使代币管理的注册表（高质量列表的分散生产）在实践中发挥作用 ——投票是中心机制，但信息环境也很重要

——作者 Alex Tabarrok

Token Curated Registry (TCR) 是一种激励去中心化生成高质量列表的机制。例如：弗吉尼亚州费尔法克斯的四川餐馆列表；优质大学名单；高质量软件产品列表。我们假设一份名单受到公众的重视，并且我们假设——因为这份名单受到重视——生产者和申请者愿意为进入名单而付费。

要进入名单，申请人提名一个名单项目，然后质押最低数量的代币。挑战期开始。在挑战期间，挑战者可以质押相同数量的代币并要求试用。审判由陪审团决定，陪审团通过在“拒绝”或“接受”两个选择按钮上放置代币进行投票。如果大多数代币押注在“拒绝”上，则该项目被拒绝并且申请人的股份被没收。申请人的一半股份给挑战者，一半给与他们的选票相等的权重的多数选民。如果更多的代币被押押注在“接受”上，那么该项目将被添加到列表中，挑战者的股份将被没收，并按比例分配给多数选民。选民则永远不会失去他们的股份。

可以调整各种参数，例如初始股份和申请人股份直接给予挑战者的百分比（详见Goldin）。在一些更新的 TCR 版本中，少数选民失去了他们的股份（可以了解AdChain案例）。AdChain 正试图通过识别真实的网页和发布者来根除对广告商的欺诈行为。

投票是该机制的核心，但文献对选民的激励机制含糊不清。主导模型是谢林点模型.² 在此模型中，选民希望以多数票投票，因为只有多数票会获得报酬。在 TCR 机制中，选票在统计之前是隐藏的，但选民可以使用其他信息来推断多数人的去向。例如，选民可能会查看评论，也可能会运行测试以确定一个软件是否是高质量的。

我自己就会通过评论以判断一个软件是否是高质量的，那么如果我发现该软件质量低下，我知道你也一定会发现相同的情况。因此，软件质量低下的事实成为常识（我知道你知道我知道……），这使得投票拒绝软件成为一个合理的谢林点。（谢林点是人们在没有交流的情况下倾向于默认选择的解决方案。如果每个人都知道对方正在尝试做同样的事情，那么他们会意图或期望会与其他人做出一致的选择”，因此他们的行动将集中在一个与环境相比具有某种突出地位的焦点上. 但是，焦点的显着性取决于时间、地点和人本身，可能不是一个确定的解决方案。）

为了有用，我们需要选民协调的谢林点来揭示对社会有用的信息。但是，这不能保证。事实是一个谢林点，但它很少是唯一的谢林点。假设一组选民不是研究信息——这是昂贵的——投票他们的偏见。如果他们的偏见被广泛分享，那么结果很容易导致荒谬但大多数有利可图的结果。例如，AdChain 选民拒绝将 Facebook 和 NYTimes作为真正的出版商，因为大多数人正确地推断出大多数选民不喜欢 Facebook 和 NYTimes！AdChain 旨在向广告商揭示哪些网站是真实的，哪些是虚假的，因此从社交的角度来看，这是一个荒谬且适得其反的结果。

如果谢林点不强，串通者也可能在只持有少数代币的情况下摆平一场审判。在经典的谢林点故事中，陌生人被告知明天要在纽约见面。在哪里？什么时候？尽管有无穷的可能性，但令人惊讶的是，有很大一部分人在中午时分协调在中央车站。然而，假设有一个人大声宣布 "新的谢林点是中午的帝国大厦"。大中央车站真的比帝国大厦更有焦点吗？即使中央车站的焦点更多，仅仅是有人宣布帝国大厦的事实就可以使它成为谢林点。同样，如果阅读评论的成本很高，所以真相并不广为人知，那么一个随机的公告，如 "这个软件不好，我要投1000个代币来拒绝"，就可以摆出试验。

假设偏见和勾结的问题是可以克服的，因此真相就是是唯一的谢林点，该模型可以生成有用的新信息，这些信息会在平衡中显示出来。然而，使模型工作的关键参数隐藏在后台。最重要的是，挑战者和选民愿意在信息获取上花费多少？假设项目的质量可能是 (H) 高或 (L) 低，并且有一些信息可以用 C 的成本挖掘，以概率 p (p>½) 揭示真相。也就是说，如果项目是高质量的，则信息源以概率 p 返回 H，以概率 (1-p) 返回 L，如果项目质量低，则以概率 p 返回 L，以概率 1-p 返回 H。换句话说，信息源以概率 p 显示谢林点。每个选民都有独立的抽签。那么，如果选民根据信息源投票，他们的预期回报是：

(p ½ 股本)/N

其中 N 是也获得相同信息的其他选民的数量（我假设每个选民投票的代币数量相同）。但是请注意，这是与什么都不做相比的回报。然而，一个合理的选择是随机投票。随机投票者将在 50% 的时间中占多数，因此随机投票者将获得：

½*½ 股本/N

因此，花费 C 和学习信息的回报是 (p- ½) (½ Stake)/N（注意 p> ½ ），因此在以下情况下学习信息是值得的：

(p- ½)(½ 股本)/N>C

本质上，这个方程决定了平衡 N，使得：

N=(p- ½) ½ 股本/C

假设信息源相当准确，假设 p=.9 然后 N=.2 Stake/C，因此 Stake 必须至少比选民了解信息的信息获取成本大五倍。如果信息源不太准确，则相对于 C，Stake 必须更大。

还记得选民只有在挑战者挑战时才能投票。假设有一个 N 满足选民方程，挑战者可以支付成本 C 来学习 H 或 L。如果挑战者学习 L，挑战将支付，如果：

p ½ 股本 — (1-p) 股本>0

这意味着至少 p 必须大于 2/3 才能激发挑战。因此，挑战者将在以下情况下搜索信息：

（我假设一次只有一个挑战者，并且没有竞争成为挑战者。）请注意，如果没有 p>2/3 的信息来源，那么该机制将无法工作。此外，对于任何给定的 C，Stake 可能必须非常大才能引发挑战。例如，假设 p 的分布接近 2/3，那么左侧几乎不是正数，因此 Stake 必须非常大诱导信息获取。

申请者可以增加他们的质押，而质量更高的申请者质押成本更低，因此质押可以作为区分高质量和低质量的信号。因此，该机制让申请人决定自己的股份是一个很好的功能。但问题比找到足够大的 Stake 来诱导信息获取更深层次。我们还必须考虑到名单申请人的动机。鉴于 p 和C ，上榜的价值可能不足以诱使申请人发布高额赌注。也就是说，不能保证分离平衡。

总结

代币驱动的注册表可以工作是没问题的，但不能保证选民会将真相作为谢林点进行协调，因此在设计阶段需要注意考虑想到其他谢林点。发现真相的焦点越少或成本越高，该机制就越容易受到偏见和通过协调或串通的操纵。

为了了解TCR是否会在实践中发挥作用，需要关注信息环境。关键的实际问题是获取高质量信息的成本和申请人在登记册中的价值。简而言之，当高质量的信息可以以较低的成本获得时，TCR就有可能发挥作用。V神关于谢林点的例子（很明智）都是这种类型的。将谢林点模型扩展到试图浮现更加不确定、可变和有争议的信息的TCR，则需要认识到其局限性。

努力降低获取高质量信息的成本往往比修改机制的细节更重要。如果可以获得高质量、低成本的信息，许多机制将运行良好。如果没有高质量、低成本的信息，也许就不会运行良好。

即使它有效，投票也有一些负面影响。例如，投票模型要求信息获取发生多次。重复的浪费是无法依赖可以一次性获取和披露信息的可信来源的代价。信任可以节省资源。

因此，另一个教训是，如果可能的话，即使是去中心化的机制也应该为信任的发展提供机会。经过验证的用户、独立方的评级、消费者报告和保险商实验室等来源的认证在市场过程中都很重要。分散的机制应该使消费者和生产者更容易开发、发现和使用来自可信来源的信息。信任信号也可能是内生的。例如，成功地将项目列入清单可以表明作为选民的可信度。机制设计者可以通过允许可信来源在机制过程中更具影响力而受益。

尾注

1. 该文件是在Wireline的支持下制作的。感谢 Tom Bell、Tyler Cowen、Andrew Dickson、Ankur Delight、Lucas Geiger、Garett Jones 和 Joshua Gans 的有用评论。

2. 第二个隐含模型似乎是选民每个人都有一些私人信息。例如，他们在被提名的川菜馆吃过饭、上过学、使用过软件等，然后每个选民根据他们的私人信息进行投票。然后，净投票可以提供信息，尽管信息量取决于确切的模型。本质上，私人信息模型使 TCR 类似于使用彩票支付参与者的调查。私有信息模型作为一般模型不太有趣，但可能有特定的用例。

3. 
   

   对“太阳黑子”（无关信息）的协调也会破坏良好的平衡。例如，假设一组选民进行协调，以便他们在偶数天投票“接受”，而在奇数天他们投票“拒绝”——这种协调可能是有利可图的，因为协调员可以摇摆投票，尤其是当他们宣布他们的意图时. 选民可以根据需要投票任意数量的代币，并且收益是代币加权的，因此大型参与者可以合理地投票。随着时间的推移，协调可能会被锁定。例如，如果协调员连续赢得 3 票，那么你将在第 4 次审判中以哪种方式投票？