اگر InfoFi بخش اول درباره اندازه‌گیری توجه بود، بخش دوم درباره کسب درآمد از آن است. همانطور که پروتکل‌ها تأثیرگذاری را امتیازدهی و توکنیزه می‌کنند، سؤال جدیدی مطرح می‌شود: آیا این سیستم‌ها می‌توانند اقتصادهای پایدار ایجاد کنند—یا صرفاً در حال ایجاد سروصدای مالی هستند؟

تیم تحقیقاتی CoinEx اثرات مرتبه دوم مدل‌های InfoFi را تحلیل خواهد کرد و ارزیابی می‌کند که چه چیزی برای ایجاد بازارهای توجه واقعاً غیرمتمرکز، قابل همکاری و معنادار لازم است.

سه الگوی اصلی در اقتصاد توجه: کایتو، نویز، کوکی

کایتو: استخراج روایت و چرخه بازخورد

کایتو کامل‌ترین نسخه از چرخه بازخورد اجتماعی به سرمایه را نشان می‌دهد. سیستم Yaps آن به کاربران برای ایجاد محتوای مختص کریپتو پاداش می‌دهد، و اکوسیستم آن شامل:

جداول رتبه‌بندی پیش از TGE که سهم ذهنی پروژه را می‌سنجند؛
رتبه‌بندی‌های Yapper که واجد شرایط بودن برای دریافت توکن را تعیین می‌کنند؛
ماژول‌های Kaito Earns که تأثیرگذاری را به فرصت‌های سرمایه‌گذاری پیوند می‌دهند.

این چرخه محکم و بازگشتی است: محتوا → Yaps → قرار گرفتن در معرض دید → ایردراپ → محتوای بیشتر. این فقط زیرساخت اقتصاد سازندگان نیست— یک قیف گیمیفای شده برای گمانه‌زنی روایت است.

این چرخه قدرتمند بودن خود را ثابت کرده است. Berachain و Story Protocol هر دو معیارهای ایردراپ خود را به معیارهای کایتو پیوند داده‌اند، که Yaps را به عنوان نماینده‌ای برای سهام تأثیرگذاری مشروعیت می‌بخشد. با این حال، این همچنین به این معنی است که الگوریتم کایتو به داور عملی تبدیل می‌شود که چه کسی مستحق سرمایه است، که ما را به مسئله امتیازدهی مبهم بازمی‌گرداند.

نویز: بازار مشتقات توجه

در حالی که کایتو به تأثیرگذاری پاداش می‌دهد، نویز آن را معامله می‌کند . کاربران می‌توانند روی سهم ذهنی یک پروژه موقعیت خرید یا فروش بگیرند—نه قیمت توکن آن، بلکه سرمایه اجتماعی آن. اگر معتقدید Farcaster در حال کسب کشش روایتی است، می‌توانید یک موقعیت خرید اهرمی روی امتیاز توجه آن بگیرید.

این مدل از بازارهای پیش‌بینی مانند Polymarket الهام می‌گیرد، اما با یک تفاوت: "دارایی" رویدادهای آینده نیست، بلکه ادراک فعلی است. نویز حتی از کایتو به عنوان تنها اوراکل توجه خود استفاده می‌کند، که زنجیره وابستگی‌ای را معرفی می‌کند که هم نوآورانه و هم شکننده است.

پیامد آن رادیکال است: توجه دیگر فقط یک سیگنال نیست—به یک کالای سوداگرانه تبدیل می‌شود. اما وقتی آن کالا بر اساس یک منبع داده واحد قیمت‌گذاری می‌شود، بازار مستعد دستکاری، تعصب و تحریف است.

کوکی: زیرساخت برای تأثیرگذاری داده‌محور

کوکی مسیر متفاوتی را در پیش می‌گیرد—کمتر سوداگرانه، بیشتر زیرساختی. تز اصلی آن این است که تأثیرگذاری تابعی از داده‌های غنی از زمینه است، نه تعامل خام. کوکی تعاملات در توییتر و داده‌های روی زنجیره را برای ساخت پروفایل‌های چندبعدی KOL ردیابی می‌کند، که می‌تواند توسط عامل‌های هوش مصنوعی، بازاریابان و پروتکل‌ها استفاده شود.

برخلاف کایتو یا نویز، کوکی فقط به توجه پاداش نمی‌دهد—آن را تحلیل و بسته‌بندی می‌کند ، با هدف تبدیل شدن به لایه هوشمند B2B برای اقتصاد تأثیرگذاری قابل برنامه‌ریزی. راه‌اندازی اخیر Snaps (امتیازی بر اساس کیفیت و ثبات محتوا) شروع به بستن حلقه بین محتوا و پاداش‌ها می‌کند، در حالی که API Data Swarm آن نشان‌دهنده جاه‌طلبی‌هایی فراتر از رسانه‌های اجتماعی است.

در مجموع، کایتو، نویز و کوکی نماینده سه الگوی InfoFi هستند:

کایتو: امتیازدهی، پاداش‌دهی و تخصیص مجدد توجه.
نویز: مالی‌سازی و سوداگری روی توجه.
کوکی: سازماندهی و ترکیب توجه برای عامل‌های هوش مصنوعی.

هر رویکرد بخشی از فرصت—و بخشی از مشکل را آشکار می‌کند.

آزمایش‌های شکننده: Loud، GiveRep، Wallchain

Loud: مشوق‌ها بدون پایداری

Loud یکی از اولین مدل‌های خالص توکنیزه کردن توجه است—که کاربران را بر اساس معیارهای دیده شدن پاداش می‌دهد و کارمزدهای معاملاتی را به افراد با عملکرد بالا توزیع می‌کند. مفهوم عرضه اولیه توجه (IAO) جسورانه بود که مدل‌های سنتی سرمایه-محور را به تخصیص تأثیرگذاری-محور تبدیل کرد.

با این حال، بدون مکانیسم‌هایی برای حفظ کیفیت یا فیلتر کردن مشارکت بلندمدت ، این مدل در حفظ سهم ذهنی پایدار با مشکل مواجه شد. افزایش محتوا کوتاه‌مدت شد و پس از فروکش کردن حرکت سوداگرانه، اقتصاد توکن آن اهمیت خود را از دست داد.

نتیجه‌گیری این نیست که Loud "شکست خورد"، بلکه توکنیزه کردن دیده شدن به چیزی بیش از مشوق‌ها نیاز دارد—به فیلترهای لایه‌بندی شده برای پایداری سیگنال و ارزش زمینه‌ای نیاز است.

GiveRep: اعتبار بدون تمایز

چشم‌انداز GiveRep—نگاشت تعامل اجتماعی به اعتبار روی زنجیره—جذاب و در وب۳ بسیار مورد نیاز است. با این حال، معماری فعلی آن همه فعالیت‌ها را یکسان در نظر می‌گیرد، بدون تجزیه و تحلیل وزن معنایی مشارکت‌ها.

یک اشاره از یک مشارکت‌کننده بلندمدت و یک بازنشر معمولی، برخورد مشابهی دریافت می‌کنند. بدون امتیازدهی حساس به کیفیت یا اعتبارسنجی بین پلتفرمی، اعتبار به یک معیار سطحی تبدیل می‌شود، نه یک لایه اعتماد.

علاوه بر این، محدوده فعلی آن در اکوسیستم Sui، اثرات شبکه‌ای را محدود می‌کند. برای اینکه چنین سیستم‌هایی به طور معناداری مقیاس‌پذیر شوند، قابلیت همکاری و فیلترهای معنایی باید اصلی باشند، نه اختیاری.

Wallchain: قصد غیرمتمرکز، زیرساخت متمرکز

Wallchain هدفش کمی‌سازی تأثیر واقعی از طریق معیارهایی مانند X Score و امتیازات Quacks است. این پلتفرم بر مشارکت اصیل و ارزیابی روزانه از طریق هوش مصنوعی تأکید دارد. با این حال، وابستگی شدید آن به داده‌های X (توییتر) به این معنی است که تغییرات سطح پلتفرم—تغییرات الگوریتم، محدودیت‌های API، تغییرات در نظارت—می‌تواند مستقیماً بر امتیازدهی تأثیرگذاری اثر بگذارد.

این یک نقص طراحی نیست، بلکه انعکاسی از یک محدودیت گسترده‌تر InfoFi است: پروژه‌های وب۳ همچنان به شدت به سطوح داده وب۲ وابسته هستند . تا زمانی که زیرساخت‌های بومی و قابل تأیید توجه پدیدار نشوند، بسیاری از سیستم‌های InfoFi با همین شکنندگی مواجه خواهند شد—علی‌رغم آرمان‌های غیرمتمرکز آنها.

معمای غیرمتمرکزسازی: پروتکل‌ها با وابستگی‌های پلتفرمی

فیدهای داده متمرکز، پوشش‌های غیرمتمرکز

علی‌رغم جاه‌طلبی‌های InfoFi، اکثر پروژه‌ها بر روی پلتفرم‌های متمرکز مانند X (توییتر) ساخته می‌شوند—یک نقطه شکست واحد برای کل استک. وقتی توجه کاربر از شبکه‌های با حاکمیت خصوصی استخراج می‌شود، عدم شفافیت الگوریتمی، سیاست‌های نظارتی و کنترل‌های دسترسی به ریسک‌های بالادستی تبدیل می‌شوند.

چه X Score در Wallchain باشد، چه Yaps در Kaito، یا رتبه‌بندی‌های KOL در Fantasy.top، همان ضعف پابرجاست: معیارهای وب۳ ساخته شده روی زمین وب۲.

سیستم‌های امتیازدهی: دروازه‌بانان مبهم جدید

اکثر موتورهای امتیازدهی InfoFi همچنان منبع-بسته، غیرقابل تأیید و مقاوم در برابر چالش هستند. Yaps، Quacks، Snaps—همه دسترسی کاربر به پاداش‌ها، ایردراپ‌ها و دیده شدن را تعیین می‌کنند—اما منطق درونی آنها پنهان است.

این عدم شفافیت همان عدم تقارن اعتمادی را بازتولید می‌کند که وب۳ برای از بین بردن آن به وجود آمد . اگر قرار است تأثیرگذاری مالی شود، مدل‌های پشت آن باید قابل حسابرسی و ترکیب‌پذیر باشند. در غیر این صورت، ما یک جعبه سیاه (الگوریتم‌های وب۲) را با جعبه سیاه دیگری معاوضه می‌کنیم.

نمایش حاکمیت، نه مالکیت واقعی

برخی پلتفرم‌ها روایت‌های جامعه‌محور را اتخاذ می‌کنند (مانند استیکینگ اعتبار، اسلشینگ اجتماعی)، اما تعداد کمی از آنها چارچوب‌های حاکمیتی معناداری دارند. تصمیمات در مورد وزن‌های امتیازدهی، آستانه‌های جدول رده‌بندی یا واجد شرایط بودن برای ایردراپ اغلب در پشت تیم‌های محصول یا هیئت‌های مشاوره متمرکز باقی می‌مانند.

تمرکززدایی واقعی فراتر از توزیع توکن است—به کنترل کاربر-محور بر روی مدل‌های داده که دسترسی، سرمایه و نفوذ را تعریف می‌کنند نیاز دارد.

پتانسیل پروتکل: مسیر بعدی InfoFi

عامل‌های هوش مصنوعی به عنوان مصرف‌کنندگان بومی InfoFi

نسل بعدی عامل‌های هوش مصنوعی صرفاً اطلاعات را پردازش نمی‌کنند—آنها بر اساس آن تراکنش انجام می‌دهند. مجموعه داده‌های InfoFi—سیگنال‌های اجتماعی بلادرنگ، روندهای روایتی، امتیازهای اعتبار—ورودی‌های ایده‌آلی برای عامل‌های خودکاری هستند که استراتژی‌های سرمایه‌گذاری، انتخاب محتوا یا تحقیق را اجرا می‌کنند.

تصور کنید یک مدیر پورتفولیوی هوش مصنوعی که از شاخص سهم ذهنی Kaito برای تنظیم قرارگیری در معرض توکن‌های نوظهور استفاده می‌کند. یا یک ربات امتیازدهی اعتبار که از داده‌های Wallchain و GiveRep برای بررسی مشارکت‌کنندگان پروتکل استفاده می‌کند. این عامل‌ها به داده‌های ساختاریافته با یکپارچگی بالا نیاز خواهند داشت—که InfoFi را به بهبود کیفیت سیگنال، شفافیت و قابلیت همکاری سوق می‌دهند.

اینجاست که APIهای داده متمرکز بر هوش مصنوعی Cookie می‌توانند به میان‌افزار حیاتی تبدیل شوند که محتوای پر سر و صدای انسانی را به هوش قابل استفاده برای ماشین تبدیل می‌کنند.

DeFi: امور مالی بدون اعتماد به زمینه قابل اعتماد نیاز دارد

DeFi همیشه فاقد یک لایه اعتباری بومی بوده است. اکثر پروتکل‌ها به وثیقه‌گذاری بیش از حد متکی هستند—نه به این دلیل که می‌خواهند، بلکه چون راهی برای قیمت‌گذاری ریسک ندارند.

InfoFi می‌تواند به حل این مشکل کمک کند. سیستم‌های اعتباری روی زنجیره مانند پروفایل‌های Ethos می‌توانند به وام‌دهندگان اجازه دهند وام‌گیرندگان را فراتر از موجودی کیف پول ارزیابی کنند. معیارهای پیش‌بینی از Kaito یا Cookie می‌توانند استراتژی‌های بازدهی مبتنی بر توجه را تقویت کنند. و شاخص‌های سهم ذهنی می‌توانند به عنوان ورودی‌های ریسک برای مدل‌سازی نوسان و قیمت‌گذاری بیمه عمل کنند.

با تعبیه اعتبار، نفوذ و توجه در DeFi، InfoFi می‌تواند در نهایت به وب3 لایه‌ای از اعتماد بدهد که کورکورانه نیست.

تغییر حیاتی: از پلتفرم به پروتکل

هیچ یک از این موارد اتفاق نخواهد افتاد مگر اینکه بازیگران InfoFi مایل به خود-تمرکززدایی باشند. این به معنای:

تبدیل مدل‌های امتیازدهی به ماژول‌های متن‌باز؛
قابل برنامه‌ریزی و فراگیر کردن حاکمیت؛
ساخت لایه‌های دریافت داده که به پلتفرم‌های قدیمی متکی نباشند.

نتیجه‌گیری: نفوذ دارایی است—اما فقط اگر قابل تأیید باشد

InfoFi مرز جدیدی را گشود: رفتار با اطلاعات، توجه و سرمایه اجتماعی به عنوان دارایی‌های اقتصادی سیال. اما موج اول آزمایش‌ها—هر چقدر هم بلندپروازانه—هزینه‌های ساختاری تمرکززدایی ناقص، امتیازدهی مبهم و طراحی سوداگرانه را آشکار کرده‌اند.

با این حال، تز همچنان قدرتمند است. اگر وب3 قصد دارد از سر و صدای رسانه‌های الگوریتمی فرار کند و اعتماد به روایت‌های خود را بازسازی کند، باید در زیرساختی سرمایه‌گذاری کند که نفوذ را قابل اندازه‌گیری، شفاف و ترکیب‌پذیر می‌سازد.

مرحله بعدی از طریق مکانیک‌های تبلیغاتی یا استخراج جدول رده‌بندی برنده نخواهد شد. بلکه بر پایه داده‌های قابل تأیید، پروتکل‌های بومی هوش مصنوعی و لایه‌های اعتماد که با زمینه مقیاس‌پذیر می‌شوند، ساخته خواهد شد. آینده InfoFi نه به کسی که توجه را جلب می‌کند—بلکه به کسی که می‌تواند ارزش آن را اثبات کند، بستگی دارد.

تأثیر قیمت‌گذاری مجدد در وب3 (II): مالی‌سازی اطلاعات