本文翻译自：Towards a Practice of Token Engineering

作者：Trent McConaghy

翻译：苏渝粤

校对：绍军

声明：译文版权所有，转载需授权并完整注明以上内容

​1 简介

​在我之前的文章中，我阐述了为什么在构建通证生态系统时需要采用正确的激励措施。本文中，我们讨论的问题是：我们如何设计通证生态系统中的激励机制？并且由于激励机制实际上已经是通证生态系统的核心，所以这个问题可以转化为：我们如何设计通证生态系统，我们又该如何分析和验证它们？

本文是实现通证工程实践的第一步：分析，设计和验证通证生态系统的理论，实践和工具。

本文的第一部分把通证设计与其他领域关联起来，并解释了为什么要将通证设计工程化。本文的其余部分旨在通过利用已在其他领域实践的三种主要方法来使我们更接近这一目标：

我们可以利用优化设计框架来思考通证设计，这样我们可以采用优化设计的方法论

受软件工程模式的启发，我们可以记录通证设计这种新型模式

在电路设计中，工程师可以使用模拟器和CAD工具来分析、设计和验证复杂的芯片，我们可以在通证系统中寻求类似的工具。

​2 工程、博弈论等

本节将通证设计与其他领域相关联

本节将其他领域中的知识和方法引入到通证设计中来。

2.1 塔科马海峡大桥

在我学习工程学的第一周，我们严肃的教授给我们展示了下面这个视频：

塔科马海峡大桥

这桥为什么会倒塌？毕竟设计师肯定会考虑到风的影响。然而，他们没有预料到特定的风力模式将会与桥梁产生共振，当对一个共振系统添加适当的定时力时，共振的幅度将会随着时间的推移而增大。下图说明：绿色==非共振，红色==共振==灾难。

这视频是用来教导学生关于责任的。桥梁的设计人员本可以通过深入研究，并应用适当的理论、实践和工具来预防灾难。在我的多年学习生涯中，其他教授也多次展示该视频，直到我们在毕业典礼上收到铁环戒指而告终。所有加拿大工程师都有这些戒指，传说，这些戒指就是由倒塌桥梁的金属锻造而成的。

2.2 博弈论与机制设计（Mechanism Design）

博弈论 是一个从经济学角度分析激励的科学领域。在经济学中针对设计（合成）激励系统它有个对应的方案，称为机制设计。实际上，机制设计理论上确实适合通证生态系统领域。博弈论的研究人员多年来提出了许多伟大的理论，简直是诺贝尔奖的质量水平。与此密切相关的就是经济博弈论。

但是，历史上没有一种好方法可以将理论应用到实践中去。毕竟，一位学术型经济学家（或者任何人）有多少次有机会去部署经济系统呢？这就是我们在部署通证生态系统时所面临的问题。与我们部署通证生态系统最接近的可能是电子游戏经济系统和公共政策设计了。

然而，事实证明，如果在一些约束条件下进行机制设计，这个设计就转化成优化设计的问题了！多年来，优化设计的从业人员在应用优化设计方面拥有丰富的实践经验。包括我自己：我的第一个和第二个初创公司（ADA，Solido）就是这样做的，用于工业级电路优化设计。

2.3 其他相关领域

许多其他领域也有关于通证设计的说法; 从某种意义上来说，来自这些领域的专家会发现他们的许多技能能够很好地应用到通证设计中。从电气工程到复杂系统，从经济学到人工智能，无所不包。我在下面列出几个。当然，他们中的很多人都有良好的控制论基础。

2.4 工程和通证设计

我们应该如何称呼通证生态系统呢？下面我列出了一些选项：

前四个术语是基于经济学的，他们对于分析价格波动、估值等等是有意义的。

我受过电气工程师(EE)的培训。电气工程师在做电路设计时，有自己的一套理论和方法，最终能设计出能工作的系统。比如您正在阅读的屏幕和驱动它的芯片，以及您头顶的灯。

工程学是一个严格分析，设计和验证的体系；所有这些都得益于理论与实践相结合的工具。工程学也是一门责任学科：您将在道德和专业方面对您建造的机器负责，如上图的塔科马海峡大桥和戒指所示。

从90年代开始，软件工程逐渐兴起；这不是没有道理的，因为它鼓励严谨与责任。

我很乐意看到通证生态系统设计成为一门工程学学科，与电气工程、软件工程、土木工程、航天工程等学科并驾齐驱。这意味着通证生态系统设计也将成为一个严谨分析、设计和验证的领域。它将拥有理论与实践相结合的工具。它将以一种责任感为指导。它将会成为通证工程学。

[注意：至于“通证”与“激励”，“通证”更短，更容易与其经济学对应的“Tokenomics”进行比较。]

下图显示了这些术语之间的关系。目标是一个通证工程的实践。

3 通证设计作为优化设计

通证设计类似于优化设计:在高层次上，您用区块奖励函数(即目标函数)编码意图，然后让它运行起来。通常情况下，西蒙·德·拉·鲁维埃(Simon de la Rouviere)是首位认识到这一点的人。

更具体一些。通证设计特别像进化算法(EAs)，其中有许多代理“搜索”一次，并且也没有自上而下的控制来决定每个代理做什么。代理的生存和死亡取决于他们的区块奖励或适应性。下表总结了这种关系。

依据这些相似之处，我们可以将优化/ 进化算法中的最优方法应用到通证设计中。这是个好消息，因为很多人擅长设计进化算法和优化系统。

让我们详细说明表格中的每一行。

3.1 目标（Goals）

通证生态系统和进化算法系统都具有形式上目标，包括目的（最大化或最小化某项指标），约束（必须满足的条件）。尤其需要说明的是，这些甚至可以是随机的。

通证生态系统可以为“最大化哈希率”的目标函数提供区块奖励，而进化算法目标可能在训练深层网络时“最小化错误”。约束可能是“必须具有一定的股份数量≥参与的下限值”或“深层网络层= 100”。

变量包括单目标优化（1个目标，0个约束），约束满足（0个目标，≥1个约束）和多目标约束优化（≥2个目标 ≥1个约束）等变种。

3.2 测量和测试(Measurement & Test)

为了测试/测量目标（目标和约束）的成功，通证生态系统依赖于证明(proof)和具有可以衡量适应性的模拟器的优化器。

例如，比特币节点的验证过程：用户用不同的随机数进行哈希计算，直至找到符合目标值特征的随机数。（挖矿）

优化器可以通过在SPICE中仿真电路的微分方程来测试电路的良好性; 通过测试它们是否确实解决了基尔霍夫的电流和电压定律，可以验证仿真结果。

3.3 系统代理（System Agents）

在上述两个系统中，代理都在“做事情”。

在一个通证生态系统中，矿工（或更普遍的用户）等网络利益相关者可以做任何事情来获得区块奖励。他们通过竞争来获得更多的通证奖励。例如，在比特币中，一些代理可能会设计，构建和运行ASIC芯片以获得更高的哈希算力。其他代理可能会将其现有的计算资源组成矿池。系统不需要明确地定义生态系统中的所有利益相关者的行为模型。例如，比特币没有为银行，国家或公司赋予特定的功能，它主要是针对所有矿工的。

在进化算法系统，种群中包含个体。如果这些个体是“好的”，那么他们将会有更好的适应值。比如一个个体可以是神经网络的10000权重的向量。个体的“行动”基本上是通过交叉操作(例如插值)或突变(例如随机干扰每个参数)来产生下一代个体并组成种群。

3.4 系统时钟（System Clock）

每个系统都有一个时钟，这表示一个正在发生扩展/收敛过程的时间维度。

批处理。通常，代理是分批或同步处理的。通证生态系统定期生成新的区块并提供块奖励。新的区块指向旧的区块; 系统中产生的新的工作将添加进新的区块。这些区块链接起来形成一个Lamport式的逻辑时钟。在进化算法中，每批次处理属于同一代，都由整个种群中个体在同一时刻更新而生成。这样的过程不断的重复：评价每个个体，计算适应度，两两交配，然后突变，产生下一代。周而复始，直到终止条件满足为止

连续性。在某些系统中，代理是连续处理而不是批处理。这些系统通常需要更多的工作来进行概念化，但可能会为某些问题带来更好的特性。例如，在通证生态系统中，主要事务仅需要来自有权限的部分参与者的验证，又如在Iota中，一个节点被添加到DAG（有向非循环图）中。在进化算法中，我们具有稳态演化，每次一个个体被替换。

3.5 激励与惩罚（Incentives & Disincentives）

系统本身无法控制代理的行为(或者，至少，它不应该控制它们)。因此，顶层行为必须是代理自下而上操作的自发的属性。这对于通证生态系统是必要的;否则这就会变成中心化!对于进化算法来说，这并不是绝对必须的，但尽管如此，许多进化算法还是采用了这种方法来达到简洁性/优雅性或满足其他设计目标。

这意味着该系统只能奖励或惩罚行为，即胡萝卜或棍棒，即激励和抑制。因此设计系统时，我们会设计给予多少奖励或惩罚，以及如何给予。

在通证生态系统中，奖励采取区块奖励的形式，并通过削减持有的股份来进行惩罚。前者通常是目标函数; 后者是一些（但不是全部）的约束。

在进化算法中，奖励和惩罚都取决于哪些个体被选进下一代的种群。示例：随机选择两个适应度最好的个体进入下一代种群，重复直至产生新一代种群（锦标赛/竞争法）; 以比例原则（与适应度成正比）选择产生下一代种群（轮盘赌）。至关重要的是，进化算法不需要提供衍生品来驾驭个体。这就是为什么说通证生态系统最像进化算法，而不是基于梯度的优化器（使用梯度来选择新的个体）。

4 从优化方法论到通证方法论

4.1 简介

本章节是关于将通证设计作为工程学科的初步说明。

首先，我描述了一种优化设计中的结构化方法。然后我描述了如何将类似的方法应用于激励设计。

其次，我将介绍电路设计中使用的关键工具：模拟器和CAD工具; 以及它们如何应用于电路设计。

最后，我列举了一些设计模式。

4.2 优化方法论

这些社区之间虽然仅有部分的交流，但是算法实践者做的事情都非常相似。他们希望发布运行良好的优化器系统。下面这些方法，有些人无意识的遵循，而专业人在系统化的执行：

1 问题建模：他们假设算法能“正常运行”，并且专注于根据目标与约束（目的）来对问题建模（优化器可以在哪里探索，及约束条件有哪些）。

2 尝试现有的求解器：然后他们针对这些目标来运行算法并让它“解决”。优化算法的代码通常简称为“ 求解器 ”。如果现有的求解器达不到要求，实践者将通过尝试不同的问题模型，或不同的求解器和求解器参数来迭代。

3 新的求解器？如果先前的求解步骤不起作用，即使在重复尝试各种公式之后，工程师需要考虑他们自己的求解器，即设计新的优化算法。

让我们来更加详细的讨论上述每一个步骤。

步骤1 对优化问题的建模

查看几乎所有与优化相关的论文，您都会看到它们提到了目标与约束。在我自己工作的例子中，本文的方程(1)（第5节）是一个用于跨语法定义的搜索空间中多目标约束优化的公式。这是一个片段：

另一个例子。本文方程(1)和(2)(第2节)展示了一个在n维连续值变量空间中的随机单目标（“最大收益率”）优化搜索问题。

在目标、约束和设计空间中阐述清楚一个问题并不是一件容易的事。事实上，经过这么多年，它仍然是一门需要很多创造力的艺术。(这意味着它很有趣!) 通常有很多方法来阐述问题; 这些方法各不相同。幸运的是，通过练习您可以更好的掌握这些方法。我观察到在EA社区和电路计算机辅助设计(CAD)社区的朋友，他们在解决问题的艺术方面有着高超的技巧。

例如，同一个问题，一个模型很容易解而另一个模型可能很难解。这是人们在凸优化领域使用的一个重要技巧:他们将NP-hard问题转化为凸问题(例如，位置良好的日志操作符)。然后，这些凸问题可以使用类似几何规划的凸解算器在多项式时间内求解。我也在这方面取得了成功; 对于上面的代码片段总结的问题，我在一个树归纳问题(模拟电路合成)中添加了语法约束，并在运行时得到了1000x的改进，优化器也取得了更好的结果。

或者，如果您正在使用进化算法（EA），您希望设计从设计点→适应性的映射，这样设计的微小变化通常会导致行为的微小变化并最终获得适应值。（我称之为平滑算子）

步骤2 尝试现有的求解器

理想情况下，您可以对一个问题建模，以便您可以应用现有的求解器或算法。然后，您只需运行它，看看它是如何工作的。

如果它能够解决您的问题，那您就完成了，现在就可以停下来。

至少有两种方法可以采用：

首先，如果求解器不能很好地解决问题，那么您可以尝试不同的问题公式、求解器或求解器参数。

其次，求解器根据一个不稳定的设计会收敛的“太好”。要解决这个问题，您可以修改这个问题:添加一个新的约束或者提高模型/模拟器的精度。如果您发现新增约束条件后，算法的迭代次数增加了很多（“ AI whack-a-mole ”），那么您可能希望重新考虑更广泛的问题解决方法。

步骤3 新的求解器？如果需要，设计一种新的优化算法

有时您会发现现有解决方案都不够好的问题。可能您需要一些更好的比例，或者您需要一些难以建模的约束，或者其他什么。那就是您去开始研究算法设计的时候了。当您这样做时，您通常会利用现有的构建块，并添加您自己的想法。设计新的算法可能会花费大量的时间，但是如果做得好，您不仅可以解决问题，而且可能在性能上获得指数级提升(例如FFX)。

4.3 通证方法论

区块奖励是网络目标功能的体现 - 您想要最小化或最大化的事物。一句话概括：通证设计与优化算法的设计有相似之处。因此：

                                    我们可以将通证设计作为优化设计。

我们可以学习优化设计领域中的方法，并将其转化到通证设计生态系统中来：

1. 问题建模：写下您的通证生态系统的目标和约束。这意味着要问：谁是我的潜在利益相关者，他们每个人都想要什么？什么是攻击向量？然后将这些转化为可以衡量的目标和约束。

2. 尝试现有模式：确定是否存在求解器，即现在可以解决问题的通证化网络设计模式。例如，如果您正在寻找“好”演员/资产/等的列表，那么通证策划注册表(TCR）是否可以？我稍后会详细说明。如果这行不通，尝试不同的问题公式、不同的求解器或求解器参数。比如求解器收敛到一个您不预期的行为上，那么您应该添加一些约束条件来组织这种行为。

3.新模式？如果需要，开发自己的求解器，即设计您自己的通证化网络。当然，在这样做时，尽可能使用现有的构建块，从TCR到仲裁机制。

5 通证设计模式：一个起点

每个成熟的工程领域都有自己的构建模块，我们有关于架构设计、软件、模拟电路和优化器设计模式的书籍。但是，还没有人写过关于通证设计模式的书。

不过，也有一些关于通证设计方面的书出现了。有些人气迅速爆发（例如TCR）。以下段落探讨了这些设计模块。有些讨论其形成的核心通证机制; 有些讨论某些具体的问题。这份讨论清单只是一个起点。

内容管理。

二进制成员：Token Curated Registry（TCR），例如，用于维护优秀演员的列表。TCRs的一个子模块是风险质押，用于减少参与之后的风险。

离散价值成员：权益机器，例如用于推广演员。

连续值成员：策展市场（CM）的资产的普及，由资产设计时的拟合曲线决定。在这里有相关介绍。

分层成员资格：每个标签都有一个TCR（就像这里一样）。

与会员相关的工作：策划证明市场（CPM）。

不可替换的通证的管理：重新伪造的令牌（RFT）。

身份。较低级别：公钥，分散标识符（DID）。中等水平：TCR。更高级别：例如uPort，Civic，Sovrin，Authenteq，Taqanu，Estonia E-Residency。机器的身份：例如Spherity。

声誉。声誉系统是策展和身份的交集。

治理/软件更新。这可以是ZeppelinOS，Aragon，Colony等的混合体。也许最终能自动化实现？

第三方仲裁。例如Mattereum。

用于数据、计算等人类或计算“工作”的证明。这是对目标函数的定义。它可以是像在Steemit或者Augur上的人工工作，或者像大多数其他系统那样的机器工作。机器工作可能正在解决像比特币这样的（可以说是）不太有用的难题，或者像FileCoin的时空证明那样更有用的工作。以下是按数据和计算（从此处）分组的有用工作（“服务完整性”）的细分。

其他构建框架或组的区块方法包括：

如何发放通证。这包括根据受控供应计划发布“工作”代币; 100％预采矿; 销毁与铸造 ; ICO ; 和更多其他方法。

以太坊通证标准，如ERC20同质通证和ERC721非同质通证。Billy Rennekamp的通证词典很有帮助。

如何确定通证的价值。通证作为交换，储存和记账的手段，具体如何估值可以参考Chris Burniske的文章。

对持有者如何分组。参考Ryan Zurrer文章，可以分为维护者，套利交易者或资源交易者。

计算堆栈是如何组织，处理，储存等。这有Fred Ehrsam，Stephan Tual和我自己的文章作为参考。

Level-1，Level-2，Level-N基础设施结构。核心链是1级。更高级别的链不必考虑每笔具体的交易，而应该考虑扩展的问题。可以参考如下链接：链接。

Jacob Horne提出的 “ 加密经济学基础 ”。这可以被视为是通证设计的另一个说法。[该著作初次出版后发表。]

上述列举的模式只是一个起点;我期待着更多的材料与讨论。

6 我们需要的工具：模拟器，CAD工具

6.1 工具是什么

专业工程师使用软件工具构建能“正常工作”的东西。软件工程师经常使用免费或相对便宜的集成设计环境（IDE）。

但您可以使用更复杂的工具。在电路设计中，仿真器和CAD是非常关键的工具。随着时间的推移，工具堆栈可能变得相当复杂。但有了这些工具，10个工程师团队就能在几个月内设计出10亿个晶体管芯片。一个好的工程师可能运行价值100万美元的工具(这是每年的授权费用!)

原力与你同在--任天堂

在这个新的领域，我们需要如下一些强大的工具：

1.符合通证生态系统的模拟器。我们可以使用复杂科学和人工智能领域对代理进行建模，最后产出一个模拟器，也可以使用已经应用在共识算法中的网络模拟器。

2.我们需要用CAD工具来封装模拟器来进一步验证设计，了解可变因素和输出结果之间的关系，并探索设计空间。

6.2 电路设计中的模拟器和CAD工具

下图是一个电路仿真器环境的示例。左上角是原理图编辑器，在此处输入原理图。在模拟电路设计中，首先要选择电阻器，电容器，晶体管等元器件; 然后将他们连接起来; 并定义他们的参数。然后，这些输入的参数会被自动转换为一组微分方程并使用模拟器求解。其他三个窗口显示各种模拟的结果。从右上方沿顺时针方向，依次是偏置（dc）分析，基于时间的（瞬态）分析和频率（ac）分析。

接下来的两张图片来自协助我开发的CAD工具。下面是一个验证芯片会不会在极端的电源电压，温度，负载，等等情况下失效的工具。通过这个方案，我们可以获得一个全局最优的方案。

下面的图片展示了一个探索设计空间的工具。它报告变量对各种输出的相对影响(左)，以及设计变量如何映射到输出(右)。工程师可以通过拖动橙色十字线来改变设计。

这些工具和其他工具现在被广泛用于设计现代芯片。模拟器在20世纪70年代投入使用，CAD工具在20世纪80年代投入使用;一直在进步。这些工具对现代芯片设计至关重要。采用先进制成流片需要花费至少5000万美元;在花费这5000万美元之前，不做验证，并将设计做到尽可能优化是愚蠢的。

然而，在通证设计这个价值数十亿美元的生态系统中，几乎没有工具协助我们。可以说通证设计领域比1970年的电路设计领域还落后。我期待着有一天通证工程的工具能达到现在电路设计领域的水平!

6.3 工具的局限性

我承认，在复杂芯片和经济领域之间的一个关键区别是:参与其中的人。芯片是封闭系统。人类的参与让经济模型变得更加混乱。然而，我希望我们能改善“一无所有”的现状，因为我们在构建每一天都和人息息相关的系统。以下是一些互补的观点。

一种选择是不尝试对黑天鹅进行建模，而只是在它们实际发生时尽量减少潜在的负面影响。

或者，我们可以让人类作为“模拟器”的一部分，在这个“模拟器”中，他们被激励去发动攻击。这个想法使现有的实践正式化:做通证设计的人让他们的朋友想出新的攻击，然后他们更新约束列表，然后相应地更新设计。我发现自己经历过许多这样的对话。

模拟永远不会是完美的。因此，我们应该确保系统本身是可进化的，符合社区的意图。用于此的工具包括治理，权益等。治理可以像硬分叉一样简单，例如改变目标函数或添加约束。权益有助于将通证持有者社区从零和游戏转换为正和游戏。

6.4 外在动机与内在动机

外在动机是来自外在力量的鼓励;行为的实现是基于外界奖励的期望(说服)某人去做他们自己不会做的事情。…...

内在意味着固有的或内在的; 因此，内在动机是源于自身内部的刺激或动力。......内在动机通常与内在奖励有关，内在动机是人的第一驱动力。[ 链接 ]

本文主要关注外在动机：找出我们正在尝试优化的内容，然后直接对其进行优化。然而，外在动机可能会有问题。在教育中，外在奖励降低了儿童学习的内在动机，阻碍了自主和独立思考。幸运的是，有一些教学方式鼓励培养内在动机[ 链接 ]。

对于通证生态系统，我们必须同样谨慎。外在动机适用于“安全性能最大化”或“数据共享最大化”等目标。但在某些地方可能会有危险。比如您正在建立一个去中心化的声誉系统。直接将声誉通证化会激励人们以金钱来赢得声誉，从而导致各种不良行为。它也可以控制，就像我们在中国看到的一样。只要对Whuffie请说“不”就可以了 。

一个可能的答案是系统支持内在动机而不是外在动机。在课堂上，这意味着这样的策略：提供选择，最小化压力，允许替代解决方案，鼓励原创，并促进成功。其中一些可能转化为通证设计。一个例子是简单地用经济利益过滤掉坏的行为者，例如使用TCR。或者，我们可以通过权益机器促进成功。

7 结论

本文描述了我们如何利用现有领域来帮助设计通证化生态系统：把通证设计视为优化设计; 通证设计模式;并以电路设计工具为灵感设计通证设计工具。总体目标是通证工程的实践。我们会成功的！

本系列的下一篇文章将这些技术应用于两个案例研究：比特币分析和海洋协议设计。

原文链接：

通证工程实践