由此我们可以看到,激励设计已经扩展到在广阔的行动空间中激励人类内在行为的程度(例如写博客文章)。
人们相信,激励措施力量很大;而激励措施又在加密经济中分布极广。比特币的优秀表现,已经给这种信念下了定论。
比特币说明,位于图表左下方部的区块链项目值得信任;但如今,范例已经大大扩展,乃至图表右上方的各个系统都分享了这种可靠性。最偏右上方的Steemit等系统也被人们作为一般性的基于区块链的加密经济系统对待了,而不认为它们与比特币有一丁点不同;但实际上,却一直没有评估措施确认它们的基本加密经济模型是否合格,能经受住时间考验。
这就说明,创造实用激励设计所需的各种跨学科技巧,实际上是缺乏的。这些技巧包括:机械设计、密码学、工程学,但也包括行为经济学和人文学科。我们需要理解人类行为各种复杂、微妙、不合逻辑的方式。区块链激励设计不仅需要科学家,还需要公共政策专家。
难点在于,人类并不是完全理性的演员。现实中的人类经常不作那些最优化的事情。有个经典例子,就是“最后通牒博弈”(the Ultimatum Game):
给张三一百块钱,让张三拿出其中的一部分给李四,李四必须作出两个选择:接受或拒绝。如果李四拒绝,两人都只能离开,完全拿不到钱。如果李四接受,那李四就能拿到这部分钱,张三也拿到剩下的一部分。游戏理论告诉我们,李四最理性的策略是永远接受,哪怕张三只给一分钱也应该接受。
但是在现实中,只要给李四的钱少于30元,李四一般就会拒绝。而且,张三一般给出的至少20-30元。因此经验主义环境下两名玩家采取的策略都远远不是最优策略(就游戏理论而言)。我们可能会预测这样的效应在Steemit一类加密经济系统的复杂环境中还会重复。
于是我们将面临一个很大的问题:如果基于加密经济系统的设计规则包括了很大一部分人类因素,那么要如何做才能防止非理性入侵这些规则呢?
特别是,将这种“行为主义”思考应用于以上图表的两个轴之后,我们认为:
激励系统的自动性越小,就越难设计,也越多包含人类非理性带来的风险,例如确认偏误(confirmation bias)、沉没成本误区(sunk cost fallacies)、各种趋同思维(Groupthink)。
行动空间越大,就越难以最优化,难以作出正确的选择。计算机可以经常搜索很大空间,但费用则难以承受。人类的情况就糟糕得多。人类讨厌被迫选择的情况,于是搜索空间越大,认知思考成本(Cognitive Deliberation Cost)就越高,结果就越差。
因此,在“风险较低空间”(图标上的粉色区域)之外的系统当中,演员本身会难以判断,哪些行动会让自己利益最大化。而且,系统设计者面临的挑战还要困难得多。随着参与者越来越难以决定采取什么行动,设计者设计稳定而可预测的系统难度会成指数上升。哪怕在最好的条件下(个人玩家的行动空间很简单,容易分析、优化),想要应用机械设计来创造“在荒野中”运行良好的系统,也仍然是极为困难的任务。行动一旦难以优化(因为行动将会位于“风险较低空间”之外),机制的设计者就几乎没有一点机会了。