suốt vài ngày qua tôi bị mắc kẹt vào một thứ nhìn thì có vẻ nhỏ thôi: một công cụ chính sách quyết định điều gì được xem là đáng tin cậy, và điều gì xảy ra khi các nhóm thông tin khác nhau cùng được đưa qua một cổng “có/không” như nhau.

dự án là newton protocol, và thứ khiến tôi dừng lại là danh sách các oracle dữ liệu của nó: các nhà cung cấp kyc cạnh một nguồn dữ liệu lợi suất kho bạc, cạnh một chỉ số số người theo dõi farcaster. cùng một danh sách, cùng các bước tích hợp.

ban đầu tôi tập trung vào số lượng nhà cung cấp. persona và veriff cho danh tính, chainalysis để sàng lọc trừng phạt, human passport để chấm điểm chống sybil, massive cho dữ liệu lợi suất kho bạc, neynar cho dữ liệu mạng xã hội của farcaster.

phần thú vị hơn là chuyện gì xảy ra sau khi chúng được gắn vào.

tất cả những oracle này đều được kéo vào một chính sách rego theo cùng một cách, bất kể chúng tuyên bố gì. hãy xây nó như một thành phần wasm, tham chiếu đầu ra qua data.wasm, rồi so sánh với một ngưỡng. một điểm rủi ro và một số lượng người theo đều trở thành data.wasm.something, và chính sách trả về allow hay không.

không có ngoại lệ.

sự đồng nhất đó chính là toàn bộ “chiêu” (pitch). các chính sách của Newton được xây để có thể tổ hợp: kết hợp dữ liệu sanctions, dữ liệu yield và dữ liệu danh tính trong một lần đánh giá, điều chỉnh ngưỡng sau này, và bỏ qua việc triển khai lại.

phần đó thật sự hoạt động.

bạn có thể yêu cầu một điểm passport stamps tối thiểu, một điểm từ api của model cao hơn một ngưỡng nào đó, và một bằng chứng xác nhận rằng bàn tay sạch (clean hands) trong cùng một chính sách Newton. ba loại bằng chứng khác nhau, một cổng (gate).

nhưng có một điều gì đó cứ mãi ám ảnh, và lúc đầu tôi không thể xác định nó là gì.

một đợt “sanctions hit” của chainalysis gần như là một sự thật: một địa chỉ có nằm trong danh sách hay không. một lần kiểm tra kyc theo persona là khớp tài liệu đã được xác minh. điểm model cho hộ chiếu của con người khác ở chỗ: phát hiện hành vi dựa trên ml, một phỏng đoán mang tính xác suất về hoạt động sybil, chứ không phải là một chứng chỉ đã được xác minh.

cùng một trường data.wasm đó.

theo những gì tôi có thể thấy, không có gì trong lớp policy đánh dấu sự khác biệt đó. ranh giới giữa một sự thật và một phỏng đoán không tồn tại được khi đi qua lớp policy.

và mức độ quan trọng không phải là giả thuyết. việc chấm điểm model cho hộ chiếu của con người là công cụ đã bảo vệ đợt airdrop trị giá 98 triệu đô la của story protocols khỏi sybils—giá trị thật bám sát vào một bộ phân loại mang tính xác suất—trong cùng hình dạng chính sách như một kiểm tra sanctions.

vụ neynar đẩy vấn đề này đi xa hơn. neynar cung cấp số lượng người theo và điểm bot cho các chính sách của Newton. tính đến tháng giêng này, neynar sở hữu farcaster, sau khi mua lại từ merkle manufactory.

vậy công ty đo lường tín hiệu xã hội sở hữu mạng tạo ra nó.

việc đó không tự động khiến con số sai.

nhưng giả định rằng bạn sẽ độc lập với một bên oracle thứ ba thì không đúng, ít nhất là với đầu vào này.

vậy nên việc tổ hợp không loại bỏ niềm tin.

nó chỉ chuyển chỗ nó đi.

đi vào một tên trường trong một chính sách rego, nơi khoảng cách giữa một sự thật và một phỏng đoán không còn hiện rõ với bất kỳ ai đánh giá nó.

điều tôi cứ qua lại mãi là liệu đây là một khiếm khuyết thật sự hay chỉ là chi phí trung thực của tính tổ hợp. việc bắt mọi tín hiệu phải đi theo cùng một cấu trúc allow/deny có khiến các chính sách của Newton có thể di chuyển được giữa các miền khác nhau không, hay việc gộp việc thu gọn một đường cong lợi suất và một số lượng người theo vào cùng một phép so sánh lại che giấu rằng đằng sau quyết định có bao nhiêu mức độ tin cậy, đến mức không ai viết chính sách bị buộc phải nhận ra họ đang dựa vào cái nào?

#Newt @NewtonProtocol $NEWT $LAB $SKYAI