Trong phiên họp mở hôm nay, chúng tôi đã thực hiện một phân tích về việc áp dụng các hệ thống đánh giá tác động hoặc loại thưởng khối cho 2 lĩnh vực: xuất bản học thuật & môi trường Chúng tôi đã rút ra 5 tính năng hữu ích trong thiết kế của chúng 1. Tất cả các chức năng đánh giá tác động đều yêu cầu chuyển đổi đáng tin cậy thành tính khả thi Công suất băm cho btc, dung lượng lưu trữ cho fil, v.v. là những hàm toán học rõ ràng cho phép phát hành theo một công thức nào đó Nhưng mọi người chỉ mua vào việc phát hành nếu họ chấp nhận tính trung lập của nó. Ví dụ, tín chỉ carbon có thể chuyển nhượng nhưng nhiều nhà máy than gây ô nhiễm sử dụng một số công nghệ tốt hơn một chút và nhận được tín chỉ, vì vậy điều đó không hoàn toàn đáng tin cậy 2. Nếu được thu thập đúng cách, các hệ thống đánh giá tác động trở thành các nút điều chỉnh mà chúng ta có thể định hướng các tác nhân dài hạn xung quanh một kết quả lý tưởng mà chúng ta muốn Chúng cũng nên là các chỉ số khó thu thập nhưng dễ xác minh, tương tự như btc hoặc dung lượng lưu trữ 3. Chúng ta muốn lý tưởng đầu tiên giải quyết một số vấn đề tại chỗ như "bài báo này có đủ để được chấp nhận vào các hội nghị không" Và đưa những đầu vào đó vào các vấn đề toàn cầu hơn như "hội nghị này có tác động cao không", "một nhà nghiên cứu tốt như thế nào được đo bằng các bài báo của họ tại các hội nghị tốt" 4. Chúng ta muốn các đánh giá tác động trở thành các hệ thống tự nâng cấp, nếu không chúng có thể trở thành những thành trì quyền lực Một ví dụ tốt là việc thực hiện tính đa số trong ghi chú cộng đồng hoặc QF cụm. Nếu 2 người thường không đồng ý nhưng giờ đồng ý, điều đó có trọng số cao hơn. Nhưng nếu họ lại đồng ý lần sau, nó có trọng số thấp hơn vì lần trước họ đã bỏ phiếu cùng nhau 5. Cuối cùng, chúng ta có các đánh giá tác động như những hàm toán học cứng nhắc phát hành một số phát thải so với các lực mềm & phi lý hơn như giá thị trường của loại tiền tệ đó, cần phải được so sánh với nhau.
Devansh Mehta
Devansh Mehta29 thg 7, 2025
What a great first presentation at the research retreat by one of the participants on control theory He ran a quant firm full of mathematicians, so he needed to exactly determine the bonus structure based on profit made by traders It was highly technical so much of it went over my head, but some key points i did get; 1. We should convert global problems (like how much did this person contribute to the company) into local ones (who was responsible for this $100 trade and how much) 2. We separate out estimation or figuring out weights from control or determining payouts based on obtained parameters 3. For control questions, we change from a graph structure into a matrix, making the whole distribution problem more tractable Much of what we discussed was highly relevant to deep funding. My 2 keys takeaways were - If parts of the matrix are unfilled, can we use distilled human judgment to still estimate their answers? - if deep funding is less of a tree structure and more of a directed acyclic graph, then can recommendation algorithms be applied to getting weights between repos?
15,08K