# 协议机制#1：计算机辅助治理

By [[REDACTED]](https://paragraph.com/@immestz) · 2021-11-06

---

[**计算机辅助治理**](https://medium.com/block-science/computer-aided-governance-cag-a-revolution-in-automated-decision-support-systems-9faa009e57a2)**正被越来越多的应用于 DAOs 和各种去中心化项目中，它能通过整合来自数据、分析以及各种类型的建模（包括集成”复杂系统“的建模）的实证来提高决策质量。**

一般来说，在 DAO 治理决策过程中使用的证据类型，其”内在价值增量“从最多到最少分别是：报告/分析； 综合仿真模型； 监督人工智能/机器学习/统计模型； 聚类和无监督学习； 数据可视化； 原始数据。

下图描述了一个典型的基于证据的决策过程，其中包含了计算机辅助治理。

![Figure 1. 基于证据的决策过程（饱含计算机辅助治理）](https://storage.googleapis.com/papyrus_images/37a0beb4094b9d5832c7183c5889aecdba7aee8fcc93a48554dcdb5f2a76fe16.png)

Figure 1. 基于证据的决策过程（饱含计算机辅助治理）

**\[REDACTED\] DAO 将有一个论坛，其中包含专门讨论各种主题的子版块，包括与治理相关的讨论。比如说，我们会有一个让数据科学与建模的贡献者们进行证据收集、分享、讨论的子版块。**

在一开始，需要在 DAO 治理开始之前像一个决策提案，比如说决定在下一个周期接受什么抵押品来 Bond。而为了支撑这个决策，需要在各种模拟与模型的帮助下收集和分析数据，并由决策者充分讨论。至于讨论的结果，显然需要更多的证据才能做出明智的决定，这种情况就需要收集、分析、讨论更多的数据。

如果通过讨论就能由于足够的证据而对决策形成初步共识，那么就可以转入下一个阶段，也即有约束力的投票。而一旦决策被启动，DAO 的状态、整个受控系统和环境都会发生变化，从而产生更多新的信息，这些信息可能会在未来导致出现更多问题和决策。

在这里，我们省略了常规数据科学细节，例如数据收集、清理和数据处理等。另外，还有一个显然会出现但并没有被讨论到的现象，那就是多个决策（以及其过程）很可能需要同时进行，比如说，我们的DAO需要同时决定多个事项。

未来，我们会让整体的决策流程循环越来越自动化，特别是针对某些特定问题，例如实时参数调整。这个过程会消除人类的介入，利用人工智能或是基于规则的决策取代投票，从而形成更典型的控制循环。

### 这些应用在 \[REDACTED\] 会是咋样的？

想象一下，在展开 DAO 治理之前已经有了一个关于是否饱含新资产类型的提案。然后，专门用于此决策的子版块将会有很多帖子，包括建立在早期基础分析之上的高级分析报告。以”通证经济报告”为例，该报告就结合并讨论了先前发布到论坛的各种实证，包括模型与分析。

![Figure 2. 显示了论坛帖子标题的选择过程，“通证经济报告”显示了它引用和建立在哪些以前的帖子上。](https://storage.googleapis.com/papyrus_images/4328f5a1ff8de7bfda47d34ec706c454721efe9e1bcf8310605e358af12a20c8.png)

Figure 2. 显示了论坛帖子标题的选择过程，“通证经济报告”显示了它引用和建立在哪些以前的帖子上。

在 DAO 社区治理中，通常都会预设人们的行为规范并不断强化它，比如说选民会利用最佳的实证来作为他们投票的依据，并且会支持那些对源材料（分析、模型或原始数据）有明确引用的实证。

![Figure 3. 论坛上支撑决策的实证的溯源](https://storage.googleapis.com/papyrus_images/12605308f98d2e6f89f2c7409cc0934a30b207408e2ce48cece90eda67407cbc.png)

Figure 3. 论坛上支撑决策的实证的溯源

_Figure_ 3 显示了“机器学习建模”、“数据可视化”以及“市场模拟”如何使用以前发布的实证，包括：“原始市场数据”，“区块链数据”，以及“行为数据”。

![Figure 4. 作为节点的有向无环图 (DAG) 的决策支持证据.](https://storage.googleapis.com/papyrus_images/80c865a07d8ace7cf651c660a8badafb9b1bf9470470787c54d5defc78acbfdc.jpg)

Figure 4. 作为节点的有向无环图 (DAG) 的决策支持证据.

**抱歉，接下来我们需要将数学部分作为图片发布，由于 Mirror 尚不支持特殊字符。数学部分的书面形式可以通过我们的** [**Discord**](https://discord.gg/DTcBQDfRvW) **进行访问。**（译者：看不懂的建议跳过）

![](https://storage.googleapis.com/papyrus_images/6440a0d63ff1060abe9f7d925dfa1f714b0668d46d2379a9e1694546e0a68252.png)

![Figure 5. 在任意 DAG H 中标记节点 hi 的接收器、源、后继和前驱节点](https://storage.googleapis.com/papyrus_images/6a0099ccdb7c328e50c2e01d9bb7bd412212327e7f47b66beb8e5f0a8b3d2d50.png)

Figure 5. 在任意 DAG H 中标记节点 hi 的接收器、源、后继和前驱节点

![](https://storage.googleapis.com/papyrus_images/6c5d0bf4b20cc70a05bd4b6169dae3a8f2dc046fe96bd1350c65197adb7756aa.png)

### 已发布证据对决策过程的效用

![](https://storage.googleapis.com/papyrus_images/1cff93a50f1f0348ed117c76cf85df8241e94385df08d073b16df5913ac1a122.png)

### 已有证据的状态变动

![](https://storage.googleapis.com/papyrus_images/54c6b0c629c3c41030b39159489f76c51097a877f4f462acd0d5f367bc7ed59a.png)

### 估算贡献率

![](https://storage.googleapis.com/papyrus_images/c5a6517d14542a253f021c33b616a40424479935fbc748e0c65c86958c50f99b.png)

### 自下而上视角

![](https://storage.googleapis.com/papyrus_images/ce6b1522b4dabf129c125e66828b82aa5b0464531ea0603c1de0e5cf8c8a457a.png)

### 自上而下视角

![](https://storage.googleapis.com/papyrus_images/a3f0b17ef5a1e422b77f2eeee7a880682d5586ac0b690e3345b48ba150b60540.png)

### 融合视角

![](https://storage.googleapis.com/papyrus_images/62574c8c621cbd996fc0f9ecccd84ba2dc85b948c977e4744b1fd84dbbece420.png)

### 投票成员的信用分配

![](https://storage.googleapis.com/papyrus_images/717a261f2bc67719db9ee4542f0f57407a494ce6fa3e0221bc5c9a10c7c9b107.png)

有趣的是，我们已经证明，这种信用分配是可能的，这样就无需每个投票成员都必须通过对比证据以及溯源证据来明确判断证据本身的效用。

在我们的决策中利用计算机辅助治理，我们可以让治理架构不仅变得越来越自动化，而且更加由数据驱动。在像我们这样具有许多移动杠杆的协议中，将归因纳入 DAO 的循证治理至关重要。关于我们的 DAO 区分器(DAOs differentiators)的更多细节将在未来的“协议机制”文章以及我们的 Gitbook 中进行扩展，该 Gitbook 将于 ███████ 发布。

[https://discord.gg/eamqUEFPgV](https://discord.gg/eamqUEFPgV)

🦋

---

*Originally published on [[REDACTED]](https://paragraph.com/@immestz/1)*