欧科云链研究院 | 今日学习:DAO

DAO作为一种新型的组织形式,利用智能合约实现去中心化治理。文章探讨了DAO与传统合作社的区别,指出代币经济在DAO中的关键作用。以Uniswap为例,展示了DAO的决策过程和潜在问题,如提案机制、阶级分化和用户参与度。作者提出,DAO的社会实验值得观察,其未来将揭示人性的光明面和阴暗面,以及区块链治理的公平性挑战。
摘要由CSDN通过智能技术生成

组织(organization),意味着一堆人为了某种共同目标,在群体里做决定的方法。通常以「公司」的分层管理形式最为普遍,权力集中在上层的管理阶层。而Dao(decentralized autonomous organization)最特别之处在于利用程序代码,将游戏规则写在智能合约中并执行,相较公司而言,是一个去中心化的自治组织。

Why now?

Dao 的前生是Co-op, 也就是我们熟知的合作社。我的第一个问题是,合作社这种组织架构是一个1844 年的产物,发展至今,全世界有300 多万的co-op、12% 的人是某种合作社的会员。但相较于LLC 有限公司的普遍,合作社的组织方式,不算是显学。所以加密货币到底成就了什么事情,让这个百年产物重新翻红,有了新的身份:Dao。

答案可能比我们想的简单很多:钱,更精确一点是token。Governance 或自家各种token 应该是触发Dao 发展的火种。拥有这些token 就像拥有了一个共享银行帐户。而银行帐户的资金使用,不用大小章,是可以直接在线上投票决定的。

既然公司种类百百种,Dao 的种类也是五花八门。有趣的是,当一个组织是从社群而起,你会很讶异这股力量所带来的变形。一些比较经典的Dao 和大家分享:

Flamingo Dao : 集资投资NFT。基金的概念,只是投资决策不是特定基金经理人,而是每位会员都能投票参与。目前拥有数百个crypto punks。也会支持NFT 相关的基础建设,例如Opensea。

Friends With Benefits (FWB):一个终极文化会员俱乐部。社交社群为导向,除了discord 里,有各种文化、艺术、NFT 等讨论群组外,还会举办线下coffee time 等线下活动。虽说是社交社群为主,但也有相关的产物孕育而生,例如newsletter 集结每周重要的讨论、Gatekeeper 可以在线下活动中验证会员身份。

最重要的主流,应属于protocol Dao,这里头包含了几乎所有defi 的主流产品:Compound、Uniswap 、 Curve 等。

以下我想拿Uniswap 作为案例,除了它是Dex 的OG 外,整个uniswap treasury 价值超过20 亿美金。所以去中心化的治理,也攸关这座金山银山该怎么分配。究竟去中心化的治理是个话术还是组织的核心价值?前面有提到,Dao 的游戏规则是明订在code 里,所以规则怎么订,也导致最后是真民主?还是假民主真独裁。UNI 是Uniswap 的治理代币,这个世界里,token 就是你的投票权,一币一票,也就是说,UNI 币越多,权力就越大。但又该避免被有钱人集权于一身,平衡公平和避免被攻击,到底是个社会学问题还是技术问题?

若从单纯的代币模型来看,UNI 的genesis 分配,貌似有点去中心化,60% 给community(airdrop 、 liquidity mining 、( governance treasury),近40% 给了团队和早期投资人(21% team + 18% investors)。但仔细看来,60% community 的份额中,有43% 是待所有的token holder 来决定未来如何使用的governace treasury。所以所谓的community aka 小虾米,其实只有17% 的token。

UNI Allocation

而UNI token 用来治理的涵盖范围如下,主要是在决定treasury 代币分配以及Uniswap 费用结构的变化。

  • Uniswap governance
  • UNI community treasury
  • The protocol fee switch
  • uniswap.eth ENS name
  • Uniswap Default List (tokens.uniswap.eth)
  • SOCKS liquidity token

虽说任何一个UNI holder 都能提案,但提案的过程要先闯三关:

  1. 温度测试:到Uniswap 的治理网站发文,并得到25K UNI 赞成票
  2. 共识测试:到Uniswap 的治理网站发文,并得到50K UNI 赞成票
  3. 提案生效:到Uniswap 的治理网站发文,并得到40M UNI 赞成票

投票的过程,第一、二阶段是在链下的snapshot投票,只有第三阶段会到链上uniswap 的投票页面进行。链上链下的考量,当然是gas,但作为小小token 持有者,会有多大的动力,花gas fee 去投票呢?

在人人都能投票的直接民主下,并不能期望所有人,特别是小虾米的token 持有者,对每种议题都深度的研究或看法,进而造成政治冷漠。虽然能够将投票权委托给他人,但委托的逻辑,是要有办法判断谁是可以受委托的对象,最后可能也是取决于被委托者的名声,量少的token holder 也很难真正影响投票的结果。反观,若团队或早期投资人所支持的提案,以最后赞成需要的token 数量,是一定会通过的。

这又让我想到了下一个问题,这样闯关型的提案架构,在于分秒必争的区块链产业,是否能即时反映市场需求做出应变。所谓的用户参与治理,又该如何落实在策略执行上呢?Toby Shorin 等人所做的Uniswap research report做了详细的访查,蛮具参考性的。由于原文太长,中文翻译不甚完美,我稍微统整如下:

Uniswap 里有分几种群组,核心程度由大到小,包含:

  • Uniswap Discord
  • 里面的人数破万,是社群进入门槛最低的管道。各式各样的非正式讨论和问题都有。
  • Gov.uniswap.org 的Discourse
  • 主要功能是提案和投票。
  • Uniswap Grants Program(UGP)
  • 我称它为社群内的小团体和资优班。受到赠款者,可以加入UGP 的slack,直接和社群网红和主要的token 持有人互动。
  • Uniswap Lab Slack
  • 主要是uniswap 团队核心成员,作为内部沟通协调使用。

由此可以看出,在这个庞大个社群组织里面,仍然有模糊的阶层存在。几个值得观察后续发展的问题:

  • 社群讨论浓度低
  • 在discord 群组里,可以回答开发技术上的问题、用户使用上的问题或讨论Uniswap 未来的发展。在一个人数破万的群组里,很难组织有效率的讨论,最后沦为客服专线。而大鲸鱼们其实也不用跟小虾米一样在discord 群里搅和,因为不管投什么票,他们都不用去拉拢小虾米。
  • 兴趣VS 工作
  • 社群管理员们一开始是无薪却热情的Uniswap 用户,后来拿到Uniswap Grants 而变成全职工作。然而,一个无薪的义工和有几职的工作,理当要有不同的KPI。但在缺乏长期的社群发展策略下,难有一致的标准。
  • 核心开发VS 适其发展
  • 一个新创公司在资源有限下,最重要也在困难的就是专注。当核心开发团队要快速推出有竞争力的产品时,又要兼顾社群蓬勃发展。当使用者= stakeholder = 社群讨论参与者= 治理领导人时,矛盾日益显著。

另外观察到几个有趣现象:

Uniswap Lab 虽然是Uniswap 的创建团队,但他们自称是protocol 的贡献者(contributor),uniswap 生态系是属于大家的。

最后,我觉得Dao 最值得观察的,是这个社会实验的过程。当token 和经济利益被带入整个自治组织后,到底是会凸显人类的善良,还是放大本性的劣质。区块链上开放的治理生态系仍在早期阶段,目前的演变虽然仍存在很多表面功夫,未来是不是能带来更多实质上的公平,还是令人期待。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值