發(fā)行證券通證不應該這么難。這是從一位區(qū)塊鏈業(yè)內(nèi)人士那里不斷聽到的一句話，因為最近發(fā)行的大多數(shù)證券通證都涉及手動編寫智能合約。這幾乎
發(fā)行證券通證不應該這么難。這是從一位區(qū)塊鏈業(yè)內(nèi)人士那里不斷聽到的一句話，因為最近發(fā)行的大多數(shù)證券通證都涉及手動編寫智能合約。這幾乎是對證券通證發(fā)布流程復雜性的過度反應，目前已經(jīng)有一些推廣自助發(fā)行工具的嘗試，只需鼠標點擊幾下就可以創(chuàng)建證券通證。本文將解釋一下這種方法的一些根本缺陷，并提出一些更好的選擇。
對于加密證券的發(fā)行時，證券通證領域采用了兩個極端的態(tài)度。在一個極端情況下，出于合規(guī)性原因，每個證券通證都要求智能合約開發(fā)人員編寫大量重復的代碼，并利用一些基本協(xié)議。在另一個極端情況下，我們可以填寫幾種表格，按下按鈕，然后就可以獲取證券通證。第一種方法很復雜且容易出錯，但可以看作是證券通證市場早期階段的結果。第二種方法是不切實際的，它在一個早期市場中設立了錯誤的先例。
自助證券通證發(fā)行工具的基礎是你可以通過友好的用戶界面使用一個確定的規(guī)則集來表達證券通證的基本機制。原則來說，好處是顯而易見的，因為任何人都應該能夠在不掌握智能合約語言的情況下創(chuàng)建自己的證券通證。雖然在概念上具有吸引力，但從技術和財務角度來看，自助式證券通證發(fā)行的想法從根本上是有缺陷的。自助證券通證發(fā)行可以被視為還原論的表達。
還原論思想與證券通證
還原論是一種認知動態(tài)，當提出一個復雜的論證時，人們會傾向于簡單的解釋，而忽略了批判性的細節(jié)。簡單的解釋僅適用于問題的一些最抽象的表示，在任何分析嚴謹?shù)那闆r下都不適用。對于證券通證，還原論的一個典型例子就是，認為我們可以使用一些規(guī)則來模擬加密通證的結構和行為。自助證券通證發(fā)行試圖過度簡化創(chuàng)建加密證券的過程，以吸引那那些受困于行業(yè)技術復雜性的人群。然而，自助證券通證發(fā)行技術忽略了加密證券的許多關鍵要素，最后創(chuàng)建了在實際中毫無用處的通證。
自助式證券通證發(fā)行工具不僅存在技術缺陷，而且其出現(xiàn)的市場時機也不對。下面，筆者列出了三個主要論點，可以幫助我們辨別自助證券通證發(fā)行中的還原論思維模式：
規(guī)則與動態(tài)行為1)：通過用戶界面配置發(fā)行證券通證隱含性地假設可以使用一些IF-Then-Else規(guī)則來抽象加密通證的行為。這與實際相差甚遠。證券通證需要表達動態(tài)的財務行為，例如股息分配、違約、風險調(diào)整和其他需要超出邏輯規(guī)則的復雜業(yè)務邏輯構造。甚至一些最簡單的通證化表示，例如公開交易公司的股票，也可能受到各種復雜行為的影響。發(fā)行傳統(tǒng)證券的過程很復雜，不僅是因為參與的參與者，也因為這些金融工具的復雜性。
成熟與新興技術市場2)：自助服務工具是成熟技術市場的副產(chǎn)品。在集成領域，像IFTTT這樣的平臺只有在經(jīng)過數(shù)十年的中間件技術發(fā)展之后才有可能實現(xiàn)。自助服務商業(yè)智能工具是在對數(shù)據(jù)可視化和分析工作數(shù)十年的研究之后才被廣泛采用。證券通證行業(yè)不到兩年，并且?guī)缀鯖]有任何基礎可以通過幾次點擊來簡化加密證券的發(fā)布。
鏈下與鏈上活動3)：這個是一個更微妙的論點，但仍然非常具有相關性。假設我們可以使用一些基于UI的規(guī)則來實現(xiàn)證券通證，從本質(zhì)上這意味著對加密證券活動進行建模所需的一切都是在鏈下(通過規(guī)則)進行的，這簡直就是謬論。為了實現(xiàn)高效性，證券通證需要利用大量的鏈上部件，例如預言機，gas，調(diào)用不能通過UI簡單抽象的其他智能合約以及其他部件。
下面讓我們使用自助服務技術堆棧的一些例子來進行說明：
失敗的例子——UML和代碼生成工具·：在21世紀初，有大量工具嘗試使用統(tǒng)一建模語言(UML)等圖形標準對面向?qū)ο蟮某绦蜻M行建模。盡管這種趨勢中也有取得成功的，例如Rational Software，但大多數(shù)工具被證明非常局限，無法構建復雜的程序。這一代工具失敗的部分原因可以歸咎于圖形化、規(guī)則驅(qū)動的環(huán)境以及動態(tài)的基于代碼的邏輯之間的不匹配。
失敗的例子——機器學習工作流工具·：機器學習領域正在發(fā)展的一個趨勢是使用可視化工作流創(chuàng)建模型的想法。雖然現(xiàn)在判斷這一趨勢是否會取得成功還為時尚早，但它們似乎只適用于一些非?；镜膱鼍昂头浅；A的數(shù)據(jù)科學家，導致像TensorFlow或PyTorch這樣的框架用于編寫更復雜的模型。
成功的例子——自助分析工具·：幾十年來，商業(yè)智能(BI)解決方案中的報告和數(shù)據(jù)可視化創(chuàng)作需要專業(yè)人士來做一些基本上是商品的事情。最終，市場產(chǎn)生了新一代的自助數(shù)據(jù)可視化平臺，如Tableau或QlikView，允許非專家創(chuàng)建真正復雜的信息中心(Dashboard)，無需編寫任何代碼。
成功的例子——機器學習領域?qū)僬Z言·：碎片性和復雜性是機器學習領域的主要挑戰(zhàn)之一。由于市場上有如此多的機器學習框架和平臺，編寫機器學習程序不僅復雜，而且堆棧之間沒有可移植性。最近，像Facebook和微軟這樣的公司贊助了開放式神經(jīng)網(wǎng)絡交換格式(ONNX)的創(chuàng)建，該格式提供了更高級別(但不是基于可視規(guī)則)的語言，以與不同底層框架兼容的方式創(chuàng)建機器學習模型 。
總之，有效的自助服務工具具有以下幾個特點：
a)它們允許添加復雜的業(yè)務邏輯。
b)它們在與底層活動時相似的環(huán)境中運行。
c)它們在成熟的技術市場中運營。
這聽起來像是自助式證券通證發(fā)行工具嗎?
一種可能的解決方案：證券通證領域的專屬語言
如何在不創(chuàng)建無用簡化版本的情況下簡化證券通證的發(fā)行?編寫以太坊智能合約幾乎不可擴展，但使用基于UI的規(guī)則也是毫無用處的。在兩者之間取折中呢?想象一種宣告式語言(declarative language)，可以以一種可以立即翻譯成不同智能合約語言的方式對加密證券的結構進行建模。
