如何利用DAO建立一個具有集體智慧和可持續激勵機制的知識數據庫

原文作者:   Eric Zhang

翻譯者:[email protected]

審核者:DAOctor @DAOrayaki.org

原文:   Web3 Collaborative Intelligence – Knowledge Trees, Knowledge Forest, and Community Contributions

原標題:《Web3協同智能——知識樹、知識森林和社區貢獻》

特別感謝 Zeo、DAOctor、Zhengyu、Christina 的貢獻、審閱和反饋。

構建知識結構數據庫和更好地可視化知識是推進計算機科學、人工智能和Web的重要任務。在加密貨幣和去中心化應用世界出現之前,舊的 Web 3.0 研究主要集中在構建知識庫和知識圖譜,以及基於這些結構的表示/推理(語義Web)。

建立知識庫有兩種通用方法。一種方法是從 Web 以及其他數據源獲取數據,然後將它們組織到所需的知識數據庫中(主要是“三元組”或“圖”的巨大集合,然後執行“高階邏輯”或機器學習推理結構和其他智能任務的技術)。另一種方法是依靠人類智能來協作建立數據庫(例如,我們將在後面更詳細討論的 Wikipedia、ConceptNet 或 Citizen Science 項目)。

本文將首先回顧過去幾十年的一些相關創新,然後討論我們如何才能向前邁進,建立一個具有集體智慧和可持續激勵機制的高水平知識數據庫。

知識庫、知識圖譜和維基百科

很長一段時間以來,人們對創建知識圖譜很感興趣,主要有兩個原因:

  1. 連接人類創造的所有信息和知識的點,
  2. 並且在知識圖譜上執行推理和機器學習技術以產生更好的人工智能,並使用該系統改善 Web2 產品的用戶體驗。

現在,很明顯有用的知識圖譜大多是作為 Web2 中大型公司的基礎工具創建的。例如,Facebook 知識圖譜有助於更好的社交網絡搜索,谷歌知識圖譜有助於呈現相關信息。由於一切都是閉源的,我們不知道知識圖譜是如何構建的,但從 UI 來看,這些知識圖譜肯定有助於改善用戶體驗。

維基百科社區的努力是驚人的。這是展示互聯網社區力量的首次嘗試之一。另一方面,開放數據庫可作為互聯網公共產品使用。一個例子是 DBpedia,它是一個為想要利用 Wikipedia 知識庫的應用程序提供 API 的數據庫。另一個例子是 ConceptNet,這是一個免費提供的語義網絡,可幫助 AI 和 NLP 程序獲取通用語義。

然而,這些互聯網公益組織能做多少,有一些根本性的限制。維基百科每年都依賴捐贈,它在一個 501(c)3 組織內運作,很難在其上施加更先進的激勵機制並基於知識網絡構建更酷的基礎設施。DBpedia 和 ConceptNet 等也是如此。作為非營利組織,這些公益組織很難深入建立一個不斷構建基礎設施並最終形成生態系統的社區。我在大學時使用 DBpedia 的 API 構建了一個 Wikipedia 圖形可視化和搜索工具。然而,當時加入一個充滿活力的社區要困難得多。現在在加密社區,情況大不相同了,有好主意的開發者可以參與更多的活動,組隊並得到多鏈生態系統的支持。

但是,我不建議建立另一個 Wikipedia(又名 DAO-ify Wikipedia,或“Web3 Wikipedia”),因為儘管當前的非營利組織模式存在局限性,但 Wikipedia 網站的內容和結構都得到了很好的策劃和組織,人們已經在很大程度上受益於它的成果。總的來說,Wikipedia 擅長存儲知識的描述,並且通過 Web1 和 Web2 基礎設施,我們已經使知識可搜索。維基百科和現有的網絡基礎設施不擅長的是呈現“人類理解”的知識——人腦中的結構性知識。為了呈現這些信息,人的策展和人的協作是核心,這在 Web1/Web2 基礎設施中並不能很好地支持,但是通過 Web3 基礎設施和協調機制將可以實現

**值得注意的是,人們努力建立海量結構數據庫以增強機器對知識的理解。例如,像 Cyc 這樣的公司幾十年來一直在嘗試建立一個常識知識庫來幫助機器模仿人類的大腦。這些公司最終將自己變成了商業軟件公司,因為強大的人工智能顯然需要的不僅僅是節點和關係的知識庫。與為機器建立結構性知識庫相比,人類對知識的理解和人類管理在這裡很重要——建立人類理解的知識庫以幫助更多的人理解。

另一方面,值得思考的是,如何將更高層次的語義添加到當前的 Web of Knowledge 中,也就是我們在本文中描述的結構性知識。

公民科學和志願計算

我想提到的另一個探索分支是公民科學和志願計算。在 2010 年代初期,科學界有許多令人興奮的項目,它們利用人群的智慧來加速研究和科學發現的進展。這種努力一般有兩種類型。第一種稱為志願計算,它將計算任務分配給一群個人計算設備(例如 LHC@Home、SETI@Home)。第二種類型稱為公民科學,它創造了每個人都可以執行的重複性任務(這裡不是一個貶義詞!)。該項目從眾多貢獻者那裡收集數據(有時是分析結果),並將它們輸入到一些研究項目中以創建有意義的結果(例如,在 Citizen Cyberlab、SciStarter 或機器學習社區中列出的項目,標記圖片以豐富訓練數據可以是眾包)。在不發明“DAO”這個詞的情況下將這些努力想象成“DAO”,去中心化社區的協調方面並不是什麼新鮮事!

許多項目取得了成功,但不幸的是,這些項目的可持續性再次受到限制。SETI@Home 不再運營,許多公民科學項目本可以持續更長時間但沒有持續下去。激勵和生態系統對任何協作努力來說都是很重要的兩個方面。沒有生態系統,創新就會受到限制。沒有可持續的激勵機制,就沒有充滿活力的社區,也就永遠不會出現生態系統。

複雜概念和知識的結構

現在讓我們考慮一下高級概念和知識是什麼樣的。從直覺上看,當我們“理解”某個概念時,實際上我們理解了這個概念的相當多的細節。我們可以通過兩種方式來思考“理解”的過程:

1. 通過樹狀結構理解

當我們試圖“理解”某事,或者說“學習”某事時,我們會將其分解為樹形結構。例如,如果我們想理解“Merkle 樹”這樣的概念,就必須理解“密碼哈希函數”和“樹數據結構”這樣的子概念,這就需要我們進一步理解“哈希函數”、“抗碰撞性”等這樣的基本概念。

樹分解得越深,概念就越原始。在某一時刻,Web 上會有一些非常直接的資源可以直接引用(例如,維基百科頁面或一些文章/視頻)。

如何利用DAO建立一個具有集體智慧和可持續激勵機制的知識數據庫

將概念“分解”為樹形結構

我們可以從舊時的 AI 中找到一些類似的想法。K 線理論表明我們的記憶和知識存儲在樹結構中(P 節點和 K 節點)。雖然缺乏實際證據表明這種結構確實存在於我們的大腦中,但該模型具有解釋人類記憶和人類大腦如何工作的能力,而樹狀結構確實是存儲結構知識的最簡潔形式。

我們可以使用樹結構來存儲和理解兩個方向——分解和建立。

如果我們想檢索細節,我們分解一個知識樹。另一方面,如果我們有一個知識樹,我們可以使用這棵樹來構建更大的樹(也就是知識和理解的更高抽象)。

如何利用DAO建立一個具有集體智慧和可持續激勵機制的知識數據庫

使用概念_2“建立”概念_1

在“構建”的情況下,可以使用“Merkle 樹”樹作為節點來構建更複雜的知識樹,例如“Verkle 樹”或“Merkle 多重證明”。

值得注意的是,這裡的關鍵點是樹的結構。知識樹從根概念到葉子,指向所有對現有 Web 資源的必要引用。節點之間的關係在這裡並不重要(與知識圖譜系統中的“三重”思想不同)。

2.通過“相關知識”理解

我們還通過添加更多“上下文”來獲得對知識的更深入理解。正如Weigenstain的名言,“但‘五’這個詞是什麼意思?這裡沒有這樣的問題,只有“五”這個詞是如何使用的”。它背後的想法是,某事物的意義實際上取決於與之相關的其他概念,它們共同決定某事物的意義。通過添加更多上下文(也就是知識本身的相關知識),我們可以更“深入”地理解知識。

一般來說,人們更容易理解樹,而不是圖。與其構建知識圖譜,不如把“相關知識”想成更實用的方式——一組根節點相連的知識樹,本質上形成了一個知識森林。

知識森林可以構建為許多知識樹的數據庫(并行種植)。我們可以對數據庫執行兩種基本操作。

  1. 在不同的樹之間建立聯繫。當我們可視化知識樹時,它將很有用。
  2. 知識樹的特徵可以構造為某個向量空間中的向量。然後可以使用向量來關聯在概念上相關但不通過 (1) 直接鏈接的知識樹。
如何利用DAO建立一個具有集體智慧和可持續激勵機制的知識數據庫

測量知識樹之間的關係

關於理解的深度

一般來說,人們對同一個概念有不同程度的理解。對於一些人來說,Merkle樹的概念很簡單,不需要進一步分解(他們的大腦已經將這個概念封裝成一些常識),而另一些人沒有足夠的信息來理解“Merkle樹”的概念,可能需要一個進一步細分。

因此,知識樹不必相互排斥,這意味着不同樹之間可能存在重疊。可能有解釋基本概念的樹,以及為高級概念構建的樹。

重疊可能會在樹之間產生冗餘。為了減少冗餘,我們可以引入以下操作:

  1. 跨樹引用(虛線鏈接) – 創建一個鏈接,將節點從一棵樹連接到另一棵樹的根。
  2. 合併 – 兩棵樹的節點下可能已經有子樹,如果基本樹還沒有覆蓋到一些有價值的節點、葉子和參考,那麼可能值得將來自更高級樹的信息合併到更基本的樹。
如何利用DAO建立一個具有集體智慧和可持續激勵機制的知識數據庫

跨樹參考鏈接

如何利用DAO建立一個具有集體智慧和可持續激勵機制的知識數據庫

將兩棵樹合併為一棵

知識樹和元操作

單個知識樹由一個根、一組子節點和一組葉子組成,組織成一個樹結構。然後我們可以定義一組基本操作來創建和細化一棵樹。

  1. 創建根(樹)
  2. 添加子節點
  3. 向節點添加葉子
  4. 將參考鏈接添加到葉子

然後我們可以為實際用戶定義一系列高級操作來“種植”一棵樹並為一棵樹做出貢獻。

  1. 添加子樹 – 為具有完整節點和葉子的知識樹引入必要的子節點
  2. 合併兩個相同概念的樹

知識森林

種下大量的知識樹,我們就有了知識森林!

知識森林是一大群一起種植的知識樹。關於知識森林的一個有趣事實是,樹木之間可能存在糾纏。理論上,不同節點和葉子之間的連接可以是任意的(例如,一棵樹的葉子和另一棵樹的根之間的鏈接)。實際上,如果我們添加虛線鏈接,知識森林“有點”就變成了知識圖譜。但是,重要的是個人知識樹。

例如,虛線表示 MACI 樹和 zk-Snark 樹之間的鏈接。

知識樹的葉子連接到網絡上現有的文章/視頻/資源。因此,這些葉子之上的層是結構信息或理解層。

我們可以用知識森林做的事情是完全開放的。我們應該考慮的最重要的事情可能是從一開始就協作知識庫的生態系統。我們可能想要對知識森林做很多事情,這裡舉三個例子:

  1. 可視化知識樹和知識森林
  2. 通過虛線鏈接瀏覽知識森林
  3. 查找知識樹集群

建立一個 DAO,而不是一個非營利組織

非營利組織可以讓事情發生,但 DAO 可以讓事情變得更好。這裡的想法是將一組樹操作映射到一組激勵。元操作越標準化,DAO 協調其成員的可擴展性就越高。

如何利用DAO建立一個具有集體智慧和可持續激勵機制的知識數據庫

知識樹操作 <-> DAO 貢獻

在知識樹的情況下,DAO 的貢獻者可以創建一個根(等於“創建/種植一棵樹”),添加一個知識路徑(“養植樹”),並為樹葉添加參考鏈接。激勵機制創建了一套規則來獎勵那些採取可驗證的行動來規劃和種植知識樹的社區貢獻者。

同時,審查委員會(或審查團體)對於規劃和質量控制也很重要。DAO 的協調和激勵已經過廣泛的試驗(例如,DAOrayaki DAO),並且可以在這裡實現類似的結構。

知識森林與知識圖譜

當我們學習新概念並獲得知識時,樹更容易理解。對於任何特定的主題,人類很容易理解樹中的知識結構,因為樹中沒有循環,如果將樹的深度限制在一定水平,對人腦來說進行處理和記憶就容易多了。

此外,知識圖的表示在表示知識節點之間的模糊或模糊連接方面受到了限制(與常識知識表示相同的問題)。

這並不意味着知識樹總是比知識圖更好。在講故事方面,知識圖比知識樹(例如,所有希臘神話的圖)更有用。實際上有很多現有的工具(1 2)來構建知識圖譜,但令我驚訝的是,它們中的大多數正在成為 SaaS 公司。

一個致力於知識樹和知識森林的實際實現的 BUIDLers 團隊有很多細節——數據結構、產品設計、貢獻和激勵細節、UI 等等。儘管如此,如果要建立一個知識森林,我覺得總的來說它應該作為一種公共產品來組織知識並向世界上的所有人開放。但是,讓我們看看 Dora 社區想出了什麼!

結論

這個想法是在現有的 Web 基礎設施(如維基百科等)之上建立一種新的知識庫,並使其可供所有人使用,從而最大限度地降低理解抽象知識的複雜性(通過像Web或維基百科這樣的知識圖進行路由可以複雜到O(nlog(n)),但是有n個節點的樹只有log(n)的深度,這使得導航更容易)。與 DAO 中的貢獻者協調,並使用先進的加密原生激勵措施來確保組織的可持續性。本文中的想法並不完整,還有很多討論和改進的空間,如果某個團隊想要將其變為現實,還有很多工程和產品問題需要考慮。

參考文獻

  1. 語義Web:https://en.wikipedia.org/wiki/Semantic_Web
  2. 三元組:https://conceptnet.io/
  3. 高階邏輯:https://en.wikipedia.org/wiki/Cyc
  4. ConceptNet:https://conceptnet.io/
  5. DBpedia:https://www.dbpedia.org/
  6. Wikipedia 圖形可視化和搜索工具:
  7. https://github.com/zhangjiannan/Graphpedia
  8. 多鏈生態系統:https://hackerlink.io/grant/dora-factory/top
  9. Cyc:https://en.wikipedia.org/wiki/Cyc
  10. 志願計算:https://en.wikipedia.org/wiki/Volunteer_computing
  11. LHC@Home:https://lhcathome.cern.ch/lhcathome/
  12. SETI@Home:https://setiathome.berkeley.edu/
  13. Citizen Cyberlab:https://www.citizencyberlab.org/projects/
  14. SciStarter:https://scistarter.org/
  15. 知識圖譜構建工具1:https://obsidian.md/
  16. 知識圖譜構建工具2:https://www.ideaflow.io/

DAOrayaki DAO研究獎金池:

資助地址:  DAOrayaki.eth

投票進展:DAO Committee 2/0 通 過

賞金總量:130USDC

研究種類:Web3, Knowledge Trees, Knowledge Forest,Community Contributions

本文鏈接:https://www.8btc.com/article/6732528

轉載請註明文章出處

(0)
上一篇 2022-03-01 20:11
下一篇 2022-03-01 21:10

相关推荐