編者按：預測市場的價值不在於「下注」，而在於它能否持續輸出可信的價格信號。但隨著交易規模擴大，最容易被忽視、卻最致命的瓶頸正在浮出水面：合約如何結算。從委內瑞拉大選的真假難辨，到地圖、網站更新、代幣投票帶來的操控與利益衝突，爭議往往並非來自預測本身，而是來自「誰來裁決」。

本文作者 Andrew Hall（@ahall_research）提出一種更激進的思路：將特定版本的大型模型與提示詞寫入鏈上，讓 AI 成為可稽核、可預期的裁判機制，用工程化手段替代人治與博弈。它未必完美，但或許是預測市場走向規模化必須跨越的一道門檻。

以下為原文：

去年，委內瑞拉總統選舉的結果在預測市場上帶來了超過 600 萬美元的合約交易量。但當選票統計完成後，市場卻陷入了一個幾乎無法解決的局面：政府宣布尼古拉斯·馬杜羅勝選；而反對派和國際觀察員則指控存在選舉舞弊。那麼，預測市場的合約結算到底應該依據「官方信息」（馬杜羅獲勝），還是依據「可信報導的共識」（反對派勝出）？

在委內瑞拉選舉這個案例中，觀察者的指控五花八門：從認為規則被無視、參與者「錢被偷了」，到把用於處理爭議合約的協議形容為一場高風險政治戲碼中的「法官、陪審團和刽子手」；還有人直接稱其「被嚴重操控」。

這並不是一個孤立的意外插曲，而是一個我認為會在預測市場規模化過程中反覆出現的症狀，甚至可能是最大的瓶頸之一：合約結算（contract resolution）。

這裡的利害關係非常高。結算做對了，人們就會信任你的市場，願意在裡面交易，而價格也會成為對社會有意義的信號。結算做錯了，交易體驗就會變得令人沮喪、不可預測。參與者可能會慢慢離開，流動性面臨枯竭風險，價格也不再反映對一個「穩定目標」的準確預測。相反，價格會開始體現一種混雜的東西：既包含事件真實發生的概率，也包含交易者對「扭曲的結算機制最終會如何裁決」的判斷。

委內瑞拉的爭議雖然曝光度較高，但在各個平台上，更隱蔽的失敗其實經常發生：

烏克蘭地圖操縱事件說明，攻擊者可以直接「玩弄」結算機制。一份關於領土控制權的合約規定，其結算將依據某一張線上地圖。有人被指控編輯了這張地圖，以影響合約的最終結果。當「真相來源」本身可以被操縱時，你的市場也就可以被操縱。

政府停擺合約事件說明，結算資訊源可能帶來不準確、至少是不可預測的結果。該合約規定，市場將依據美國人事管理局（OPM）網站顯示「停擺結束」的時間進行結算。特朗普總統在 11 月 12 日簽署了撥款法案，但不知何故，OPM 網站直到 11 月 13 日才更新。那些正確預測停擺會在 12 日結束的交易者，最終卻因為網站管理員的延遲而輸了。

澤連斯基西裝市場則引發了有關利益衝突的擔憂。合約問的是烏克蘭總統澤連斯基是否會在某場活動上穿西裝——一個看似瑣碎的問題，卻吸引了超過 2 億美元的下注。當澤連斯基出席北約峰會時，穿著被 BBC、《紐約郵報》等媒體稱為「西裝」的服裝，市場最初結算為「是」。但隨後 UMA 代幣持有人對結果提出爭議，結算又翻轉為「否」。

在這篇文章中，我將探討如果把 LLM（大語言模型）與 加密技術聰明地結合起來，我們是否能創造一種可擴展的預測市場結算方式：它極難被操縱，並且能做到準確、完全透明、且可信中立。

這不僅僅是預測市場的問題

類似的問題也困擾過金融市場。國際掉期與衍生品協會（ISDA）多年來一直在信用違約掉期（CDS）市場中與「結算/認定」難題周旋——這類合約會在企業或國家發生債務違約時支付賠償。ISDA 在 2024 年的審查報告裡對這些困難的描述相當坦率。他們的「認定委員會」（Determinations committees）由主要市場參與者組成，通過投票來判斷是否發生了「信用事件」。但這一流程一直被批評為不透明、可能存在利益衝突、且結果不一致，這與 UMA 的流程非常相似。

根本問題是一樣的：當巨額資金取決於對一個模糊事件「到底發生了什麼」的認定時，任何結算機制都會成為被博弈和攻擊的目標；而任何模糊性，都可能變成衝突的引爆點。

那麼，一個好的結算機制應該長什麼樣？

一個好方案需要具備的特性

任何可行的方案，都必須同時滿足幾個關鍵性質：

抗操縱性
如果攻擊者可以通過編輯維基百科、投放假新聞、賄賂預言機，或利用程序漏洞來影響結算，那麼市場就會變成「誰最會操縱，誰就贏」，而不是「誰最會預測，誰就贏」。

合理準確性
機制必須在大多數情況下、絕大多數時間裡給出正確結算。世界本就存在真實的模糊性，因此絕對準確是不可能的，但系統性偏差或明顯錯誤會徹底摧毁可信度。

事前透明
交易者在下注之前就必須清楚結算會如何進行。在合約運行中途更改規則，等於破壞平台與參與者之間最基本的契約。

可信的中立性
參與者必須相信機制不會偏向任何交易者或任何結果。這也是為什麼讓持有大量 UMA 的人去裁決他們自己下注的合約如此成問題：即使他們做到了公平，利益衝突的「外觀」也足以削弱信任。

人工委員會在某些特性上可以達標，但在另一些方面則很難——尤其是規模化情況下的抗操縱性與可信中立性。像 UMA 這樣的代幣投票系統，也存在「巨鯨主導」和利益衝突等一系列早已被討論過的問題。

這就是 AI 可以介入的地方。

為什麼用 LLM 當裁判

在預測市場圈子裡，一個越來越受到關注的提案是：讓大語言模型充當結算「裁判」，並在合約創建時，將具體模型與提示詞（prompt）鎖定到區塊鏈上。

其基本架構大致如下：在合約創建時，做市方不僅用自然語言寫明結算標準，還要明確指定將用於判定結果的 LLM（帶時間戳的模型版本）以及將輸入給它的完整 prompt。

這一規定會以加密方式提交並綁定在鏈上。一旦交易開始，參與者就可以檢查整套結算機制——他們清楚知道由哪個 AI 模型做裁判、會收到什麼 prompt、能訪問哪些信息源。

如果他們不認可這套設定，就不參與交易。到了結算時，鏈上已承諾的 LLM 會使用已承諾的 prompt 運行，訪問指定資訊源，並給出裁決輸出。這個輸出直接決定誰拿到賠償。

這種方法可以同時滿足多項關鍵約束：

強抗操縱（但並非絕對）
不同於維基百科頁面或小型新聞網站，你沒那麼容易去「改寫」一個主流 LLM 的輸出。模型權重在承諾時就被固定。要操縱結算，攻擊者要么腐蝕模型依賴的資訊源，要么提前很久對模型訓練數據進行投毒——相比賄賂一個預言機、或編輯一張地圖，這類攻擊成本更高、結果也更不確定。

更高準確性
隨著推理型模型能力快速提升，並且在能夠上網檢索信息、補充證據的情況下，LLM 裁判應當能準確裁決許多市場。關於其準確性的實驗也在持續推進中。

內建透明性
在任何人下注之前，整套結算機制都是可見、可審計的。沒有中途改規則，沒有「自由裁量」的臨場判斷，沒有幕後協商。參與者清楚自己簽下的是什麼。

顯著提升可信中立性
LLM 對結算結果沒有經濟利益相關性，它不能被賄賂，也不持有 UMA 代幣。即便它存在偏差，那也是模型自身屬性導致的偏差，而不是利益相關方臨時做出的裁決。

當然，LLM 裁判也有局限性，我會在下面進一步說明。

LLM 裁判的局限

模型會犯錯
LLM 可能誤讀新聞、編造事實，或在同類案例中使用不一致的裁決邏輯。但只要交易者事先知道自己下注對應的是什麼模型，他們就能把這些「缺點」計入定價。若某個模型在處理模糊情形時有明確傾向，成熟交易者會調整策略。模型不必完美，它需要的是可預測。

操縱並非不可能，只是更難
如果 prompt 指定了某些新聞源，攻擊者可能會試圖在這些新聞源中「種文章」。在大型媒體上成本很高，但在小型媒體上也許可行——這會以另一種形式複現「地圖編輯」的問題。因此 prompt 設計極其關鍵：依賴多源、冗余訊息的機制，比依賴單點訊息源更穩健。

投毒攻擊在理論上存在
擁有足夠資源的對手，可能嘗試通過影響訓練數據去偏置未來的裁決。但這要求在合約出現之前就提前行動，回報不確定且成本巨大，比起賄賂某個委員會成員門檻高得多。

LLM 裁判的多樣化會帶來協調問題
如果不同市場創建者承諾不同的模型與 prompt，那么流動性會被切碎。交易者難以橫向對比合約，也難以跨市場匯總信息。標準化有價值，但允許市場試錯、找到最好的 LLM+prompt 組合也有價值。合理路徑可能是兩者結合：允許試驗，同時建立機制讓社區逐步收斂到經過驗證的默認方案。

建造者該如何落地？

總結來說：AI 結算本質上是把一組問題（人類偏見、利益衝突、不透明）換成另一組問題（模型能力限制、提示工程難題、信息源脆弱性）。但後者可能更可控、更可工程化。那麼，下一步可以怎麼做？平臺應當：

先在低風險合約上試驗
用較低風險的市場測試 LLM 結算，建立成績記錄。哪些模型表現最好？哪些 prompt 結構更穩健？實際會出現哪些故障模式？

推動標準化
當最佳實踐逐漸浮現，社區應當推動形成可作為默認選項的標準 LLM+prompt 組合。這不會阻止創新，但有助於讓流動性集中在「大家都理解規則」的市場上。

建造透明工具
例如開發界面，讓交易者在下注前就能輕鬆檢查結算機制全貌——包括模型、prompt、信息源。結算規則不應藏在冗長細則裡。

持續治理
即便引入 AI 裁判，人類仍需做「元層決策」：哪些模型值得信任？當模型給出明顯錯誤答案時如何處理？默認方案何時更新？目標並不是把人完全移出系統，而是把人從臨時、逐案的裁決中抽離出來，轉向系統化的規則制定。

預測市場有著巨大的潛力，能幫助我們理解一個嘈雜而複雜的世界。但這份潛力依賴於信任，而信任依賴於公平的合約結算。我們已經見過當結算機制失敗時會發生什麼：混亂、憤怒、交易者離場。我見過一些人因為某次結果「違背了他們下注的精神」，感到被欺騙，直接怒而退場，從此不再碰預測市場，哪怕他們曾經熱愛這些平臺。這意味著我們失去了一個釋放預測市場價值、拓展其更廣泛應用的機會。

LLM 裁判並不完美。但當它與加密技術結合時，它可以做到透明、中立，並對抗那些長期困擾基於人類的系統的操控手段。在預測市場擴張速度快於治理機制迭代的時代，這或許正是我們需要的東西。

[原文鏈接]

原文連結

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。