانے پر

Now, we get to the important part: انتخابات کی پیشن گوئی صرف پہلی ایپ ہے۔. The broader concept is that you can ناظرین کو قیمتی معلومات فراہم کرنے کے لیے ترغیبات کو ترتیب دینے کے لیے فنانس کا استعمال کریں۔. Now, one natural response is: کیا تمام مالیات بنیادی طور پر معلومات کے بارے میں نہیں ہیں؟ Different actors make different buy and sell decisions because of different opinions about what will happen in the future (in addition to personal needs like risk preferences and desire to hedge), and you can read market prices to infer a lot of knowledge about the world.

To me, info finance is that, but correct by construction. Similar to the concept of correct-by-construction in software engineering, info finance is a discipline where you (i) اس حقیقت سے شروع کریں جسے آپ جاننا چاہتے ہیں، اور پھر (ii) جان بوجھ کر مارکیٹ کو ڈیزائن کریں تاکہ مارکیٹ کے شرکاء سے اس معلومات کو بہتر طریقے سے حاصل کیا جا سکے۔.

انفارمیشن فنانس ایک سہ رخی مارکیٹ کے طور پر: شرط لگانے والے پیشین گوئیاں کرتے ہیں، قارئین پیشین گوئیاں پڑھتے ہیں۔ مارکیٹ عوام کی بھلائی کے طور پر مستقبل کے بارے میں پیشین گوئیاں کرتی ہے (کیونکہ اسے ایسا کرنے کے لیے ڈیزائن کیا گیا تھا)۔One example of this is پیشن گوئی مارکیٹوں: you want to know a specific fact that will take place in the future, and so you set up a market for people to bet on that fact. Another example is فیصلہ مارکیٹ: you want to know whether decision A or decision B will produce a better outcome according to some metric M. To achieve this, you set up مشروط بازار: آپ لوگوں سے شرط لگانے کو کہتے ہیں کہ (i) کون سا فیصلہ منتخب کیا جائے گا، (ii) اگر فیصلہ A کو منتخب کیا جائے تو M کی قدر، بصورت دیگر صفر، (iii) M کی قدر اگر فیصلہ B کا انتخاب کیا جائے، بصورت دیگر صفر۔ ان تین متغیرات کو دیکھتے ہوئے، آپ اندازہ لگا سکتے ہیں کہ آیا مارکیٹ کے خیال میں فیصلہ A یا فیصلہ B M کی قدر کے لیے زیادہ تیزی کا ہے۔

ایک ٹکنالوجی جس کی مجھے توقع ہے کہ اگلی دہائی میں انفارمیشن فنانس کو ٹربو چارج کرے گا وہ ہے AI (whether LLMs or some future technology). This is because many of the most interesting applications of info finance are on “micro” questions: millions of mini-markets for decisions that individually have relatively low consequence. In practice, markets with low volume often do not work effectively: it does not make sense for a sophisticated participant to spend the time to make a detailed analysis just for the sake of a few hundred dollars of profit, and many have even argued that without subsidies such markets won’t work at all because on all but the most large and sensational questions, there are not enough naive traders for sophisticated traders to take profit from. AI changes that equation completely, and means that we could potentially get reasonably high-quality info elicited even on markets with $10 of volume. Even if subsidies ہیں required, the size of the subsidy per question becomes extremely affordable.

آست انسانی فیصلے کے لیے معلومات فنانس

Suppose that you have a human judgement mechanism that you trust, and that has the legitimacy of a whole community trusting it, but which takes a long time and a high cost to make a judgement. However, you want access to at least an تقریبا نقل of that “costly mechanism” cheaply and in real time. Here is Robin Hanson’s idea for what you can do: every time you need to make a decision, you set up a prediction market on what outcome the costly mechanism کرے گا make on the decision if it was called. You let the prediction market run, and put in a small amount of money to subsidize market makers.

اس وقت کے 99.99%، آپ درحقیقت مہنگے میکانزم کو نہیں کہتے ہیں: شاید آپ "تجارت کو واپس کریں" اور سب کو وہ واپس دیں جو انہوں نے ڈالا، یا آپ صرف سب کو صفر دیتے ہیں، یا آپ دیکھتے ہیں کہ اوسط قیمت 0 کے قریب تھی۔ یا 1 اور اسے زمینی سچ سمجھیں۔ وقت کا 0.01% - شاید تصادفی طور پر، شاید سب سے زیادہ حجم والی مارکیٹوں کے لیے، شاید دونوں کا کچھ مجموعہ - آپ درحقیقت مہنگا طریقہ کار چلاتے ہیں، اور اس کی بنیاد پر شرکاء کو معاوضہ دیتے ہیں۔

This gives you a credibly neutral fast and cheap “distilled version” of your original highly trustworthy but highly costly mechanism (using the word “distilled” as an analogy to LLM distillation). Over time, this distilled mechanism roughly mirrors the original mechanism’s behavior – because only the participants that help it have that outcome make money, and the others lose money.

ممکنہ پیشن گوئی کی منڈیوں + کمیونٹی نوٹس کومبو کا مذاق۔

اس میں نہ صرف سوشل میڈیا بلکہ DAOs کے لیے بھی درخواستیں ہیں۔. DAOs کا ایک بڑا مسئلہ یہ ہے کہ فیصلوں کی اتنی بڑی تعداد ہے کہ زیادہ تر لوگ ان میں سے زیادہ تر میں حصہ لینے کے لیے تیار نہیں ہیں، جس کی وجہ سے یا تو وفد کا وسیع استعمال ہوتا ہے، اسی قسم کی مرکزیت اور پرنسپل ایجنٹ کی ناکامیوں کا خطرہ ہوتا ہے۔ نمائندہ جمہوریت میں دیکھیں، یا حملے کا خطرہ۔ ایک DAO جہاں حقیقی ووٹ بہت کم ہی ہوتے ہیں، اور زیادہ تر چیزوں کا فیصلہ پیشین گوئی کی منڈیوں کے ذریعے کیا جاتا ہے جس میں انسانوں اور AI ووٹوں کی پیشین گوئی کرتے ہیں، اچھی طرح کام کر سکتے ہیں۔

Just as we saw in the decision markets example, info finance contains many potential paths to solving important problems in decentralized governance. کلید مارکیٹ اور غیر منڈی کے درمیان توازن ہے: مارکیٹ "انجن" ہے، اور کچھ دیگر غیر مالیاتی قابل اعتماد طریقہ کار "اسٹیئرنگ وہیل" ہے۔.

انفارمیشن فنانس کے دیگر استعمال کے معاملات

- ذاتی ٹوکن – the genre of projects such as Bitclout (now deso), friend.tech and many others that create a token for each person and make it easy to speculate on these tokens – are a category that I would call “proto info-finance”. They are deliberately creating market prices for specific variables – namely, expectations of future prominence of a person – but the exact information being uncovered by the prices is too unspecific and subject to reflexivity and bubble dynamics. There is a possibility to create improved versions of such protocols, and use them to solve important problems like talent discovery, by being more careful about the economic design of a token, particularly where its ultimate value comes from. Robin Hanson’s idea of prestige futures is one possible end state here.

- ایڈورٹائزنگ – the ultimate “expensive but trustworthy signal” is whether or not you will buy a product. Info finance based off of that signal could be used to help people to identify what to buy.

- سائنسی ہم مرتبہ کا جائزہ - there is an ongoing “replication crisis” in science where famous results that have in some cases become part of folk wisdom end up not being reproduced at all by newer studies. We can try to identify results that need re-checking with a prediction market. Before the re-checking is done, such a market would also give readers a quick estimate of how much they should trust any specific result. Experiments of this idea have been done, and so far seem successful.

- عوامی سامان کی مالی اعانت – one of the main problems with public goods funding mechanisms used in Ethereum is the “popularity contest” nature of them. Each contributor needs to run their own marketing operation on social media in order to get recognized, and contributors who are not well-equipped to do this, or who have inherently more “background” roles, have a hard time getting significant amounts of money. An appealing solution to this is to try to track an entire انحصار گراف: for each positive outcome, which projects contributed how much to it, and then for each of those projects, which projects contributed how much to کہ, and so on. The main challenge in this kind of design is figuring out the weights of the edges in a way that is resistant to manipulation – after all, such manipulation happens all the time already. A distilled human judgement mechanism could potentially help.

نتائج

ان خیالات کے بارے میں ایک طویل عرصے سے نظریہ بنایا گیا ہے: پیشین گوئی کی منڈیوں اور یہاں تک کہ فیصلہ کرنے والی منڈیوں کے بارے میں ابتدائی تحریریں کئی دہائیوں پرانی ہیں، اور اسی طرح کی باتیں کہنے والا مالیاتی نظریہ اور بھی پرانا ہے۔ تاہم، میں بحث کروں گا کہ موجودہ دہائی کئی اہم وجوہات کی بنا پر ایک منفرد موقع پیش کرتی ہے:

- انفارمیشن فنانس اعتماد کے مسائل کو حل کرتا ہے جو لوگوں کو درحقیقت درپیش ہیں۔. اس دور کی ایک عام تشویش علم کی کمی (اور بدتر، اتفاق رائے کی کمی) ہے کہ سیاسی، سائنسی اور تجارتی سیاق و سباق میں کس پر اعتماد کیا جائے۔ انفارمیشن فنانس ایپلی کیشنز حل کا حصہ بننے میں مدد کر سکتی ہیں۔

- اب ہمارے پاس اسکیل ایبل بلاک چینز بطور سبسٹریٹ ہیں۔. ابھی حال ہی میں، فیس بہت زیادہ تھی کہ ان میں سے زیادہ تر خیالات کو حقیقت میں لاگو کیا جا سکے۔ اب، وہ زیادہ اونچے نہیں ہیں۔

- AIs بطور شرکاء. انفارمیشن فنانس کا کام کرنا نسبتاً مشکل ہے جب اسے ہر سوال پر حصہ لینے کے لیے انسانوں پر انحصار کرنا چاہیے۔ AIs اس صورت حال کو بہت بہتر بناتا ہے، یہاں تک کہ چھوٹے پیمانے کے سوالات پر بھی موثر مارکیٹوں کو قابل بناتا ہے۔ بہت سے بازاروں میں ممکنہ طور پر AI اور انسانی شرکاء کا مجموعہ ہو گا، خاص طور پر جب مخصوص سوالات کا حجم اچانک چھوٹے سے بڑے میں تبدیل ہو جاتا ہے۔

اس موقع سے بھرپور فائدہ اٹھانے کے لیے، یہ وقت ہے کہ صرف انتخابات کی پیشین گوئی سے آگے بڑھیں، اور باقی معلومات کو دریافت کریں کہ فنانس ہمیں کیا لا سکتا ہے۔

متعلقہ: ایتھریم فاؤنڈیشن کی 2024 کی رپورٹ کا ایک جائزہ: کتنا پیسہ اٹھایا جا رہا ہے اور کہاں خرچ کیا جا رہا ہے؟

Original title: Ethereum Foundation Report Original author: Ethereum Foundation Original translation: Odaily Planet Daily Husband How What is the Ethereum Foundation? The Ethereum Foundation (EF) is a non-profit organization that supports the Ethereum ecosystem and is part of a community of organizations, individuals, and companies that fund protocol development, grow the community, and promote Ethereum. EF is at the forefront of a new type of organization: supporting the blockchain ecosystem without controlling it. This makes everyone think every day about what kind of organization EF needs to be to support the long-term development of Ethereum. EF itself is divided into many individual teams and believes that small autonomous teams are the most efficient structure to get work done. New teams often grow organically by forking existing teams in response to…