积分风靡 Web3,深入读懂链上积分优势与挑战

foresightnewsPublicado a 2024-01-29Actualizado a 2024-01-30

Resumen

你撸到的积分上链了吗?

你撸到的积分上链了吗?


撰文:Katie Chiou、Graeme Boy

编译:Luffy,Foresight News


最能概括 2010 年代消费者科技的词是游戏化。回想起来,这在当时的技术水平下似乎是理所当然的。我们从那时进入移动互联网和社交时代,现在每个人的口袋里基本上都有一个联网的网络游戏设备。


早期的游戏化趋势迎来了一批公司,他们试图从日常活动中制作游戏,并将其转变为蓬勃发展的业务。他们将地域参观变成了游戏(Foursquare,2009),交通监控变成了游戏(Waze,2008),语言学习变成了游戏(Duolingo,2011),这样的例子不胜枚举。这些公司意识到,游戏化是一种有效的策略,可以促进用户营销、参与和忠诚度。


游戏化的常见要素之一是积分系统,你可以将进度的定性衡量标准转化为可量化的指标。积分系统从本质上实现了两个目标:二元的、清晰的结果(数字上升或下降)和轻松地将内在动机引导到外在动机(福利、奖励)的渠道。


区块链是积分系统的天然基础设施,因为它们被设计为带有记录的实体的通用账本,可以根据某些操作以编程方式将价值分配给这些实体。


从历史上看,这一价值主要通过以太坊上的代币进行分配,这些代币是价值在公开市场中实时变动的金融资产。代币是强大的工具,用于识别、协调和补偿为网络做出贡献的用户,向用户提供经济奖励和所有权份额。


代币激励对于区块链的采用至关重要。代币作为经济奖励的承诺可以抵消在以太坊等 L1 上进行交易的高成本和风险。然而,这也可能会造成恶性循环。链上交易的高成本意味着奖励往往流向那些愿意支付高额费用的用户(通常是唯利是图的资本),而不利于那些不太愿意支付高额费用或厌恶风险的参与者(通常是新用户)。


随着区块链交易迅速变得更便宜(通过 L2 和 L3),更广泛的链上非金融活动成为可能,而无需必要的经济奖励来补偿用户。这种新范式标志着证明这样新的链上原语的出现,它用于识别、协调参与复杂的去中心化网络的用户。


链上证明是一种对用户进行识别和分类的方法,允许用户自我证明自己的属性并证明其他人的属性。然而,证明有其自身的局限性。证明通常是定性的,这使得它们很难在区块链等缺乏上下文信息的环境中使用。例如,比较玩家在同一场游戏中完成的击杀数量,相较于比较杀死 Boss 的颜色要容易得多。这可以通过增加上下文信息来改善,并且进一步与人工智能和机器学习的发展相结合也可以使此类分析变得更容易。然而,考虑到这些限制,更定量的证明形式可能最适合当前区块链可扩展性的状况。


我们已经看到加密货币中积分系统的实验开始流行,例如 Blur 积分,它利用「挂单积分」和「借贷积分」等形式来激励特定行为并分配代币奖励。最近,Rainbow 开始发行 Rainbow 积分,以奖励用户在 Rainbow 钱包中进行交易。迄今为止,这些积分实验大部分都是链下进行的,这使得它们与 Web32 积分非常相似。


除了传统的积分系统之外,链上积分还提供了一个有趣的机会,可以在区块链中以无需信任的方式使用积分,以实现所有权分配中的代币兑换、抵抗女巫攻击的访问门控和改善 DeFi 中的市场功能等目的。


本文的其余部分旨在说明代币、链下积分和链上积分之间的差异和权衡,并探讨链上积分在多大程度上可以作为构建者和用户的新原语,并具有哪些优势和挑战。


为什么选择积分


就代币而言,有许多特性要在发布前经过仔细审查,它们可能会对项目的吸引力和代币价格产生重大影响。其中一些因素包括但不限于:


  • 供应和发行:代币会通胀还是通缩?
  • 用途:代币是否会用于治理?如果是,持有治理代币是否代表对项目产生的任何费用的索取和对项目金库分配的控制权?或者原生代币会被用于实际用途吗?它会成为使用这个项目的记账单位吗?
  • 价值累积:是否有质押机制或锁定机制?代币是否有销毁机制?
  • 分配:代币将通过空投或排放进行分配吗?会有兑现时间表吗?


就积分而言,它们通常是非金融的、可变的,并且由发行人控制,这意味着积分系统可以轻松调整,而不会立即影响任何市场动态。积分供应可以无限,并且积分使用和兑换的方式可以修改。此外,积分的可交易性也是由发行者决定的,而代币却一定是可交易的。


在不从根本上改变市场动态、产品机制和用户行为的情况下,项目团队能够实时调整积分系统并接收社区反馈,从而有更多时间来了解并更好地留住用户。在积分被用作代币前身的情况下,积分有助于消除项目过早定义代币模型和分配代币的紧迫性。


值得注意的是,由于积分系统已经在 Web32 中经过大量实践,因此从监管角度来看它也是没有风险的。


对于构建者来说,积分的设计和执行更加简单,对于用户来说,积分也更加简单。鉴于代币价格的动态性,用户可能会发现很难知道如何概念化某种代币:我应该将其视为投资还是实用工具?例如,想象一款街机游戏,你必须支付 0.25 代币才能玩游戏。如果你知道明天这 0.25 代币可能价值 10 美元,那么你可能会犹豫是否将它投入机器。


积分可以被视为「元货币」,积分可以转换为财务价值并影响使用,但这种转换的关联度可以根据情况设计。在这种模式下,积分的兑换变得更加灵活。


就积分效用而言,积分兑换可以有多种选择,包括直接产品福利、项目所有权、治理权或收入。这些可以供用户自行选择。


为什么选择链上积分


积分更加灵活的性质提出了一个明显的问题:链上积分与链下积分有何区别。在考虑代币与积分时出现的一个关键矛盾是,ERC20 代币最大化了可组合性并最小化了发行人的灵活性,而链下积分则最小化了可组合性并最大化了发行人的灵活性。


在链上而不是链下实施积分可能会位于这两者之间,从而允许灵活性,同时保留区块链可审计性和可组合性的好处。


那么在实践中,这到底意味着什么以及为什么它很重要?


可组合性


在某种程度上,我们可以将链上积分视为人们可以在全球范围内查看和利用的定量证明。任何人都可以向链上的其他人发放积分,也可以根据第三方产品使用情况或本地积分系统构建积分系统。链上积分可以为用户的链上身份添加新的维度,类似于累积其他链上凭证,可以集成到各种模块化协议中。借助这个框架,链上积分可以成为项目和品牌用来识别跨产品的高级用户的强大工具,甚至可以通过折扣和空投来吸引潜在客户。


来源


链上积分还保证了来源和可审计性,从而使系统中积分的总分配以及分配方法的历史记录变得透明。这种透明度对于积分系统带来的社区价值和分配过程中公平性至关重要。


例如,品牌和机构经常根据 YouTube、TikTok、Instagram 等平台的参与度指标与影响者合作。然而,这些平台在黑盒环境中配置和操纵其算法以进行分发,使得指标背后的逻辑难以辨别。


信任保证


区块链允许对用户当前的积分分配和兑换选项提供明确的保证。这些保证使得能够以最小的信任假设安全地兑换其他链上资产的积分,从而使链上积分具有 Web32 积分系统中前所未有的潜在价值。如果没有区块链,积分系统将在加密社区中遭受与 Web32 平台同样的批评:即它们无法满足与其价值相称的信任水平。


抗女巫攻击


积分系统也可能会影响 Web33 产品的「空投耕种」活动。机器人可以像获取代币一样获取积分,但积分系统可以通过明确指示与代币无关的奖励类型,作为项目团队和早期采用者之间有用的沟通机制,并用于鼓励对产品或网络的某些贡献。例如,为协议提供流动性或对某些功能进行压力测试。


社区责任


在明确披露任何兑换机制之前,积分分配也可以接受社区审查,从而降低空投后争议的风险。甚至可以通过第三方的时间戳验证来审核链上积分分配。


实施


正如我们此前提到的,积分可以设计用于各种类型的奖励,从折扣到产品福利,到项目的所有权,到治理权,再到直接收入。同样,不同项目的实施要点可能会有很大差异,从某种形式的证明到修改后的 ERC20 代币再到 Soulbound 代币。虽然每种方法都有其自身的优点和权衡,但我们将介绍一个可能的常见流程: 赎买 ERC20 代币。


虽然 ERC20 代币是最具可组合性的奖励分配方法,但它们通常会最小化发行人的灵活性并最大化投机行为。你可以进行修改,使其不可转让或无限供应;然而,你仍然会遇到代币与货币形式的常见混淆。


将积分兑换为 ERC20 代币还需要考虑成本。每次用户加入和更新积分余额时,在链上转移 ERC20 代币的交易成本对于发行者来说可能会非常昂贵。或者,你可以将链下数据库中的积分累积到 Merkle 树中,并定期在智能合约中将 Merkle 根发布到链上。当用户想要索取代币时,他们向智能合约提交一笔交易,其中包含 Merkle 证明。结合用的地址和索取金额,可以根据已发布的 Merkle 根进行验证(这本质上就是 Merkle 空投的工作原理) )。这是分配代币的常见方法,因为它将交易成本推给最终用户而不是项目,从而将总成本(可能是数百万美元)分配给所有代币持有者。


Stack 构建了一个在任何 EVM 链上以无需信任的方式将积分兑换为 ERC20 代币的解决方案,其分配方式比传统 Merkle 空投更便宜。


虽然积分或代币系统的确切规格可能会因具体情况而异,但我们在下面提供了链下积分、链上积分和代币特征的一般描述,以供指导参考。



除了技术或特定加密货币的实施考虑因素之外,创建积分系统还有许多其他关键的设计决策。一些想法如下:


项目积分系统的主要目标应该是鼓励产品使用,而不是鼓励积分累积。确保积分计划最终将用户带回你自己的产品生态是成功启动积分驱动飞轮的关键,而不是鼓励撸羊毛的行为。这对于价值的可持续性尤为重要。提供奖励所损失的价值都必须通过其他地方的价值来补偿,比如更多的用户、更高价值的交易、销售收入、广告等。将积分直接转化为产品优势对于维持闭环反馈循环和测试特定功能或产品的成功特别有帮助。 Farcaster Warps 就是一个例子,在应用程序中获得的积分可以用作送给其他用户的礼物,或用于在应用程序内购买 NFT 时享受折扣。产品中积分的这种明确用例降低了投机涌入的风险,仅作为未来某些财务激励的基础。


有效的积分系统还需要对什么会为你的用户和你的产品带来推动的直觉。例如,如果你的用户对价格相对不敏感,则折扣可能不会那么有趣;对于受益于强大网络效应的产品来说,个性化或社交访问 / 奖励等其他杠杆可能更具吸引力。如果你的产品是由会话时间驱动的,那么与由大量驱动的产品相比,经常持续地发放较小的奖励可能会更有成效,而减少发放更高价值的奖励可能会受益。


积分的未来


游戏化的故事并不新鲜,许多案例研究表明,游戏化可以带来积极的用户习惯、激励协调以及提高品牌和用户之间忠诚度。


展望未来,去中心化的、用户拥有的网络将定义新的互联网。在链上世界中,游戏化积分可以作为一种独特的方式来识别和奖励用户的行为和贡献,其方式比 Web2 中更加强大和全面。因此重要的是,了解自己产品中权力下放和所有权的目标和作用,并以此设计积分系统。虽然代币是协​​调和管理这些网络的极其强大的工具,但事实证明它们也比最初设想的更加死板。链上积分作为一种潜在的新原语,可供团队与代币一起使用,以探索更好的用户身份、用户所有权和激励调整的路径。然而,只有在牢记这些目标的情况下仔细利用积分,积分才会有利于实现这些目标。

Lecturas Relacionadas

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

En solo tres días, Google ha perdido a dos leyendas de la IA. El 18 de junio, Noam Shazeer, coautor del seminal trabajo "Attention is All You Need" y copresponsable de Gemini, anunció su salida para unirse a OpenAI. Dos días después, John Jumper, ganador del Nobel de Química 2024 y líder de AlphaFold, dejó Google DeepMind para incorporarse a Anthropic. Estas partidas no son incidentes aislados, sino parte de una tendencia clara de fuga de talento de Google hacia OpenAI y Anthropic, como lo confirma también la reciente incorporación a Anthropic del exmiembro fundador de OpenAI, Andrej Karpathy. El trasfondo de este éxodo es fundamentalmente una cuestión de misión y enfoque. El modelo de negocio central de Google, basado en la publicidad, impone una lógica orientada a productos y métricas comerciales que, en última instancia, restringe la investigación pura. En contraste, tanto OpenAI (con su misión de AGI) como Anthropic (centrada en la seguridad y la ciencia) ofrecen un entorno de trabajo enfocado únicamente en empujar los límites de las capacidades de los modelos. A esto se suma la fuerte atracción financiera: OpenAI y Anthropic están en camino a una OPI, lo que promete una recompensa económica masiva a través de capital para sus empleados, algo que la ya gigantesca Google difícilmente puede igualar. La fusión de Google Brain y DeepMind en 2023, destinada a consolidar esfuerzos, ha generado en cambio tensiones culturales y ha hecho más evidente la presión por alinear la investigación con los objetivos de los equipos de productos. El resultado es una reorganización estructural del mapa del talento en IA. Google, a pesar de sus vastos recursos en computación y datos, está perdiendo a las personas que definen el futuro del campo. La verdadera ventaja competitiva en IA reside en retener a las mentes más brillantes, y Google está descubriendo que esa es quizás su batalla más difícil.

marsbitHace 57 min(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

marsbitHace 57 min(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

Cada vez que se lanza un modelo de IA de vanguardia, la comunidad fija su atención en ciertas "hojas de resultados" familiares: MMLU-Pro, MMMU, MMMU-Pro. Estos puntos de referencia se han convertido en exámenes estándar para evaluar y comparar modelos como GPT, Claude, Gemini, Llama, Qwen y DeepSeek. Detrás de estas influyentes evaluaciones está el investigador chino Wenhu Chen, profesor asistente en la Universidad de Waterloo y fundador del TIGERLab (apodado "虎头帮"). Su trabajo surge de una necesidad crítica: a medida que los modelos avanzaban, las pruebas antiguas como MMLU se saturaban con puntuaciones casi perfectas, dejando de ser útiles para discernir diferencias reales. En 2024, Chen y su equipo presentaron MMLU-Pro, una renovación exhaustiva del original. Con 12,032 preguntas de 14 disciplinas, aumenta las opciones de respuesta de 4 a 10 para reducir las conjeturas e incorpora problemas más complejos que requieren razonamiento. El resultado fue una caída del 16% al 33% en la precisión de los modelos y una evaluación más estable y discriminatoria, rápidamente adoptada por la industria. Su contribución se extiende al ámbito multimodal con MMMU, un conjunto de 11,500 preguntas que combinan imágenes (gráficos, mapas, fórmulas) con conocimientos académicos para probar una comprensión integrada. Incluso los mejores modelos como GPT-4V inicialmente solo alcanzaron un 56% de precisión, revelando un largo camino por recorrer. Su sucesor, MMMU-Pro, cierra aún más las brechas, obligando a los modelos a utilizar la información visual y no solo el texto. La experiencia de Chen, que incluye investigación doctoral en preguntas complejas y una etapa en Google DeepMind trabajando en Gemini, le permite anticipar cómo los modelos pueden "aparentar" competencia. Su laboratorio no solo diseña evaluaciones, sino que también desarrolla modelos (como UniVideo para video o MoCha para avatares), asegurando que sus "exámenes" reflejen desafíos reales y los límites actuales de la tecnología. Actualmente, Chen continúa este trabajo en el laboratorio de superinteligencia de Meta, enfocado en datos y evaluación multimodal. Su historia destaca el papel fundamental, aunque a menudo menos visible, de los investigadores que construyen las herramientas para medir el verdadero progreso de la IA.

marsbitHace 1 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

marsbitHace 1 hora(s)

Selección Semanal del Editor Weekly Editor's Picks (0613-0619)

**【Resumen semanal de los editores (13-19 de junio)】** Esta selección semanal rescata análisis profundos del flujo de información, filtrando el ruido para ofrecer perspectivas clave. **Panorama macro:** Tras la reapertura del Estrecho de Ormuz, el mercado ajusta su foco desde el "impacto bélico" hacia la "recuperación de la oferta". Se observan movimientos en petróleo, bonos, inflación y cadenas de valor como LNG y fertilizantes. **Inversión y emprendimiento:** Ray Dalio advierte sobre la concentración del mercado en acciones de grandes tecnológicas de IA, recomendando diversificación. En cripto, se analizan ciclos a largo plazo, señales de posible fondo para BTC en Q4, y los desafíos regulatorios en mercados como Corea del Sur. El análisis de SpaceX tras su IPO destaca su elevada valoración, riesgos sistémicos potenciales y la importancia de próximos hitos como su inclusión en índices. **Web3 & IA:** Una advertencia señala exposiciones de billones de dólares fuera de balance en la nube/IA, un riesgo latente si la comercialización falla. Se exploran las predicciones de IA para el Mundial y la estructura de costos de una suscripción a IA como Claude. **Mercados de predicción:** Robinhood desarrolla su propia plataforma (Rothera), iniciando una "guerra de canales" en la industria y posicionándose como competidor directo de Kalshi. **CeFi & DeFi:** Se analizan mecanismos de perpetuales para pre-IPO (ej. SpaceX) y los desafíos técnicos pendientes. La desviación del precio de STRC (vinculado a Strategy) refleja preocupaciones sobre su modelo de negocio. Se presenta el nuevo ETF de Bitcoin con rendimiento de BlackRock (BITA). **Ethereum y escalabilidad:** Se destaca la ventaja clave de Ethereum: su vasto ecosistema de desarrolladores y estándares, consolidándolo como sistema operativo para las finanzas descentralizadas. **Otros titulares de la semana:** Acuerdo EEUU-Irán, decisión de la Fed, movimientos en SpaceX y Anthropic, y opiniones destacadas sobre mercados.

marsbitHace 1 hora(s)

Selección Semanal del Editor Weekly Editor's Picks (0613-0619)

marsbitHace 1 hora(s)

Análisis de la última reasignación de cartera del "hijo de la versión" del mercado de valores estadounidense: 9.000 millones de USD en ventas en corto de NVIDIA, apuntando a los sectores eléctrico y de memoria

Leopold Aschenbrenner, considerado uno de los inversores más agresivos en IA, ha realizado cambios significativos en su cartera. Ha establecido posiciones cortas por unos 9.000 millones de dólares en empresas como NVIDIA, ASML y Oracle, al mismo tiempo que redirige capital hacia lo que él identifica como los próximos cuellos de botella en infraestructura de IA: energía eléctrica, memoria, redes de centros de datos y activos de modelos más profundos como Anthropic. Su lógica no sugiere que la burbuja de la IA haya estallado, sino una rotación dentro de la infraestructura. Considera que la "transacción de la pala" clásica (como invertir en semiconductores) está demasiado concurrida y sobrevalorada. En su lugar, apuesta por los eslabones fundamentales siguientes: la capacidad real de construir y energizar centros de datos, y la necesidad crítica de materiales como el cobre y la fibra óptica para la transmisión de datos. La reciente emisión de bonos de NVIDIA por 25.000 millones de dólares, a pesar de su gran liquidez, se interpreta como una señal de un cambio en la financiación del sector. Aschenbrenner también ha invertido de forma privada en Anthropic, lo que representa una apuesta directa al "mineral" (el modelo de IA) en lugar de solo a las "herramientas". En resumen, su estrategia actual se centra en la infraestructura física y de servicios esenciales (energía, construcción, redes) que habilitarán la próxima fase de expansión de la IA, considerándolas apuestas más sólidas y menos saturadas.

marsbitHace 1 hora(s)

Análisis de la última reasignación de cartera del "hijo de la versión" del mercado de valores estadounidense: 9.000 millones de USD en ventas en corto de NVIDIA, apuntando a los sectores eléctrico y de memoria

marsbitHace 1 hora(s)

Trading

Spot
Futuros
活动图片