通证经济的概念大家相对而言比较熟悉，但是通证工程学，作为工程领域对于通证设计的落地和实践，其实并没有得到多少的关注。
在通证工程学这系列文章之中，我尽力将我所搜集到的一些相关的资料/论文，整理出来，或者翻译，或者笔记的方式，与感兴趣的同学分享。相关的知识还远远不足以成为一门学科体系，也没有人能够完整的教授，但是，总还是有办法自己慢慢学到的，摸爬滚打就是了。
这一系列文章不容易懂，包括我也是边学习边分享，肯定会有很多粗糙之处，或者我个人理解不当之处，请指出来一起探讨。
本文是摘译了Medium上一篇论文，因为原文太长，所以分了多篇分别发出来。
多位同学反映，单看一篇的话很难理解，我这篇文章的提纲先列出来，后续会把后面的部分补齐。
1 简介
介绍文章的主题，如何设计激励机制？因为激励机制实际上是通证生态系统设计的核心，所以，也是要回答这一问题：如何设计通证生态系统？
2. 工程学，博弈论及其他
作者将通证设计(token design)与已有的其他学科相关联，描述其关系
通证工程学，与通证经济学，博弈论，制度设计等方面有不少相关之处，这部分的译文见： 【一五一十】通证设计与其他学科的关系: 通证工程学入门之一
3. 通证设计与优化设计
作者将通证设计与优化设计和EA(进化算法)进行了比较，从五个维度来分析不同系统的异同之处。
4. 从优化设计的方法论到通证设计方法论
在这部分中，作者先介绍了一般优化系统是如何设计的；并借助相似的框架来界定通证设计的路径。
5. 通证设计模式
在软件工程中，我们有软件设计模式；在建筑工程中，也有相应的设计模式。这部分介绍了在通证工程学中的常见通证设计模式。这些组块可以降低通证系统设计的复杂度，帮助设计者们更好的实现通证生态系统的架构。
6. 工具篇：模拟器，CAD工具
这部分介绍了进行通证设计所需要用到的一些工具。借助合适的模拟器和CAD工具，设计通证生态系统，并进行测试，验证设计想法，作出改进完善。
7. 结论
本文是英文原文中的第三部分：对优化设计和通证设计的比较
前文回顾：
优化设计，通证设计
通证设计，就像优化设计一样：在顶层设计之中，你根据激励意图，设计好出块奖励函数，即目标函数，然后任由它发展。simon de la Rouviere先看到了这一点。
实际情况会更加具体。通证设计特别像是进化算法，有很多的参与者(agent)同时进行搜寻，没有自上而下的控制来设定每个agent的行为。Agent根据他们的出块奖励或者适应情况而自生自灭。如下的表格中总结了这一关系。
image.png
借助这一相似性，设计通证时，我们可以使用优化/EA的最优实践。这可是个好消息，因为很多人是设计EA算法和优化系统的绝地武士。
我们对表格中对每一行挨个进行评估。
目的
通证生态系统和EA都有目的，用 目标(最大化或者最小化的事情)和约束(必须满足的条件)形式来描述。可以是随机的目标。
通证生态系统的目标是最大化hash算力，给予出块奖励作为回报，EA算法的目标是在训练深度网络中让错误最小化。约束条件可以分别是“必须抵押不小于阈值的数量才能参与”或者是“深度网络层数=100”。
其他的变种情形包含单一目标优化（1个目标，没有约束条件），满足约束(目标数为0，约束条件>=1), 以及多目标约束(目标数>= 2个, 约束条件>=1个).
衡量 & 测试
为了测试/衡量是否成功达成目的(目标&约束条件)，通证生态系统依赖于“证明”(比如工作量证明机制，或者DPos机制)，优化器使用模拟器来测量匹配度。
例如，一个比特币网络节点证验证用户所提供的nonce是否解决密码难题，来证明用户在算力竞争中胜出。
优化器可以通过运行电路微分方程的SPICE模拟来测试电路的优劣;仿真结果可以通过测试是否确实解决了基尔霍夫的电流和电压定律来验证。
系统参与者
在这两个系统中，代理都在“做事情”。
在通证生态系统中，网络的利益相关方，比如矿工(或者更通用的说法是用户)，尽可能获得块奖励。他们争先恐后，尽一切可能获得更多的通证(token)奖励。例如，在比特币中，一些参与者可能设计、组装和运行ASIC芯片以获得更高的哈希算力。其他人可能会共享它们现有的计算资源，组成矿池。系统不需要为生态系统中的所有利益相关者明确的建模。例如，比特币的设计中，没有银行、国家或公司的特定角色; 几乎全是关于矿工的。
在EA(进化算法)中，具有种群之中的个体。 如果他们是“好”的，他们就有更高的适应性。例如，一个个体可能是一个神经网络中具有10,000 权重的向量。个体的“行为”基本上是生存行为，以及通过交叉(如插值)或突变(如随机扰动每个参数)等操作，对其进行变异的行为。
系统时钟
每个系统中都存在时钟，从而可以创建进度和发生收敛。
- 分批。*
通常，参与者是分批次进行处理的。通证生态系统周期性的生成新的区块，付出出块奖励。新的区块指向了旧的区块。系统中的新工作会添加到新区块之中。
这一相互链接的区块列表，实际上是一个Lamport逻辑时钟。
在EA之中，每一批次是一代，其中所有的个体同时更新。每个代际循环之中可能包含：评估个体，选出最优个体，让其产生后台，如此循环重复。
连续方式。
在一些系统中，会对参与者进行连续式的处理。这些系统通常需要花费更多的工作来进行概念化，但在一些问题上可能会提出更好的解决方式。例如，在通证生态系统中，Stellar中的事务只需要额定数量分片参与者的确认即可，或者像在IOTA系统中一样，将另一个节点添加到DAG(有向无环图)中。
在EAs中，也存在稳定状态进化方式，一个个体在特定时间会被替换掉。
激励 & 抑制
系统本身不能控制参与者的行为。(或者至少，系统不需要控制它们。)。因此，**顶层行为必须是根据参与者自下而上的行为所自然产生的特性。这对于通证生态系统是必要的; 否则他们会成为中心化的系统!
对于EAs来说，这并不是绝对必须的，但尽管如此，许多EAs处于简洁/优雅或满足其他设计目标的需要，也采用这种方法。
这意味着，系统只能够对行为进行奖励或惩罚，胡萝卜或大棒，或者叫做激励和抑制。设计系统时，我们设计了需要给予怎样的奖励或者惩罚，以及如何给出。
在通证生态系统中，奖励以出块奖励的形式出现，而惩罚则是通过削减押金的方式进行。前者通常是目标函数; 后者是部分(但不是全部)约束。
本文翻译自：https://blog.oceanprotocol.com/towards-a-practice-of-token-engineering-b02feeeff7ca
版权归原作者所有，如有不妥，请联系告知。
区块链中文字幕组
致力于前沿区块链知识和信息的传播，为中国融入全球区块链世界贡献一份力量。
如果您懂一些技术、懂一些英文，欢迎加入我们，加微信号:w1791520555。
本文译者简介
荆凯，程序员，坚信区块链将会改变潮水的方向。欢迎加微信: shuke0327，或者关注公众号: 增长之道
版权所有，转载需完整注明以上内容。
网友评论