作者：Thejaswini 來源：Token Dispatch 翻譯：善歐巴，金色財經
我們似乎把整個文明建立在這樣一個事實上：證據與認可，並不是同一回事。
人們默認研究者要引用真實、直接的來源；默認設計師明白「簡潔」不等於交一張白紙；被要求做一個能跑通的結賬流程的開發者，也默認不會讓它加載四分鐘。人類在承接這些未言明的語境上出奇地擅長，因為我們共享一套關於「合理的工作長什麼樣」的基本感覺。軟體從來不太需要這些，因為我們通常給它的指令都窄到可以逐字執行。
如果你看過《奧維爾號》里那一段，就知道我在說什麼：
AI 智能體開始在一個更混亂的世界裡工作：指令不會把「怎樣才算把活兒干好」全部寫清楚。一旦錢掛在那些缺失的語境上，解讀本身也就成了交易的一部分。
如果有人花 15 美元請一位自由職業者調研 20 家公司，任務說明也算清楚，他會期待什麼？找到這些公司、說明每家是做什麼的、使用獨立消息，並在指定日期前交出報告。當成果按時交付、20 家公司一個不落，接活的人就認為活兒幹完了。
買方的看法卻不一樣。幾處引注指向的是公司自己的部落格，還有兩段描述幾乎是逐字照搬。
如果雙方都是人，接下來的戲碼就是爭論、甩截圖、翻出原始任務說明來回扯。若仍然談不攏，最終可能得由第三方來裁定這份活兒夠不夠格拿錢。
如果兩邊都是 AI 智能體，又會怎樣？
錢本身並不難處理。
託管合約可以先扣住這 15 美元，直到活兒幹完。
區塊鏈能顯示款項何時存入、成果何時提交。
身份系統可以確認到底是哪個智能體乾的活。
簽名記錄可以留存雙方當初約定的指令。
真正的難題在於：總得有人讀懂任務說明、檢查成果，判斷賣方到底有沒有把活干好。
商業世界一直有針對這類問題的機構，只是我們通常在出事時才會注意到它們。當 PayPal 的買家聲稱貨沒到、或者與描述完全不符，雙方先有機會自行解決；如果談不攏，一方可以把糾紛升級為索賠，請 PayPal 核查證據、判定誰有理。PayPal 稱，多數裁決大約需要 14 天，少數要 30 天甚至更久。
更大的商業糾紛有自己的一套機器。美國券商歸行業自律組織 FINRA 管，它營運着自己的仲裁論壇：2025 年收到 2,597 件新案，平均要 13.4 個月才結案。非營利機構美國仲裁協會表示，2025 年有 58 萬件案子提交給它，其中企業與企業之間的索賠與反索賠金額超過 290 億美元。同年，國際商會收到 881 件新仲裁案，其在辦案件總值達到 2,990 億美元。這些顯然比智能體眼下可能遇到的糾紛大得多，但它們說明：一旦交易足夠多，人們吵架的頻率就足以催生一整個行業——專門看證據、判斷誰該拿錢。
AI 智能體開始從另一端提出同類問題：交易金額可能極小而頻率極高，傳統的糾紛處理流程根本派不上用場。
Visa 和 Artemis 研究了兩套面向機器對機器商務的新興支付協議，發現 x402 自 2025 年 5 月上線到 2026 年 4 月，處理了約 1.096 億筆經調整的交易，總價值約 1,500 萬美元。在 Visa 考察的這些協議上，單筆支付平均只是幾分之一美分。為了幾美分的爭議，雇一支人工客服團隊花半小時去查，完全不劃算。
我去查了查誰在做這件事，找到了 GenLayer，它想把這件事變成基礎設施。
GenLayer 自己造了一條區塊鏈，專門處理普通智能合約難以勝任的判定。傳統智能合約擅長的是：每台機器做同樣的計算都能得到同樣的結果，比如判斷錢到沒到、期限過沒過。麻煩出現在需要「讀一段東西並理解它」的時候——也許是通讀一份研究報告、看一個網頁、讀明白合約里的某一段，或者判斷一張圖是否符合創意要求。AI 模型的回答從不一致：面對同樣的材料，它們的結論可能各不相同。於是「每個節點必須得出完全相同輸出」的前提就站不住了。
GenLayer 有一個叫 Intelligent Contract 的東西。它不再要求每個驗證者產出完全一樣的文本，而是讓多個驗證者根據寫進合約里的規則，判斷某個提交的結果是否可接受。驗證者在判斷時可以使用大語言模型和公開的網路數據。
乍看之下，這像是智能體技術棧里又一塊缺失的拼圖。但已經有別的系統在做其中一部分工作，所以 GenLayer 並非從零起步。它更具體的角色是：當雙方仍各執己見時，判定證據究竟意味著什麼。
谷歌的智能體支付協議 AP2，已經能為「智能體被授權買什麼、商家提供什麼、哪筆支付獲批」生成帶密碼學簽名的記錄。其規範明確寫道，這些授權與收據日後可以作為爭議中的證據。但 AP2 本身並不判定誰對誰錯、錢該給誰——它只是保存一份可信的事件記錄，把解讀這份記錄的過程留給別人。
以太坊針對智能體身份與聲譽的標準 ERC-8004 也有一個驗證註冊表。智能體可以把工作提交上去，由另一個系統核驗，核驗結果隨後可以上鏈、記入該智能體的履歷。區塊鏈能顯示錢有沒有動，所以支付類糾紛好辦；當糾紛需要外部資訊才能了結，就由預言機把資訊帶上鏈。可見有一塊明確的空缺：證據擺在那裡，總得有人判斷它意味著什麼，這正是 GenLayer 切入的地方。
為了看清真實的工作有多少落在各類里，我在 Slack 上的智能體（我盲目信任它，畢竟我們是一夥的）在 9 月 24 日抓取了 300 多條在線任務列表，來源包括 Freelancer.com、Fiverr、Upwork、Scale AI 旗下的 Outlier、Prolific，以及鏈上任務市場 Daydreams TaskMarket。我的智能體說，約 23% 的任務可以簡單用「是/否」判定；另有 45% 主要依賴個人判斷；剩下 32% 有證據可查，但仍需判斷這份工作到底夠不夠好。
這不是一份市場規模估算，而且分類本身就出自 AI 的判斷。但意思你明白了：並不是每一項涉及 AI 的任務，都需要一個 AI 法庭。
像「設計最漂亮的餐廳 logo」這樣的任務，幾位驗證者也許都會同意某個設計比另一個更好看，但這種一致並不會把品味變成客觀標準。除非買方事先寫下了極詳細的創意要求，爭議的根源仍然是個人偏好。同理，一場營銷活動可能達成了承諾的互動量，但圍繞「這些互動有多少來自真實用戶」依然會有分歧。這兩種情況下都有證據可查，但在付款前都需要有人去解讀。
加密行業在去中心化糾紛解決上已經試驗多年，這些系統處理分歧的方式差別很大。
UMA 的樂觀預言機先假定一個主張沒問題，除非有人反對。提出主張的人要質押一筆保證金；若在等待期內無人挑戰，答案就被接受；若有人挑戰，則由 UMA 代幣持有者投票裁決。這套機制把成本壓得很低，因為多數主張無需完整審查即可通過，昂貴的投票只在有人挑戰時才會啟動。
Kleros 是建立在以太坊上的去中心化糾紛解決系統。它不靠公司雇員或法院裁決，而是隨機抽取質押了其 PNK 代幣的人擔任陪審員。若一方上訴，下一輪會引入更多陪審員。這讓 Kleros 適合那些真正需要人類判斷的案子，但也意味著流程既慢又貴：普通法院一輪三名陪審員，費用約 0.015 ETH，還不含上訴；因此當爭議本身只值幾美元時，這套模式毫無意義。
GenLayer 把 Kleros 交給人類陪審員的裁決工作，交給了 AI 輔助的驗證者。一個驗證者提出答案，其他驗證者來核查，若同意的人足夠多，結果就走向最終確認；若有人挑戰，會有一批新的驗證者重新審理，爭議繼續升級時，參與人數還會增加。另外，UMA 和 Kleros 也都在向 AI 輔助裁決演進，所以我不會把 GenLayer 說成這兩個「永遠靠人」的系統的「AI 替代版」。
如果規則寫得具體，驗證者就有實打實的東西可查；如果合約只說這份工作應該「有洞見」或「有原創性」，那麼幾個模型彼此同意，也不會讓這個標準變得更清晰。
GenLayer 用一個叫「等價原則」的機制來處理這一點：它告訴驗證者，答案要相似到什麼程度，網路才把它們視為同一個判定。有些合約可能要求完全一致；有些則允許驗證者用不同措辭或推理，只要在關鍵結論上一致即可。GenLayer 的文檔反覆鼓勵開發者把這類判定標準收窄。
這就把很大的權力交到了寫合約的人手上：由他決定什麼證據重要、什麼算成功、答案之間的差異多大才可接受。GenLayer 能依據這些規則作出判斷，但一旦爭議開始，它無法把一個模糊的標準變得更清楚。
一份裁決只有在能真正改變交易時才有意義。在實踐中，這意味著錢或其他有價值的結果必須與這一判定綁定起來。這樣爭議結束後，可以是資金被釋放、被退回，或者某個智能體的聲譽被更新。
對一筆小額的智能體交易來說，目標可能只是確保錢付給了正確的一方，而不是拿到一份具有法律強制執行力的判決。
那它到底在哪些地方真正有用？
智能體市場已經把「委託工作」和「支付」結合在一起，並越來越多地與鏈上身份掛鈎，所以這顯然是最值得看的方向之一。
以 Daydreams TaskMarket 為例，它跑在 Base 上，允許人類或 AI 智能體發布以 USDC 擔保的任務。它不同的任務形式，恰好揭示了裁決在哪些地方有用、哪些地方沒用。基準類任務可以讓接單者圍繞準確率、延遲這類可量化指標競爭；如果判據是明確的分數，比如一個智能體 96%、另一個 91%，平台直接核對數字、取更優結果即可。
但換成賞金任務，可能有好幾個人提交不同類型的成果，需求方得判斷哪個最好。這時如果沒有簡單的數字或規則告訴你誰做得更好，就必須有人去看成果、自己拿主意。
在軟體與安全賞金里，要求某個智能體讓一套固定測試用例全部通過的任務，可以機械地結算；而漏洞賞金則可能產生真正的分歧：這個漏洞算不算在範圍內、嚴重程度描述得準不準，或者是否已經有人報告過同一個底層問題。
在效果營銷里，數出 5 萬次社交互動很容易，但這些是真實用戶還是自動化賬號？GenLayer 已經在展示 Rally，一個用其驗證者分析社交活動、評估互動真實性的效果營銷應用。
服務等級協議（SLA）本質上是服務商與客戶之間關於最低服務水平的承諾。比如一家雲服務商可能承諾 99.9% 的可用性，或在兩小時內響應支持請求；若未能兌現，客戶可能有權獲得退款或服務抵扣。
如果協議已經明確規定了哪些日誌、哪些監控服務、哪些例外情況算作證據，自動化裁決者要處理的事情就窄得多。
研究類任務是很好的例子，它能檢驗 GenLayer 在哪裡好用、又在哪裡觸到天花板。研究工作的某些部分容易核查：報告有沒有回答全部問題？消息是不是真的？驗證者可以檢查這些。
但像「這個洞見夠不夠原創」這樣的問題就難得多，可能沒有任何明確規則或證據能給出定論。
這類工作無法用簡單的「是/否」腳本判定，但仍有足夠的證據和結構，讓不同的驗證者得出一個合理的判斷。如果任務幾乎完全關乎品味或模糊的質量，系統可用到的東西就少得多。
如果你以為用好幾名 AI 法官就能自動讓裁決變得可靠，那並不成立。
如果五名驗證者都用相似的模型，它們可能一起犯同一個錯誤：誤解同一條指令、相信同一個壞消息，或者全都被操縱過的內容騙過。GenLayer 試圖通過讓驗證者獨立核查，並在有人上訴時引入新驗證者，來降低這種風險。
證據本身也可能不可靠：網頁會變，API 在不同時間會給出不同答案，文檔里甚至可能藏有專門用來迷惑閱讀它的 AI 的指令。所以只有當驗證者能切實核查同一份證據時，系統才運轉良好。有時可能壓根就沒有明確答案，這時 GenLayer 可以返回「無法判定」，而不必強行給一個是或否。
GenLayer 的設計倚仗孔多塞陪審團定理，即一群獨立的推理者勝過任何單個個體。但這隻有在推理者真正獨立、且 AI 模型並非從重疊數據中學習時才成立。Kleros 的研究人員曾在一家拉美加密交易所的 99 起真實客戶糾紛上做過近似測試：ChatGPT 5.5 有 3 起支持客戶，Claude Opus 4.7 有 14 起。當他們用下一個版本的 Claude 重跑這些案子時，平台的勝率從 86% 升到了 95%。當模型的傾向是隨機的，混合使用不同的模型會有幫助；但如果整整一代模型都朝同一個方向偏移，混合小組也會跟着偏。
這個市場現在有多大？很難估，因為只有一小部分智能體交易最終會變成糾紛。但現有的系統已經顯示，對裁決的需求相當可觀。
2025 年，商戶處理了約 2.61 億筆拒付，按每筆 128 美元計算，對應的糾紛處理規模約為 330 億美元。而在另一端，GenLayer 目前每天大約產生 25,800 次測試網判定；即便按每次判定 1 美元算，一年也只有約 940 萬美元。作為對比，eBay 巔峰時期每年處理約 6,000 萬起糾紛，相當於每天約 16.4 萬起。只有當機器商務最終把糾紛量做到這個級別時，GenLayer 才可能成為一門大生意。
要讓這套機製成立，合約需要清晰的規則，證據需要可靠，驗證者需要足夠獨立，使他們的「同意」真正有意義，上訴也要保持廉價。
人類商業已經有了法院、仲裁和糾紛處理團隊，用來應對雙方對同一筆交易各執己見。如果智能體之間開始做更多生意，它們可能需要一套更快、更便宜的同類機制——畢竟機器對任何東西，都想要一個便宜又快速的版本。
也許，在我們教機器做其他所有事情之前，先教它們如何判斷什麼是公平，是件好事。
來源：金色財經
發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。
