对话通证一姐张倩倩(二)

2024-02-22 16:59
文章标签 对话 通证 一姐 张倩倩

本文主要是介绍对话通证一姐张倩倩(二),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

对话通证一姐张倩倩(二)共建、共享、共创、共赢

从蛮荒时代起,人类为了打猎的效率更高,就建立了组织,放弃争议协同作战,提高了生产力,获得的更多的食物。组织的优势也显而易见:团结起来力量大;享受到了更大化的价值分配;有了更高的存活机率。

有了组织就有了生产关系,它是生产方式的社会形式,生产关系总是在适应生产力的发展,生产力决定生产关系,生产关系反作用生产力。生产关系和生产力是随着人类组织的进化和变迁在不断的变更和进化如今,区块链时代即将来临,张倩倩认为“区块链将是生产关系和生产力的一次重大变革”。



1、区块链不是凭空出现的,或是人类文明进化的必然结果

马歇尔提出的生产力四要素是:劳动力、劳动资本、土地以及组织者,有时候会说企业家。那么组织者出现之后,就会有被组织者出现,所以我们可以看到生产是建立在一个组织之内。石器时代和工业时代的工具是不一样的,到了信息时代,工具也由传统的工业时代的工厂变成了电脑、计算机,到了互联网时代,工具更多的是信息的载体。

组织的目的其实是为了更加有效的一种协同,大家为了同一个目标一起努力,去达到一定的结果,是让无序的协作方式变为更加有序的协同方式;为什么会有有序的协同方式,其实它的目的很简单,就是为了更大化的价值创造,去放大它的价值。

“生产关系和生产力是随着人类组织的进化和变迁在不断的变更和进化,人类组织的进化和变迁还有一个很明显的特征,就是协同工具的变化,随着工具的进化,协同效率也随之提高,那么组织的边际就会变化,就会被拓展。”按照工具划分可以分为八个时代:石器时代、青铜时代、农业时代、工业时代、信息时代、互联网时代、移动互联网时代、区块链时代。从信息时代到区块链时代我把它划分为知识时代。”

     知识是人脑当中的资源,这与土地、劳动力以及资本等传统生产要素是不同,知识是第一生产力,这已成为一种共识。

张倩倩认为“随着人类文明以及生产关系和生产力的进化,价值创造和价值分配的评判标准也不断发生变化,所以对于价值的定义在每个时代都是不一样的。人们创造和分享知识的行为是一种无形的活动,既无法监督也不能强迫别人去做,这种无法量化的东西如果说没有任何激励,或者没有心甘情愿的合作,人们是不愿意去分享和创造知识的。在互联网时代,知识的价值没有被量化,它没有被价值化,没有得到对等的价值回馈。

随着工具的改变,人类的协同的效率有了提升,组织的边际也被扩大化了,代表了人人时代的到来。人们有了更多的时间去追求他们自己的兴趣爱好,有了更多的时间去学习,这为后面的知识时代提供了大量的认知盈余的基础。所以张倩倩认为“区块链并不是凭空出现的,它是人类文明进化的必然结果。”

区块链时代的到来进一步促进了组织的进化,信任是组织协同的核心,区块链解决的就是信任问题!扩展了人与人信任的边际,因此提高了人类大规模协同的效率。

 

2、强关系组织需要可落地的通证经济激励模型

 

互联网时代真正的价值生产者并没有得到相匹配的价值回馈,那么通证是如何解决这个问题的?



组织协同效率的提升是区块链很明显的一个标志,一个越有效的组织中,成员之间就越存在强关系,因为强关系会促进强信任。区块链所带来的价值互联网以及价值互信网都是建立在信任基础之上的,强关系促进强信任,为了提高组织的生产效率,有史以来创造了很多种激励方式,组织的激励和强关系又是什么?促使人类形成强关系的协作方式可以分为三个阶段。

第一个阶段是通过生存胁迫和暴力胁迫完成激励。被激励方不是主动参与协作的,比如奴隶制社会奴隶主与奴隶之间,资本家和劳动者之间都是生存或者暴力胁迫。是一种弱关系的激励方式;

    第二个阶段是荣誉激励和经济激励。比如以公司为主的组织之间,它是通过荣誉以及奖励、工资或者奖金来激励人们发挥生产力的,属于稍弱关系的激励方式;

第三个阶段是兴趣激励、价值观激励和使命激励。互联网时代出现了大量的自组织,都是由兴趣激励所导向的文化组织。比特币最开始是由密码朋克运动导致的,也是一帮人因为同样的兴趣爱好,同样的价值观,形成了一个对数字货币非常有信仰的组织。在我看来使命激励也是价值激励,它其实也代表一种价值感。这是一种强关系的激励方式。

 

张倩倩认为“通证是价值的凭证,所以一切有价值的行为都可通证化,这种通证可以提高人类的协同效率。通证经济是什么呢?它是价值互联网的价值载体,可以作为大规模群体协作的激励媒介,可以诱发参与式经济

市场是由交易所形成的,经济是由多个市场通过相互之间的博弈而形成的,只有强关系的强组织才能扩大生存几率,强组织又需要适当的通证经济激励模型,

只有充分了解通证以及通证经济的本质之后才能更加有效的设计出可落地的通证经济激励的模型。

  更自发更高层次的组织形式更加符合区块链时代的精神,那就是“共建、共享、共创、共赢”,是在共享经济之上进一步的演化、进一步的进化所产生的,核心是一个“共”字,是更高级的时代精神。

 

 

这篇关于对话通证一姐张倩倩(二)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/735918

相关文章

Behind the Code:与 Rakic 和 Todorovic 对话 OriginTrail 如何实现 AI 去中心化

原文:https://www.youtube.com/watch?v=ZMuLyLCtE3s&list=PLtyd7v_I7PGnko80O0LCwQQsvhwAMu9cv&index=12 作者:The Kusamarian 编译:OneBlock+ 随着人工智能技术的飞速发展,一系列前所未有的挑战随之而来:模型的衰退与互联网的潜在威胁愈发明显。AI 的增长曲线可能因训练过程中的瓶颈而趋于平

AIStarter:AI界的全能启动器【绘画、对话、写作、视频、换脸...】

随着人工智能技术的不断进步,越来越多的工具和平台开始涌现,旨在帮助用户更便捷地使用AI技术。AI Starter作为一个集成了多项实用功能的启动器,旨在为用户提供一站式的AI项目管理和使用体验。本文将详细介绍AI Starter的功能和亮点,帮助用户更好地了解这款强大的工具。 一、引言 简述AI技术的发展及其在各领域的应用。引出文章主题——AI Starter的功能和亮点。 二、AI Sta

livekitAI对话实践(python+next)

https://docs.livekit.io/home/self-hosting/local/ 1)根据上面的教程启动livekit服务  livekit-server --dev --bind 0.0.0.0 保证局域网内都可以访问 启动成功后访问页面192.168.1.138:7800 是一个ok 2)根据下面的教程启动前端(next)和后端服务 需要注意的是 export LIVEK

如何在算家云搭建Qwen2(智能对话)

一、Qwen2简介 Qwen2 是由阿里云通义千问团队研发的新一代大型语言模型系列,它在多个方面实现了技术的飞跃和性能的显著提升。以下是对 Qwen2 的详细介绍: GitHub - QwenLM/Qwen2: Qwen2 is the large language model series developed by Qwen team, Alibaba Cloud. 1. 模型概述 名称

一文速学ChatBi“与数据库对话“大模型技术原理及框架一览

前言 上期写了NL2SQL,相信看过的朋友应该都对现在大模型在数据交互办公层面的探索和发展都十分感兴趣,在此商业化的产品市场上也有很多,比如阿里云的析言GBI: 腾讯云的ChatBI: 像此类的产品可以说是最贴切业务的。 在许多业务场景中,用户最关心的是如何快速获取最终的数据结果,而不是去理解数据是如何被提取和处理的。学习数据获取的复杂过程往往是一个高成本的障碍,而降低这一成本直接关系到产

前端怎么实现大模型对话

说一下前端怎么实现大模型,就是像什么通义千问文心一言GPT那样的,这个我之前做过啊就是这样的,这是我们以前在公司做的,对大家以后开发这种东西有一些参考,那我们当时做的时候是没有参考的,网上有这种相关的代码仓库,它模拟那种GPT实现的,但是它那个做的非常复杂。他用了十几个这种组件,然后几十个方法,而且数据存储都放在前端,根本无法参考,太麻烦了。 我这个就一个组件几千行代码实现了的,包括什么文心一言

对话系统概述:问答型(直接根据用户的问题给出精准的答案,更接近一个信息检索的过程;单轮;上下文无关)、任务型(多轮对话、针对特定场景)、闲聊型(不解决问题;自然交互;多轮对话)、图谱型(基于图谱推理)

参考资料: 【笔记1-1】基于对话的问答系统CoQA (Conversational Question Answering) 了解人机对话—聊天、问答、多轮对话和推荐 幽澜资讯:如何区分智能机器人对话系统的单轮和多轮对话? NLP领域中对话系统(Dialogue)和问答系统(question answer)做法有哪些异同点? GitHub:基

240831-Gradio之RAG文档对话工具Kotaemon的安装与配置

A. 用户界面 该项目既可以作为功能性 RAG UI,既可以用于对文档进行 QA 的最终用户,也可以用作想要构建自己的 RAG 管道的开发人员。对于最终用户:- 一个干净且简约的用户界面,用于基于RAG的QA。- 支持 LLM API 提供程序(OpenAI、AzureOpenAI、Cohere 等)和本地 LLMs(通过 ollama 和 llama-cpp-python)。- 简单

大模型企业应用落地系列八》基于大模型的对话式推荐系统》用户交互层

注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》(人工智能科学与技术丛书)【陈敬雷编著】【清华大学出版社】 文章目录 大模型企业应用落地系列八基于大模型的对话式推荐系统》用户交互层项目实践深入探讨大模型推荐技术发展趋势探讨 总结 大模型企业应用落地系列八 基于大模型的对话式推荐系统》用户交互层 上一篇文章详细讲解了对话管理层,本篇

11 对话模型微调

提问:其实我一直觉的数据是最费事的一个,现在都是使用别人的数据,如果对于实际场景中那么我们该如何获取处理数据呢! 1 数据处理; 2 模型选择,调参数; 数据 llm-wizard/alpaca-gpt4-data-zh · Datasets at HF Mirror 模型 魔搭社区 1 数据 Instruction: 问题 input: 输入部分,辅助解读问题   outp