原创 范阳 2025-05-26 19:43 上海
预测一个系统即理解这个系统。
今天分享的这篇《 从预测市场到信息金融 》是我最近读过颇有启发的博客文章之一，来自于 Vitalik Buterin，也让我和 ChatGPT 和 DeepSeek 一起头脑风暴了不少回合。这个机制还不完美，不过背后的思想还有许多值得探讨和发酵。
我的注意力关注到 Polymarket 和“信息金融”的起因是与一位资深的金融领域的朋友交流，聊到金融的供需关系，治理方式与用户体验正在被科技初创公司破坏重塑，比如 Robinhood 和 Coinbase 是国外目前的创新者代表（ 同时伴随着各种争议 ），而去年因为“投注美国大选结果”而火的 Polymarket 也还是个有争议的新事物（ 一定程度上是特朗普这样的人物推动了这样的“产品市场匹配” ）。我顺藤摸瓜来做一些研究 —— AI 正在如何改变金融和投资（ 也包括投机 ），如何影响人类的群体心理和行为，以及它们之间的反身性 （ 这篇文章也是个“信使”，希望吸引到专业人士一起交流 ）。
在三月份我分享了一篇预测生物学（Predictive Biology）：AI 驱动生物学从“还原论”到“涌现性”的新范式。其中两个很有洞见性的观点：1. 预测一个系统的状态即理解这个系统（ predicting the future state of a system is understanding ），而不是执着于创建“因果图”。2. 涌现论而不是还原论作为新的“认识论” ( 因为许多复杂的生物现象无法脱离多个组成部分的相互作用而单独解释 ）。在生物系统和金融市场这两个复杂且动态的生态当中，其实有着惊人的联系，以及存在一种直觉性的“语言”。阅读完今天的文章我非常推荐大家可以看看之前的“预测生物学”。创新来自于不同领域的融合处。
更先进的信息系统（ Info System ) ——> Info Science ——> Info Finance ——> Info Media，这个反馈回路循环（ feedback loop ）的主题我会在最近的文章里继续跟大家探讨，如果你看到了这几个领域背后的联系，也欢迎找到我我们互换视角交流。
And how do we go from info-finance to intel-finance?
How to innovate finance to finance innovations?
How can the advantages of prediction markets be applied to accelerating scientific discovery?
How can such an incentive mechanism be aligned with long-term human well-being?
希望这些问题和今天的文章对你有启发。新一周愉快。
从预测市场到信息金融
From prediction markets to info finance
作者：Vitalik Buterin
编辑：范阳
发表日期：2024年11月9日
特别感谢 Robin Hanson 和 Alex Tabarrok 对本文的反馈与审阅。
在所有以太坊应用中，预测市场一直是让我最为兴奋的一类。我早在 2014 年就写过关于 “预测式治理（ futarchy ）” 的文章，这是 Robin Hanson 提出的一个基于预测市场的治理模型。2015 年，我是 Augur 的活跃用户和坚定支持者（ 嘿，妈妈，我的名字还写进了维基百科条目呢！）。2020 年总统大选时，我靠预测市场赚了 5.8 万美元。今年，我则密切关注并支持了 Polymarket 的发展。
很多人眼中的预测市场，无非就是用来下注选举结果的工具（ prediction markets are about betting on elections ）；而选举下注嘛，本质上就是一种赌博——如果它能带来点娱乐性当然也好，但也不过就像在 pump.fun 上随便买点虚拟币图个乐子那样（ nice if it helps people enjoy themselves, but fundamentally not more interesting than buying random coins on pump.fun ）。所以，从这个角度看，我对预测市场的兴趣可能显得有些莫名其妙。
因此，我写这篇文章的目的，就是想解释清楚预测市场真正让我着迷的原因。简而言之，我的观点有两个层面：
1. 就算只看今天已有的形式，预测市场本身已经是对世界非常有价值的工具（ prediction markets even as they exist today are a very useful tool for the world ）。
2. 但更重要的是，预测市场只是一个更宏大、更有潜力的系统类别中的一个子集案例。这一模式有可能重塑社交媒体、科学研究、新闻传播、治理体系等多个领域的底层运转逻辑（ prediction markets are only one example of a much larger incredibly powerful category, with potential to create better implementations of social media, science, news, governance, and other fields ）。
我将这一更广泛的系统称为：“信息金融（ info finance ）”。
Polymarket 的“双面性”：对参与者来说是下注平台，对大众来说是信息平台
The two faces of Polymarket: a betting site for the participants, a news site for everyone else
在过去一周，美国大选期间，Polymarket 成为了一个极其有效的信息来源。不仅是因为它给出了“特朗普胜选概率为 60% 对 40%”的预测（ 而大多数主流渠道还停留在 50/50 的说法 —— 虽然光这一点还不算多出彩 ），它还展现出了其他的价值：
当选举结果陆续揭晓时，很多政治评论员和新闻媒体还在不断给观众喂“希望”，试图制造一种“卡马拉仍有希望”或“局势未定”的氛围 ( while many pundits and news sources kept stringing viewers along with hope of some kind of favorable news for Kamala )。但 Polymarket 却直接呈现出残酷的现实：特朗普的胜选概率已超过 95%，而他同时掌控政府所有三权（ 行政、立法、司法 ）分支机构的概率也超过 90%。
但对我来说，这还不是 Polymarket 最有意思的例子。让我们换一个视角，来看今年（ 2024年 ） 7 月份委内瑞拉的大选。
选举结束后的第二天，我无意中瞥到一则新闻，说有人在抗议委内瑞拉的一场被高度操控的选举结果。一开始我并没在意。毕竟我早就知道马杜罗是那种“实质上的独裁者”，所以我下意识地想：他当然会伪造选举结果来继续掌权，当然会有人抗议，当然抗议也会注定失败——就像许多其他地方发生的一样，令人遗憾但不足为奇。
但随后，我在浏览 Polymarket 的时候，看到了一些让我眼前一亮的东西：
人们愿意押注超过十万美元，赌马杜罗有 23% 的概率会在这次选举中真正倒台。就是这个数字，让我开始认真关注起来（ Now I was paying attention ）。
当然，后来我们都知道了这个事件的结局：马杜罗依然掌握了政权。然而，这个市场信号让我意识到，这一次推翻马杜罗的尝试是认真的（ the markets clued me in to the fact that this time, the attempt to unseat Maduro was serious ）。全国爆发了大规模抗议，反对派采取了一套意外地精密的策略，向全世界展示了这场选举到底有多么不公。要不是我在 Polymarket 上看到“这次可能不一样”的信号（ the initial signal from Polymarket that "this time, there is something to pay attention to" ），我根本不会去深入了解这场选举的动态。
当然，你永远不能完全信任这些图表（ You should never trust the charts entirely ）：如果所有人都无脑相信市场数据，那么掌握大量资金的人就能轻易操纵价格，而其他人也会因为不敢“唱反调”而跟风，而不会“反向押注”（ if everyone trusts the charts, then anyone with money can manipulate the charts and no one will dare to bet against them）。
但与此同时，也不能完全信任新闻报道。新闻为了点击量总爱夸大其词——有时确有依据，有时纯属捏造。如果你看到一篇很惊人的新闻，但对应市场上的概率完全没变，那就值得怀疑这条新闻是不是被夸大了。相反，如果你在市场上看到某个事件的概率突然大幅变动，那就是一个信号，提示你该去查查新闻，看看背后有什么玄机（ 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 ）。
结论：你能获得的信息优势，往往来自于同时看新闻和看图表，获得更全面的认知，而不是只看其中之一（ Conclusion: you can be more informed by reading the news and the charts, than by reading either one alone ）。
让我们复盘整个机制：如果你是赌客，可以往Polymarket充值，对你来说这就是博彩网站；如果你不押注，单纯查看图表，对你来说这就是新闻网站（ If you are a bettor, then you can deposit to Polymarket, and for you it's a betting site. If you are not a bettor, then you can read the charts, and for you it's a news site ）。虽然不该完全相信图表，但我个人已经把查看市场数据纳入了信息收集流程（ 与传统媒体、社交媒体并列 ），这确实帮助我更高效地获取了优质信息（ it has helped me become more informed more efficiently ）。
更广义的信息金融
Info finance, more broadly
现在我们进入正题：预测选举只是第一个应用场景（ predicting the election is just the first app ）。更广泛的概念是，你可以利用金融机制来协调各方动机，来为信息的接收者提供有价值的信息（ The broader concept is that you can use finance as a way to align incentives in order to provide viewers with valuable information ）。
一个自然的质疑是：难道所有金融本质上不都是关于信息的吗（ isn't all finance fundamentally about information ）？不同的参与者之所以做出买入或卖出的决策，是因为他们对未来有不同的看法（ 当然，也可能出于他们对风险的偏好或对冲的需求 ）。而市场价格本身就能折射出关于世界的海量认知（ you can read market prices to infer a lot of knowledge about the world ）。
在我看来，信息金融不仅包含这些特性，更具备构造正确性。正如软件工程中"通过设计确保构造正确性"的理念（ correct-by-construction in software engineering ），信息金融这门学科要求你：（一）从想要获知的事实出发（ start from a fact that you want to know ）；（二）有意识地设计一个市场，以最优方式从市场参与者中萃取该信息（ deliberately design a market to optimally elicit that information from market participants ）。
范阳注：什么是"构造正确性"软件开发（ Correct-by-Construction software development ）？
传统软件开发模式依赖于自然语言（如英语）编写的需求文档和手工编码。虽然有时会采用 UML 等图形化建模语言来描述系统结构和交互方式，但这些模型几乎无法捕捉具体行为逻辑，导致生成的代码仍需大量人工修改。无论采用哪种方式，最终都高度依赖测试环节来发现软件缺陷。
"构造正确性"开发方法将软件开发视为真正的工程实践。以土木工程为例：土木工程师在建造桥梁前，会先构建精确的计算机模型进行方案验证。同理，真正的软件工程师会在编码前建立设计方案的数学模型，通过形式化推理确保所有功能需求都能实现且行为符合预期。测试环节依然存在，但其目的转变为验证"构造正确性"流程的可靠性，而非查找缺陷。
信息金融作为一个三方市场（ Info finance as a three-sided market ）：投注者进行预测，读者阅读预测信息，市场则产出关于未来的预测，作为一种公共产品（ The market outputs predictions about the future as a public good ）（ 因为它的设计目的就是这个 ）
预测市场（ prediction markets ）就是其中一个典型例子：若你想了解某个未来事件的结果，便可设立一个针对该事件的投注市场（ 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 ）。
另一个例子是决策市场（ decision markets ）：你想知道根据某项指标 M，决策 A 还是决策 B 能带来更好的结果（ you want to know whether decision A or decision B will produce a better outcome according to some metric M ）。为此，你需要设立条件性市场（ you set up conditional markets ）——让参与者分别押注：（一）最终会采用哪个决策；（二）若选择决策 A 时指标 M 的值（ 否则为零 ）；（三）若选择决策 B 时指标 M 的值（ 否则为零 ）。通过这三个变量的对比，就能判断市场认为哪个决策对指标 M 更有利（ you can figure out if the market thinks decision A or decision B is more bullish for the value of M ）。
人工智能将为“信息金融”带来爆炸式增长
我认为，在接下来的十年里，有一项技术会为信息金融带来巨大推动，那就是人工智能（ One technology that I expect will turbocharge info finance in the next decade is AI ）（ 无论是现在的大语言模型，还是未来可能出现的新技术 ）。原因在于，信息金融中最有意思的应用场景，很多都是关于“微观问题”的（ This is because many of the most interesting applications of info finance are on "micro" questions）：数百万个“影响力有限的”小型决策市场（ millions of mini-markets for decisions that individually have relatively low consequence ）。
但在现实中，低交易量的市场往往难以有效运作（ In practice, markets with low volume often do not work effectively ）：一个聪明的专业参与者，不太可能为了几百美元的收益，花大量时间去做深入分析（ 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 ）。甚至有人认为，除非提供补贴，否则这类市场根本无法运转——因为除了最重大、最吸睛的问题外，根本没有足够多"天真韭菜"让专业交易者获利（ 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 ）。
而 AI 彻底改变了这个底层逻辑：意味着即便在仅有 10 美元交易量的市场，我们也能获取较高质量的信息（ AI changes that equation completely, and means that we could potentially get reasonably high-quality info elicited even on markets with $10 of volume ）。即使仍然需要补贴，每个问题所需的补贴成本也会非常低，是可承受的。
信息金融：人类判断的“蒸馏”机制
Info finance for distilled human judgement
假设你有一个你信任的人类判断机制——它被整个社区广泛认可，具备高度“权威性”。但问题是，它执行一次需要花费大量时间与资源（ 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 ）。现在你希望能以低成本、实时方式获得这个原本昂贵的机制的“近似版本”（ you want access to at least an approximate copy of that "costly mechanism" cheaply and in real time ）。
罗宾·汉森（ Robin Hanson ） 提出了一个聪明的办法：
每当你需要做一个决策时，就建立一个预测市场，让人们预测“如果我们调用这个昂贵机制来判断，它会得出什么结论”（ every time you need to make a decision, you set up a prediction market on what outcome the costly mechanism would make on the decision if it was called ）。让市场自由运行，并注入少量资金做市（ You let the prediction market run, and put in a small amount of money to subsidize market makers ）。
99.99% 的情况下无需真正启动昂贵机制——你可以"撤销交易"返还本金，或直接清零，亦或将均价更接近 0 或 1 作为事实依据（ perhaps you "revert the trades" and give everyone back what they put in, or you just give everyone zero, or you see if the average price was closer to 0 or 1 and treat that as the ground truth ）。
0.01% 的时候——也许是随机抽取，也许是专挑交易量最高的问题，又或者两者结合——你真的调用一次昂贵机制，并根据它的判断来决定参与者的结算奖励（ 0.01% of the time - perhaps randomly, perhaps for the highest-volume markets, perhaps some combination of both - you actually run the costly mechanism, and compensate participants based on that ）。
最终，你得到了一个快速但廉价、可信中立的“蒸馏版本”，它模拟了原本那个慢而贵、但高度可信的机制（ This gives you a credibly neutral fast and cheap "distilled version" of your original highly trustworthy but highly costly mechanism ）。（ 这里的“蒸馏”概念可以类比到 LLM 模型的蒸馏技术。）
范阳注：DeepSeek 的例子是告诉我们，别把蒸馏技术不当技术。
长期来看，这个蒸馏机制会逐步逼近原机制的行为（ this distilled mechanism roughly mirrors the original mechanism's behavior ）——因为只有那些押对最终判断的人会赚钱，押错的就会赔钱（ because only the participants that help it have that outcome make money, and the others lose money ）。
预测市场 + “推特社区注释功能”组合的可能原型（ Mockup ）。
范阳注：我让 ChatGPT 帮助我理解和生成了一个预测市场 + “推特社区注释功能”组合的可能原型的图片。
这个混合界面让人们可以：
阅读类似推特 Community Notes 的结构化、多视角注释
查看来自多样参与者的基于概率的预测结果
根据历史准确率和评审团多样性来评估可信度
参与或观察更高阶的“市场中的市场”式评估
如果你对这种用户界面有更好更简洁的想法，欢迎留言告诉我。
这一机制不仅能应用于社交媒体，对 DAO（ 去中心化自治组织 ）同样意义重大。DAO 的核心困境在于：海量决策导致多数成员不愿参与多数表决过程，结果要么陷入委托代理模式（ 重蹈代议制民主中权力集中化与委托代理失效的覆辙 ），要么沦为攻击目标（ A major problem of DAOs is that there is such a large number of decisions that most people are not willing to participate in most of them, leading to either widespread use of delegation, with risk of the same kinds of centralization and principal-agent failures we see in representative democracy, or vulnerability to attack ）。若 DAO 将实际投票控制在极低频率，让多数事务由"人类+AI"共同预测投票结果的预测市场来决定，或许能开辟新路。
范阳注：上面这一段“人类+AI共同预测投票结果的预测市场”，我让ChatGPT 帮助我生成了这张原型示意图（ mockup )。
正如决策市场案例所示，信息金融蕴藏着解决去中心化治理（ decentralized governance ）难题的多种可能路径。关键在于市场与非市场机制的平衡：市场如同"引擎"，而其他非金融化的可信机制则是"方向盘"（ The key is the balance between market and non-market: the market is the "engine", and some other non-financialized trustworthy mechanism is the "steering wheel" ）。
信息金融的其他应用场景
Other use cases of info finance
个人代币（ Personal tokens ） —— 诸如Bitclout（ 现更名为DeSo ）、friend.tech等项目的运作模式，即为每个用户创建可自由交易的代币（ make it easy to speculate on these tokens ）—— 我称之为"信息金融雏形"（ proto info-finance ）。这类项目刻意为特定变量（ 即个人未来影响力预期 ）创造市场价格，但价格所揭示的信息过于模糊，且容易陷入反身性与泡沫效应（ the exact information being uncovered by the prices is too unspecific and subject to reflexivity and bubble dynamics ）。可以通过更精心地设计代币的经济机制，尤其是其最终价值的来源，从而创造出更优秀的协议版本，并用它们来解决诸如人才发现这类重要问题。Robin Hanson 提出的“声望期货” ( idea of prestige futures ) 就是一个可能的最终形式。
范阳注：我使用 ChatGPT 生成的“人才发现个人代币系统”的用户界面的示意图（ mockup )。仅作为粗略参考。
范阳注：“声望期货”这个概念也很有意思，可以把它想象成设立一种"学术界的股票市场"。现在大家押注哪些学术研究未来会被认为是重要的，用“真金白银”押注代替现在的“论文数”“名校/名实验室/名课题光环”这些虚的评价标准，用 “100 年后”的长线眼光淘汰"当下的水论文"，留下真正重要的或者现在意想不到的潜力的研究。
假设 2025 年现在有两个科学家/研究者：
A：在顶级期刊发了很多论文，但期货价格低（ 市场赌他的工作未来会被遗忘 ）。
B：论文很少，但期货价格暴涨（ 市场赌他有个冷门研究十年后会成为诺奖级的工作，或者整个改变科学范式 ）。
有关这个观念可以在这个链接阅读：
https://www.overcomingbias.com/p/more-academic-prestige-futureshtml
广告 ( Advertising ) —— 最昂贵但最可信的信号之一( expensive but trustworthy signal )，是你是否会购买一件产品。基于这一信号的信息金融可以被用来帮助人们判断应该购买什么。
科学同行评审 ( Scientific peer review ) —— 科学界正在经历一场“可重复性危机”，许多著名的研究成果（ 有些甚至已被奉为常识 ）在后续研究中完全无法复现。我们可以使用预测市场来识别哪些研究结果需要重新验证。在重新验证之前，这样的市场还能为读者提供一个快速的可信度估计。这一理念已经有一些实验性尝试，并初步显示出效果。
公共物品资助（ Public goods funding ）—— 以太坊中使用的一些公共物品资助机制的主要问题之一，是它们往往变成“人气比赛”。每一个贡献者都需要在社交媒体上自行运营市场推广，以获得关注，而那些不擅长这样做，或者本身就是“幕后角色”的贡献者，很难获得足够的资金。一个更具吸引力的解决方案是尝试追踪完整的依赖关系图谱：针对每个积极成果，量化各项目对其贡献程度，再递归追溯这些项目自身又受哪些子项目支撑（ An appealing solution to this is to try to track an entire dependency graph: for each positive outcome, which projects contributed how much to it, and then for each of those projects, which projects contributed how much to that, and so on ）。这类设计的主要挑战是如何设定图谱中“边”的权重，使其不易被操控（ figuring out the weights of the edges in a way that is resistant to manipulation ） —— 毕竟类似的操控行为已经相当常见了。经过“蒸馏提炼”的人类判断机制或许可以帮助解决这个问题（ A distilled human judgement mechanism could potentially help ）。
结论
Conclusions
这些想法其实早已被人提出和讨论：关于预测市场、甚至是决策市场的最早文献可以追溯到几十年前，而与此类似的金融理论则更早。然而，我认为当前这个十年提供了一个独特的机会，原因有以下几点：
1. 信息金融正在解决人们真实面临的信任问题。
Info finance solves trust problems that people actually have
当今时代的一个普遍担忧，是在政治、科学和商业等领域中，人们不知道该相信谁（ 更糟的是，没有共识 ）。信息金融的应用可以在一定程度上帮助解决这个问题。
2. 我们现在拥有可扩展的区块链作为基础设施。
We now have scalable blockchains as the substrate
直到最近，由于实施成本和费用过高，许多信息金融的设想根本无法真正落地（ Up until very recently, fees were too high to actually implement most of these ideas ）。而如今，这一障碍正在消除。
3. AI 成为参与者。
AIs as participants
当信息金融完全依赖人类参与每一个问题时，它其实并不容易运作。但 AI 极大地改善了这种状况，使得即使是规模较小的问题也能有有效市场（ Info finance is relatively difficult to make work when it must depend on humans to participate on each question. AIs greatly improve this situation, enabling effective markets even on small-scale questions ）。未来的许多市场，可能都会由 AI 与人类共同参与，尤其是在某个问题从小众突然变得热门时，这种混合模式尤其重要（ especially as volume on specific questions suddenly switches from small to large ）。
因此，要充分把握这个时代带来的机会，我们需要不止步于预测选举结果，而是深入探索信息金融所能带来的更广泛潜能。
原文链接：
https://vitalik.eth.limo/general/2024/11/09/infofinance.html
PS: 谢谢你阅读完本文，我在寻找公众号内容共创与编辑志愿者( content creators and media hackers )，以及能贡献原创文字的作者，另外，如果你想参与到早期科技投资的研究与分析工作，以及上手搭建和鼓捣一些有趣的项目和系统，希望你可以找到我，附上一句话的个人介绍，我也在寻找 research & investment interns， 我的微信ID: 2871981198, 谢谢！
“研究的风投化”（ venturification of research ）及其“囚徒困境” | 新风投专栏
全假设研究（ All-hypothesis research ）
“自然语言处理”先驱如何成就了对冲基金文艺复兴：Peter Brown 与 Robert Mercer 的珍贵访谈
“自动化科学” （Autonomous Science）的蓝图：AGI 遇见“实验室革命”
