┈┈➤先来认识一下——德尔菲是什么？

╰┈✦古老的希腊传说

德尔菲，来源于古希腊的德尔菲神谕（Oracle of Delphi），位于古希腊德尔菲城的阿波罗神庙，传说是阿波罗神的女祭司 Pythia 进行神谕预言之处。

古代希腊人，包括国家首领与普通人需要重大决策此会来此咨询。

德尔菲法因此得名。

╰┈✦德尔菲法的理论与实践

德尔菲法，正是来源于德尔菲神谕，是一种主要用于分析、判断和预测的结构化方法。

通俗的说，德尔菲法就是由若干名在某个领域具有权威的专家组成小组，共同协作完成目标任务。所以德尔菲法，也称专家调查法，由由美国兰德公司在 1946 年创建并实行。

在具体实践中，专家之间通常是匿名的。首先，通过问卷、调查的形式，由专家分别做出或分析、或判断、或预测。

简单一些的操作是，根据专家的意见进行汇总，得出最终结论。

复杂一些的操作是，每轮专家完成调查以后，可以看到其他专家的意见，在此基础上对自己的意见进行调整，经过多轮协调，最终达成一致结果。

其实德尔菲这个命名，也有一定反对的声音，因为它来源于古希腊传说，显得不够科学，而德尔菲法其实是一个科学化的流程。

但是，德尔菲这个命字仍然还是流传下来了，甚至学术界也更多的称其德尔菲法，而非专家调查法。因为专家调查未能展示专家之间的匿名性。

╰┈✦德尔菲法的关键特征

◆预测性：主要用于对未来的洞察与预测。

◆权威性：由具有权威性的专家参与。

◆匿名性：权威专家之间互相匿名，权威性不会干扰其他人的判断。

◆聚合性：由专家集体智慧聚合而来，而非关注个别权威的意见。

◆结构性：按照一定结构化的方法来组织和执行。

┈┈➤德尔菲的反例——Kait*

Kait* 最初得分，就是以 ICT 互动为主来计算的。

Kait* 的初衷就是德尔菲法，将 ICT 看作专家，通过 ICT 给文章的互动来作为文章优质程度的判断的依据。

然而，Kait* 最终发现，ICT 一方面水平仍然是参差不齐、不一定是专家，这不符合德尔菲法的权威性。

另一方面，ICT 即是评委、又是参赛选手，那么就会出现 ICT 互动的现象，影响了评分的客观性，这又违反了德尔菲法的匿名性。

后续 Kait* 进行了一系列的算法调整……调整的算法优劣不予讨论，Kait* 应用德尔菲法确实是反例。

┈┈➤为什么说 Allora 是 AI 界的德尔菲？

在 AI 产品层级上，Allora 并不参与模型层的训练工作。Allora 与 AI Agent 的层级相似，主要参与 AI 的应用层，利用 AI 模型执行消费者的任务。但，Allora 充分的发挥了德尔菲法的职能与优势，使其与普通的 AI Agent 存在极大的不同。

╰┈✦AI 推理与预测决策

Allora 是一个运用 AI 推理，进而进行预测与决策的产品体系，这符合德尔菲法的预测性。

例如，Allora 可为消费者提供 DeFi 策略增强。具体通过对币价、DeFi 产品的流动性进行预测，在此基础上推理收益的变化、风险因素等，进一步为消费者实现更智能的资产配置和收益最大化。

╰┈✦通过 AI 模型的过滤实现权威性

Allora 生态在执行任一主题时，算法会对参与的 AI 模型进行有效性筛选，这符合德尔菲法的权威性。

第一，根据 AI 模型的历史推理与预测结果，与主题进行匹配。例如，某一主题涉及 BTC 价格预测，Allora 会统计各个 AI 模型对 BTC 价格预测的历史，过滤掉不擅长 BTC 价格预测的模型。

第二，对本次任务执行的异常数据进行过滤。例如，某一主题涉及联邦基金利率，某模型预测 2025 年 10 月美联储加息，Allora 将该预测数据过滤掉。

第三，对 AI 模型进行上下文相关筛选。例如，在牛市上涨环境中，预测价格时，Allora 会优先选择趋势跟踪模型。在熊市下跌环境中，预测价格时，Allora 会优先选择均值回归模型。目标是尽量选择更符合上下文环境的 AI 模型。

╰┈✦AI 模型细节的匿名性

在 Allora 生态中，具体工作的 Worker 节点的 ID 和地址是公开的。但是，实际完成推理、预测任务的 AI 模型，其细节是匿名的。

例如：

AI 模型的所属主体的开发者或机构是匿名的。

AI 模型的模型构架、算法与具体源代码是匿名的。

AI 模型的训练数据与实现细节是匿名的。

因此，Allora 在工作中，所有的 AI 模型之间是互相独立、互不干扰的。这是德尔菲法的匿名性的要求。

╰┈✦AI 推理结果的聚合

在 AI 模型筛选的基础上，Allora 会对筛选后的模型预测结果，根据任务特征，选择不同的算法进行聚合，例如中位数、加权平均等。这符合德尔菲法的聚合性。

╰┈✦聚合算法的智能

第一，Allora 在对 AI 模型筛选的同时，会根据模型的历史预测、模型算法等，为不同的 AI 模型设定不同的权重，根据权重聚合预测结果。并且模型的权重是动态调整，而非一成不变的。例如，某 AI 模型的最近时期的 ETH 价格预测准确率提高时，可以考虑调整该模型的权重。

第二，Allora 聚合时，会同进考虑模型的优势互补性。例如，在预测 BTC 走势时，会技术分析、链上数据、社交媒体情绪、宏观与政策分析、量化策略几种模型中分别选择若干 AI 模型。因此，Allora 可以提供更综合性的 AI 推理与预测结果。

这符合德尔菲法的结构性。

┈┈➤写在最后

当我们把 AI 模型看作具有生命的智能体，Allora 根据具体的主题的推理任务在众多 AI 模型中，筛选具有优势的 AI 模型，相当于寻找某一领域的权威专家。并且，这些 AI"专家"模型之间是匿名的。在此基础上，Allora 使用动态权重、优势互补，对这些 AI"专家"模型的预测结果进行聚合，实现了结构化的聚合。Allora 将德尔分析与预测方法发挥到极致。

不仅如此，Allora 聚合使用了 AI 算法。虽然 Allora 聚合本身并非 AI 模型，但是应用了 AI 算法。因此 Allora 聚合是具有学习性和进化性的，这是 Allora 智能化的关键。Allora 不仅符合德尔菲法的结构性，甚至在动态上超越了德尔菲法。德尔菲法结构化的调整依赖于人工，Allora 的智能化，可以更准确、更实时的对聚合算法进行优化，从而为 Web3 用户提供准确性、综合性、时效性更强的预测与策略。