© 2025 Kênh Chuỗi Khối Việt . All Rights Reserved.
Biên tập viên chú thích: Giá trị của thị trường dự đoán không phải ở việc "cược", mà ở việc liệu nó có thể liên tục tạo ra tín hiệu giá đáng tin cậy hay không. Nhưng với việc quy mô giao dịch mở rộng, một rào cản dễ bị bỏ qua nhưng lại cực kỳ nguy hiểm đang dần hé lộ: làm thế nào các hợp đồng được giải quyết. Từ việc không thể phân biệt được sự thật và giả dối trong bầu cử lớn ở Venezuela, đến sự rối ren và xung đột lợi ích do địa chỉ, cập nhật trang web và bỏ phiếu token mang lại, sự tranh cãi thường không đến từ dự đoán chính xác mà đến từ "ai sẽ phải quyết định".
Tác giả bài viết Andrew Hall (@ahall_research) đưa ra một cách tiếp cận táo bạo hơn: đưa một phiên bản cụ thể của mô hình lớn và các từ gợi ý vào chuỗi khối, biến AI thành một cơ chế trọng tài có thể kiểm tra và dễ dự đoán, thay vì cách chủ nghĩa con người và trò chơi. Nó không nhất thiết phải hoàn hảo, nhưng có lẽ là một rào cản mà thị trường dự đoán cần vượt qua để tăng quy mô.
Dưới đây là bản dịch của bài viết gốc:
Năm ngoái, kết quả bầu cử Tổng thống Venezuela đã mang lại hơn 6 triệu USD giao dịch hợp đồng trên thị trường dự đoán. Nhưng sau khi việc thống kê phiếu bầu hoàn tất, thị trường đã rơi vào tình thế hầu như không thể giải quyết: chính phủ tuyên bố Nicolás Maduro chiến thắng; trong khi phe đối lập và quan sát viên quốc tế cáo buộc có gian lận bầu cử. Vậy, việc giải quyết hợp đồng trên thị trường dự đoán liệu nên căn cứ vào "thông tin chính thống" (Maduro chiến thắng) hay dựa vào "sự đồng thuận của các báo cáo đáng tin cậy" (phe đối lập chiến thắng)?
Trong ví dụ về bầu cử Venezuela này, các cáo buộc của các nhà quan sát đa dạng: từ việc cho rằng quy tắc đã bị phớt lờ, các bên tham gia "bị lừa tiền", đến việc mô tả giao thức dành cho hợp đồng xử lý tranh chấp như là một "tòa án, ban giám khảo và thợ hành động" trong một trò chơi chính trị "nguy hiểm cấp cao"; và người khác trực tiếp gọi đó là "bị kiểm soát nặng".
Điều này không phải là một vụ việc lạ lẫm cô lập, mà đây là triệu chứng mà tôi nghĩ sẽ lặp lại trong quá trình thị trường dự đoán tăng quy mô, và có thể là một trong những rào cản lớn nhất: giải quyết hợp đồng.
Mức độ quan trọng ở đây là rất cao. Nếu giải quyết đúng, người ta sẽ tin tưởng vào thị trường của bạn, sẵn lòng giao dịch trong đó, và giá cả sẽ trở thành tín hiệu có ý nghĩa cho xã hội. Nếu giải quyết sai, trải nghiệm giao dịch sẽ trở nên thất vọng, không thể dự đoán. Người tham gia có thể dần dần rời bỏ, rủi ro cạn kiệt thanh khoản, và giá cả sẽ không còn phản ánh sự dự đoán chính xác về một "mục tiêu ổn định". Ngược lại, giá cả bắt đầu phản ánh một cái gì đó lẫn lộn: vừa chứa tỷ lệ sự thật xảy ra của sự kiện, vừa chứa dự đoán của người giao dịch về "cách thức mà cơ chế giải quyết bị bóp méo cuối cùng sẽ phán xét".
Mặc dù tranh cãi về Venezuela đã được nhiều người biết đến, nhưng trên mọi nền tảng, những thất bại ẩn dụ này thường xảy ra:
Sự kiện kiểm soát bản đồ Ukraine cho thấy, kẻ tấn công có thể trực tiếp "đùa bợn" với cơ chế thanh toán. Một hợp đồng về quyền kiểm soát lãnh thổ quy định rằng việc thanh toán sẽ dựa vào một bản đồ trực tuyến cụ thể. Một người đã bị cáo buộc chỉnh sửa bản đồ này để ảnh hưởng đến kết quả cuối cùng của hợp đồng. Khi "nguồn tin sự thật" chính có thể bị điều khiển, thì thị trường của bạn cũng có thể bị chi phối.
Sự kiện hợp đồng đình chỉ chính phủ cho thấy, nguồn thông tin thanh toán có thể dẫn đến kết quả không chính xác, ít nhất là không thể dự đoán. Hợp đồng này quy định rằng thị trường sẽ thanh toán dựa trên thời điểm "kết thúc đình chỉ" được hiển thị trên trang web của Cơ quan Quản lý Nhân sự Hoa Kỳ (OPM). Tổng thống Trump đã ký một dự luật tài trợ vào ngày 12 tháng 11, nhưng vì lí do nào đó, trang web của OPM không cập nhật cho đến ngày 13 tháng 11. Các nhà giao dịch đoán đúng rằng đình chỉ sẽ kết thúc vào ngày 12, nhưng cuối cùng họ lại thua vì sự trễ trang web.
Thị trường áo sơ mi của Zelensky đã gây ra lo ngại về mâu thuẫn lợi ích. Hợp đồng hỏi nếu Tổng thống Ukraine Zelensky sẽ mặc sơ mi trong một sự kiện cụ thể—một câu hỏi dường như nhỏ nhặt, nhưng đã thu hút hơn 2 tỷ đô la Mỹ cược. Khi Zelensky tham dự Hội nghị Đại minh tại NATO mặc trang phục được các phương tiện truyền thông như BBC, New York Post gọi là "áo sơ mi", thị trường ban đầu giải quyết là "có". Nhưng sau đó, các chủ sở hữu token UMA đã khiếu nại kết quả, và việc giải quyết đã bị đảo ngược thành "không".
Trong bài viết này, tôi sẽ thảo luận về việc kết hợp LLM (Large Language Model) với công nghệ mã hóa một cách thông minh có thể tạo ra một cách thanh toán thị trường dự đoán có thể mở rộng: nó khó bị chi phối và có thể đạt được độ chính xác, hoàn toàn minh bạch và trung lập đáng tin cậy.
Vấn đề tương tự cũng khiến thị trường tài chính gặp khó khăn. Hiệp hội Hợp đồng Tương lai và Lựa chọn Quốc tế (ISDA) đã phải đối mặt với khó khăn với vấn đề "thanh toán/uyên bố" trong thị trường hợp đồng chống vỡ nợ tín dụng (CDS)—loại hợp đồng này sẽ thanh toán khi doanh nghiệp hoặc quốc gia mắc nợ tín dụng. Trong báo cáo xem xét của họ vào năm 2024, ISDA mô tả khá trực tiếp những khó khăn này. "Ủy ban Xác định" của họ được hình thành từ các thành viên chính của thị trường, và sẽ bỏ phiếu để xác định xem có xảy ra "sự kiện tín dụng" hay không. Nhưng quy trình này luôn bị chỉ trích vì không minh bạch, có thể có mâu thuẫn lợi ích, và kết quả không nhất quán, giống như quy trình của UMA.
Vấn đề cốt lõi là giống nhau: khi một số tiền lớn phụ thuộc vào việc đánh giá "sự kiện mơ hồ" xảy ra, bất kỳ cơ chế thanh toán nào cũng trở thành mục tiêu của việc chiếm đoạ và tấn công; và bất kỳ sự mơ hồ nào cũng có thể trở thành điểm nổ xung đột.
Vậy, một cơ chế thanh toán tốt sẽ có dạng như thế nào?
Bất kỳ giải pháp nào cũng phải đáp ứng đồng thời một số đặc điểm then chốt:
Khả năng Chống Lừa Đảo
Nếu kẻ tấn công có thể ảnh hưởng đến quá trình thanh toán bằng cách chỉnh sửa Wikipedia, phát tán tin giả, hối lộ trung gian dự báo, hoặc lợi dụng lỗ hổng trong chương trình để ảnh hưởng đến quá trình thanh toán, thì thị trường sẽ biến thành "ai giỏi lừa đảo thì thắng", chứ không phải "ai dự đoán đúng thì thắng".
Độ Chính Xác Hợp Lý
Cơ chế phải cung cấp kết quả thanh toán chính xác trong hạt nhất thời điểm hầu hết hoặc hầu hết thời gian. Thế giới tồn tại sự mơ hồ tự nhiên, vì vậy việc hoàn toàn chính xác là không thể, nhưng sai số cố hữu hoặc lỗi rõ ràng sẽ hoàn toàn phá hủy tính đáng tin cậy.
Sự Trong Trẻo Trước
Người tham gia giao dịch phải rõ ràng về cách thanh toán sẽ diễn ra trước khi đặt cược. Thay đổi quy tắc giữa chừng trận đấu đồng nghĩa với việc phá vỡ thỏa thuận cơ bản nhất giữa nền tảng và người tham gia.
Sự Trung Lập Đáng Tin Cậy
Người tham gia phải tin tưởng vào việc cơ chế sẽ không thiên vị bất kỳ người giao dịch nào hoặc kết quả nào. Đó cũng là lý do tại sao việc để người nắm giữ số lượng lớn UMA ra quyết định cho hợp đồng cược của chính họ gây ra nhiều tranh cãi: ngay cả khi họ hành động công bằng, "góc nhìn" về mính bị xung đột lợi ích cũng đủ để suy giảm lòng tin.
Ủy ban con người có thể đạt được tiêu chuẩn về một số đặc điểm, nhưng khó khăn ở một số khía cạnh khác—đặc biệt là khả năng chống lừa đảo và sự trung lập đáng tin cậy ở quy mô lớn. Hệ thống bỏ phiếu token như UMA cũng gặp phải một loạt vấn đề đã được thảo luận từ trước như "cầm đèn bão" và xung đột lợi ích.
Đây chính là nơi mà trí tuệ nhân tạo có thể can thiệp.
Trong cộng đồng thị trường dự đoán, một đề xuất ngày càng nhận được sự quan tâm là: cho phép mô hình ngôn ngữ lớn làm "trọng tài" thanh toán, và khi tạo hợp đồng, khách hàng thị trường không chỉ mô tả tiêu chuẩn thanh toán bằng ngôn ngữ tự nhiên, mà còn cụ thể chỉ định phiên bản LLM (có dấu thời gian) sẽ được sử dụng để xác định kết quả cùng với prompt đầy đủ sẽ được đưa vào mô hình.
Cấu trúc cơ bản này đại khái như sau: khi tạo hợp đồng, bên tạo thanh khoản không chỉ sử dụng ngôn ngữ tự nhiên để mô tả tiêu chuẩn thanh toán, mà còn chỉ rõ phiên bản cụ thể của LLM (có dấu thời gian) sẽ được sử dụng làm trọng tài, và prompt đầy đủ mà mô hình sẽ nhận.
Quy định này sẽ được gửi theo cách mã hóa và gắn kết trên chuỗi. Ngay khi giao dịch bắt đầu, người tham gia có thể kiểm tra toàn bộ cơ chế thanh toán—họ biết rõ mô hình AI nào sẽ làm trọng tài, sẽ nhận prompt gì, và có thể truy cập nguồn thông tin nào.
Nếu họ không chấp nhận cài đặt này, họ sẽ không tham gia giao dịch. Khi thanh toán, LLM đang cam kết trên chuỗi sẽ sử dụng prompt đã cam kết để truy cập nguồn thông tin được chỉ định và cung cấp kết quả phán quyết. Kết quả này trực tiếp quyết định ai sẽ nhận được bồi thường.
Phương pháp này có thể đáp ứng đồng thời nhiều ràng buộc chính:
Chống Manipulation Mạnh Mẽ (nhưng không tuyệt đối)
Không giống như trang Wikipedia hoặc trang web tin tức nhỏ, bạn không thể dễ dàng "sửa đổi" kết quả của một LLM phổ biến. Trọng số mô hình được cố định khi cam kết. Để thao túng thanh toán, kẻ tấn công hoặc phải phá hoại nguồn thông tin mà mô hình phụ thuộc vào, hoặc phải đầu tư trước rất lâu để gian lận dữ liệu huấn luyện của mô hình - so với hối lộ một oracles, hoặc chỉnh sửa một bản đồ, các cuộc tấn công như vậy có chi phí cao hơn và kết quả không chắc chắn.
Độ Chính Xác Cao Hơn
Với khả năng của mô hình học có lý giải tăng nhanh chóng và có thể truy cập internet để tra cứu thông tin, LLM Arbitrator sẽ có khả năng phán quyết chính xác cho nhiều thị trường. Những thí nghiệm về độ chính xác được tiếp tục tiến hành.
Tích Hợp Mức Độ Mở
Trước khi bất kỳ ai đặt cược, toàn bộ cơ chế thanh toán đều có thể nhìn thấy và kiểm tra. Không có việc thay đổi quy tắc giữa chừng, không có sự "quyền tự do" quyết định tức thì, không có thoả thuận sau cùng. Người tham gia rõ ràng về thỏa thuận mà họ đã ký kết.
Nâng Cao Đáng Kể Tính Trung Lập Đáng Tin Cậy
LLM không liên quan đến kết quả thanh toán, nó không thể bị hối lộ và không giữ UMA token. Ngay cả khi có sự thiên vị, đó cũng là do tính chất của mô hình gây ra, chứ không phải là phán quyết của bên liên quan tạm thời.
Tất nhiên, LLM Arbitrator cũng có những hạn chế, tôi sẽ giải thích thêm phía dưới.
Mô hình có thể mắc lỗi
LLM có thể đọc sai tin tức, bịa chuyện, hoặc sử dụng logic phán đoán không nhất quán trong các trường hợp tương tự. Nhưng miễn là người giao dịch biết trước mô hình mà họ đang đặt cược trên cái gì, họ có thể tính toán những "khuyết điểm" này vào giá cả. Nếu một mô hình có khuynh hướng rõ ràng khi xử lý tình huống mơ hồ, người giao dịch chuyên nghiệp sẽ điều chỉnh chiến lược. Mô hình không cần phải hoàn hảo, điều cần thiết là nó phải dự đoán được.
Thao Tác không không thể, chỉ là khó hơn
Nếu prompt chỉ định một số nguồn tin tức, kẻ tấn công có thể cố gắng "đặt bài" trên các nguồn tin tức đó. Chi phí trên các phương tiện truyền thông lớn rất cao, nhưng trên các phương tiện truyền thông nhỏ có thể thực hiện được - điều này sẽ tái hiện vấn đề "chỉnh sửa bản đồ" dưới một hình thức khác. Do đó, thiết kế prompt vô cùng quan trọng: cơ chế dựa vào nhiều nguồn thông tin dự phòng, thì sẽ mạnh mẽ hơn so với việc phụ thuộc vào một nguồn thông tin duy nhất.
Đội tấn công Inject
Mặc dù trong lý thuyết, đội tấn công có đủ tài nguyên có thể cố gắng ảnh hưởng đến dữ liệu huấn luyện để làm sai lệch quyết định trong tương lai. Tuy nhiên, điều này đòi hỏi hành động trước khi hợp đồng xuất hiện, với mức độ không xác định và chi phí lớn, so với mức ngưỡng cao hơn khi chiêu mộ một thành viên hội đồng bằng hối lộ.
Đa dạng hóa LLM của Trọng tài sẽ gây ra vấn đề phiên hòa
Nếu các nhà sáng lập thị trường khác nhau cam kết với mô hình và hạt gợi ý khác nhau, thì thanh khoản sẽ bị chia nhỏ. Người giao dịch sẽ gặp khó khăn trong việc so sánh ngang hàng giữa các hợp đồng và tổng hợp thông tin qua các thị trường. Tiêu chuẩn hóa có giá trị, nhưng việc cho phép thị trường thử nghiệm, tìm ra kết hợp tốt nhất giữa LLM và hạt gợi ý cũng mang lại giá trị. Con đường hợp lý có thể là kết hợp cả hai: cho phép thử nghiệm, đồng thời xây dựng cơ chế để cộng đồng từ từ hội tụ vào giải pháp mặc định đã được xác minh.
Tóm lại: Việc giải quyết bằng trí tuệ nhân tạo căn cơ là chuyển một nhóm vấn đề (thiên hướng con người, xung đột lợi ích, không minh bạch) sang một nhóm vấn đề khác (hạn chế năng lực mô hình, vấn đề kỹ thuật hạt gợi ý, yếu tố nguồn thông tin). Tuy nhiên, điều sau có thể dễ kiểm soát hơn và dễ kỹ thuật hóa hơn. Vậy, bước tiếp theo là gì? Nền tảng phải:
Thử nghiệm trên hợp đồng có rủi ro thấp trước tiên
Sử dụng thị trường có rủi ro thấp để kiểm tra giải quyet bằng LLM, xây dựng bản ghi thành tích. Mô hình nào hoạt động tốt nhất? Cấu trúc hạt gợi ý nào mạnh mẽ hơn? Mẫu lỗi nào có thể xảy ra trong thực tế?
Thúc đẩy tiêu chuẩn hóa
Khi tốt nhất dần trở nên rõ ràng, cộng đồng nên thúc đẩy việc thiết lập một kết hợp tiêu chuẩn LLM+hạt gợi ý có thể làm mặc định. Điều này không ngăn cản sáng tạo, nhưng giúp tập trung thanh khoản vào các thị trường mà "mọi người đều hiểu luật chơi".
Xây dựng công cụ minh bạch
Ví dụ, phát triển giao diện, cho phép người giao dịch dễ dàng kiểm tra toàn bộ cơ chế giải quyet trước khi đặt cược—bao gồm mô hình, hạt gợi ý, nguồn thông tin. Luật giải quyet không nên được ẩn trong các quy tắc dài dòng.
Quản trị liên tục
Mặc dù giới thiệu Trọng tài AI, con người vẫn cần thực hiện "quyết định ở mức cao hơn": Mô hình nào đáng tin cậy? Làm thế nào để xử lí khi mô hình đưa ra câu trả lời rõ ràng sai? Khi nào nên cập nhật giải pháp mặc định? Mục tiêu không phải là loại bỏ con người hoàn toàn khỏi hệ thống, mà là trải qua quá trình rút con người khỏi quyết định tạm thời, từng trường hợp, sang việc xây dựng quy tắc hệ thống hóa.
Thị trường dự đoán có tiềm năng lớn, có thể giúp chúng ta hiểu hơn về một thế giới ồn ào và phức tạp. Nhưng tiềm năng này phụ thuộc vào sự tin cậy, và sự tin cậy này phụ thuộc vào việc giải quyết hợp đồng công bằng. Chúng ta đã thấy xảy ra điều gì khi cơ chế giải quyết thất bại: hỗn loạn, phẫn nộ, người giao dịch rời đi. Tôi đã thấy một số người vì kết quả "vi phạm tinh thần họ đặt cược" mà cảm thấy bị lừa dối, tức giận rồi rời đi thẳng, vĩnh viễn không dám chạm vào thị trường dự đoán, dù trước đây họ đã yêu thích các nền tảng này. Điều này có nghĩa là chúng ta đã mất một cơ hội phát hành giá trị thị trường dự đoán, mở rộng ứng dụng của nó hơn nữa.
LLM Ruling không hoàn hảo. Nhưng khi kết hợp với công nghệ mã hóa, nó có thể trở nên minh bạch, trung lập, và chống lại những phương tiện thao túng đã gây khổ cho các hệ thống dựa trên con người trong thời gian dài. Trong thời đại mà tốc độ mở rộng của thị trường dự đoán nhanh hơn so với việc cập nhật cơ chế quản trị, có lẽ đó chính là điều chúng ta cần.
[Link bài gốc]