"AI becomes the government" 是反乌托邦的：当AI弱时会导致混乱，而一旦AI强大则会最大化灾难。但如果善用AI，它可以赋能，并推动民主/去中心化治理模式的前沿。

民主/去中心化治理模式（包括以太坊上的DAO）的核心问题是人类注意力的限制：需要做出成千上万的决定，涉及多个专业领域，大多数人甚至没有时间或技能成为一个领域的专家，更不用说所有领域。通常的解决方案——委托——是削弱权力的：它导致一小群代表控制决策，而他们的支持者在点击“委托”按钮后完全失去影响力。那么我们该怎么办？我们使用个人LLM来解决注意力问题！以下是一些想法：

## Personal governance agents

如果治理机制依赖于你做出大量决策，个人代理可以根据从你的个人写作、对话历史、直接声明等推断出的偏好，为你执行所有必要的投票。

如果代理（i）不确定你在某个问题上的投票立场，且（ii）认为该问题很重要，那么它应该直接询问你，并提供所有相关背景。

## Public conversation agents

好的决策往往不能来自仅基于个人信息的线性过程，并对这些观点进行平均（即使是二次平均）。需要一种过程来汇总多人的信息，然后给每个人（或他们的LLM）一个机会基于此进行回应。

这包括：

* 推断并总结你自己的观点，并将其转换为可以公开分享的格式（且不暴露你的私人信息）
* 总结人们输入之间的共同点（以文字表达），类似于各种LLM+的想法

## Suggestion markets

如果治理机制重视任何类型的“高质量输入”（可能是提案，甚至可能是论点），那么你可以建立一个预测市场，任何人都可以提交输入，AI可以押注代表该输入的代币，如果机制“接受”输入（无论是接受提案，还是将其作为对话的“单元”传递给参与者），它会向代币持有者支付$X。

注意，这基本上与

## Decentralized governance with private information

高度去中心化/民主治理的最大弱点之一是，当需要基于秘密信息做出重要决策时，它效果不佳。

常见情况：

(i) 组织参与对抗性冲突或谈判
(ii) 内部争议解决
(iii) 薪酬/资金决策。

通常，组织通过任命拥有极大权力的个人来解决这个问题。

但通过多方计算（目前我看到的是用TEEs实现的；我希望至少两方情况能用混淆电路解决，从而获得纯加密安全保证），我们实际上可以考虑到多人的输入来处理这些情况，而不损害隐私。基本上：你将你的个人LLM提交到一个黑盒中，LLM看到私人信息，基于此做出判断，并仅输出该判断。你看不到私人信息，其他人也看不到你的个人LLM内容。

## The importance of privacy

所有这些方法都涉及每个参与者利用更多关于自己的信息，并可能提交更大规模的输入。因此，保护隐私变得更加重要。有两种隐私很重要：

* 参与者的匿名性：可以通过ZK实现。总的来说，我认为所有治理工具都应内置ZK
* 内容的隐私：这有两部分。首先，个人LLM应尽力避免泄露不需要泄露的关于你的私人信息。其次，当你需要计算结合多个LLM或多个人的信息时，你需要多方技术来私下计算。两者都很重要。