通证精选注册表（TCR）什么时候能够真正运作？When Can Token Curated Registries Actually Work?¹

（本人译作。原作者：Alex Tabarrok。原文链接：点击此处。转载请注明出处。谢谢！）

通证精选注册表（TCR）是一个激励去中心的高质量清单产出的机制。例如：弗吉尼亚州费尔法克斯的四川餐馆名单; 一系列高质量的大学; 一系列高质量的软件产品。我们假设一个列表是由公众评估的，我们假设——因为列表是公众重视的——生产者——申请人愿意付款以获得列表。

为了能登上列表，申请人提名一个列表项，然后股份最少数量的通证。挑战期开始。在挑战期间，挑战者可以投入相同数量的通证并要求进行评审。评审由裁判团决定，该评审通过对“拒绝”或“接受”的通证进行投票。如果大多数通证被放在“拒绝”上，那么该项目将被拒绝，申请人的股份将被没收。申请人的一半股份是给予挑战者的，一半是给予与其投票比例相等的多数选民。如果更多的通证被放在“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，并按照他们的投票比例给予多数选民。选民永远不会失去他们的股份。如果在挑战期间没有提出任何质询，则该项目将被添加到列表中。

各种参数，例如原始股权和申请人直接向挑战者提供的股份百分比（详见Goldin）。在一些较新版本的TCR中，少数群体的选民失去了他们的股份（参见AdChain的一个实例）。 AdChain正试图通过识别真实的网页/发布商来根除广告客户的欺诈行为。

投票是机制的核心，但文字描述对选民的激励措施含糊不清。主导模型是谢林点模型2。在这个模型中，选民希望以大多数人投票，因为只有多数人被付款。在TCR机制中，投票被隐藏直到吻合，但选民可能会使用其他信息来推断多数人的前进方向。例如，选民可能会查看评论，或者他们可能会进行测试以确定某个软件是否具有高质量。如果我查看评论以发现一块软件是否是高质量的并且我知道你也是这样做的话，那么如果我发现该软件质量很差，我知道你也会发现同样的问题。因此，软件质量低劣的事实变得人尽皆知（我知道你知道我知道……）这使得投票拒绝该软件是一个看似合理的谢林点。

为了有用，我们需要选民约定好的谢林点，以揭示社交有用的信息。但是，这无法得到保证。事实是谢林点，但它很少是唯一的谢林点。假设不是研究信息——这是昂贵的——一群选民投票支持他们的偏见。如果他们的偏见被广泛分享，结果很容易导致荒谬但大多数获益的结果。例如，AdChain选民拒绝Facebook和NYTimes作为真正的出版商，因为多数人正确地推断大多数选民不喜欢Facebook和纽约时报！ AdChain旨在向广告商透露哪些网站是真实的，哪些网站是假的，因此从社交角度来看，这是一种荒谬和适得其反的结果。

如果谢林点不强，那么共谋者也可以在持有少量通证的情况下进行评审。在经典的谢林点故事中，陌生人被告知明天在纽约见面。何地？何时？尽管存在无限的可能性，但是很多人约定在中午在大中央车站。然而，假设一个人大声宣布“新的谢林点是中午的帝国大厦。”大中央真的比帝国大厦更令人注目吗？即使大中央区更加令人注目，有人宣布帝国大厦的事实也可以使其成为谢林点。以类似的方式，如果阅读评论成本高，所以事实并不广为人知，那么随机公告如“软件不好而我将投1,000个通证给拒绝”就可以改变评审。

假设偏见和共谋的问题不是不可克服的，因此事实是唯一的谢林点，模型可以生成在均衡中显示的有用的新信息。然而，使模型工作的关键参数隐藏在后台。最重要的是，挑战者和选民愿意花多少钱购买信息？假设项目可以是（H）igh或（L）ow的质量，并且有一些信息可以用C的成本进行挖掘，以概率p（p> 1/2）显示真相。也就是说，如果项目是高质量的，则信息源以概率p和L以概率（1-p）返回H，并且如果项目具有低质量，则以概率p和H返回具有概率1-p的L。换句话说，信息源以概率p显示谢林点。每位选民都获得独立抽奖。然后，如果选民根据信息来源投票，他们的预期收益是：

(p ½ 股份)/N

其中N是同样获得相同信息的其他选民的数量（我假设每个选民投票的数量相同）。但请注意，这是收益而不是无所事事。然而，一个合理的选择是随机投票。随机选民将占50％的大部分时间，因此随机选民将获得：

½½ 股份/N

因此，花费C和学习信息的收益是（p-½）（½股份）/ N（注意p>½），因此如果符合以下条件，学习信息将付出代价：

(p- ½)(½ S股份)/N>C

本质上，这个等式确定平衡N，这样：

N=(p- ½) ½ 股份/C

假设信息来源相当准确，说p = .9则N = .2 Stake / C因此，股份必须至少比投票人学习信息的信息获取成本大五倍。如果信息来源不太准确，那么股份必须相对于C更大。

回想一下，如果挑战者挑战，选民只能投票。假设存在满足选民方程的N，则挑战者可以支付费用C来学习H或L.如果挑战者学习L，则挑战将在以下情况下支付：

p ½ 股份— (1-p) 股份>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，当：

（我假设一次只有一个挑战者，没有竞争对手。）请注意，如果p> 2/3没有信息来源，那么该机制就无法运作。此外，股份可能必须非常大才能引发任何给定的C的挑战。例如，假设p的分布接近2/3，那么左手边几乎是正的，所以股份必须非常大以引诱信息获取。

申请人可以增加他们的股权，质量更高的申请人可以降低股份成本，因此股份可以作为分离高质量和低质量的信号。因此，该机制让申请人自己决定自己的利益是一个很好的特征。但问题比找到一个足以诱导信息获取的股权更为深刻。我们还必须考虑名单申请人的激励措施。给定p和C，列表中的值可能不足以诱使申请人发布高股份。也就是说，不能保证分离均衡。

学到的东西

TCR可以工作，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设想其他谢林点。发现真相的焦点越少或成本越高，机制就越容易通过协调或共谋走向偏见和操纵。

要了解TCR是否能够在实践中发挥作用，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以及申请人登记注册表的价值。简而言之，当以低成本获得高质量信息时，TCR可能会起作用。 Vitalik Buterin的谢林点的例子（明智地）都是这样的。将谢林点模型扩展到TCR，这些TCR试图表现出更加不确定、可变和有争议的信息，需要认识到这些局限性。

与修改机制的细节相比，努力降低获取高质量信息的成本往往更为重要。如果可以获得高质量、低成本的信息，许多机制都可以很好地工作。如果没有高质量、低成本的信息，也许没有机制可以工作。

即使当它有效时，投票也会有一些负面影响。例如，投票模型要求信息获取多次发生。浪费的重复是不能依赖可信任来源的成本，这些来源可以获取并显示一次信息。信任可以节省资源。

因此，另一个教训是，如果一切皆有可能，即使是去中心的机制也应该为信任的发展带来机会。经过验证的用户，来自独立方的评级，来自消费者报告和保险商评审室等来源的认证在市场过程中都很重要。去中心的机制应使消费者和生产者能够轻松地开发，发现和使用来自可靠来源的信息。信任的信号也可能是内生发展的。例如，成功地将项目放在列表上可以表明可信度是选民。机制设计者可以通过允许受信任的来源在机制过程中更具影响力而受益。

尾记

1. 这篇文章是在WIRELINE的赞助下创作的。我感谢Tom Bell、Tyler Cowen、Andrew Dickson、Ankur Delight、Lucas Geiger、Garett Jones和Joshua Gans有益的意见。

2. 第二个隐含的模型似乎是每个选民都有一些私人信息; 例如，他们在四川餐馆吃了被提名的名单，上过学校，使用了软件等。每个选民然后根据他们的私人信息投票。然后，净投票可以提供信息，但信息如何取决于确切的模型。实质上，私人信息模型使得TCR类似于参与者用彩票支付的调查。私有信息模型作为一般模型不太有趣，但可能具有特定的用例。

3. 对“太阳黑子”的无关信息的协调也可以破坏良好的平衡。例如，假设一组选民进行协调，以便在偶数天投票“接受”，在奇数天他们投票“拒绝” ——这种协调可能有利可图，因为协调员可以左右投票，特别是如果他们宣布他们的意图。选民们可以根据自己意愿给尽可能多的通证投票，并且收益是通证加权的，因此大型玩家可以左右投票。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，在第4次评审中你将用哪种方式投票？

（PS: 作者Alex Tabarrok，美国乔治梅森大学经济学教授。区块链领域WIRELINE等公司的顾问）