Integrazione di IA e DeFi: Oltre il Gaming On-Chain di AlphaGo (II)

Sebbene l'integrazione di IA e DeFi prometta efficienza e intelligenza senza precedenti, introduce anche una serie di rischi e controversie etiche. Dalla manipolazione del mercato al controllo normativo, il percorso verso un sistema finanziario veramente decentralizzato ed equo è irto di sfide. In questa seconda parte della nostra analisi, esamineremo queste questioni critiche ed esploreremo come il settore possa affrontarle per raggiungere una crescita sostenibile.

Rischi e controversie etiche

4.1 Manipolazione del mercato e rischio sistemico

Risonanza dell'algoritmo di IA che innesca flash crash

La risonanza dell'algoritmo di IA può diventare un catalizzatore per i flash crash di mercato, specialmente nei meccanismi altamente dipendenti dalla stabilità algoritmica. Gli algoritmi di IA sono comunemente usati nella previsione dei prezzi, nella gestione del rischio, nell'allocazione degli asset e in altre aree, ma quando le strategie decisionali tra più sistemi di IA sono incoerenti o interagiscono, possono verificarsi effetti di risonanza, innescando violente fluttuazioni del mercato o persino flash crash.

Attacchi avversari: campioni di inganno dell'IA che prendono di mira i protocolli DeFi (come la falsificazione dei dati sul volume delle transazioni)

Con l'avanzamento della tecnologia dell'IA, gli attacchi avversari che prendono di mira i protocolli DeFi sono diventati più complessi e pericolosi. Gli attacchi avversari si riferiscono all'inganno dei modelli di IA attraverso input di dati accuratamente progettati, influenzando così le decisioni del protocollo DeFi e il comportamento del mercato. Nell'ecosistema DeFi, i modelli di IA sono ampiamente applicati nella gestione dei pool di liquidità, nella determinazione dei prezzi delle coppie di trading, nella valutazione del rischio e in altre aree, e l'accuratezza di questi modelli è fondamentale.

Un tipico attacco avversario è la falsificazione dei dati sul volume delle transazioni, che interferisce con i prezzi di mercato e le decisioni sulla liquidità attraverso un gran numero di transazioni false. Ad esempio, gli aggressori possono creare più account falsi e condurre transazioni a basso costo su larga scala per simulare elevati volumi di transazione per un asset. Questo comportamento può ingannare i modelli di IA, inducendoli a giudicare erroneamente il vero valore degli asset e le tendenze del mercato. Per gli smart contract del protocollo DeFi, tali attacchi possono portare a una configurazione errata della liquidità e a decisioni sui prezzi, esacerbando ulteriormente l'instabilità del mercato. Potrebbe anche innescare reazioni a catena, causando vendite massicce di singoli asset negli LP per ottenere la loro liquidità e quindi trasferirla rapidamente.

4.2 Dilemmi normativi e di conformità

Definizione della SEC statunitense delle proprietà di sicurezza degli "AI Token" (rispetto al caso Ripple)

Per quanto riguarda se questi token soddisfino la definizione di titoli e se debbano seguire le corrispondenti normative sui titoli, possiamo fare ipotesi guardando indietro alla storia, poiché la SEC potrebbe fare riferimento al caso XRP quando definisce le proprietà di sicurezza degli "AI Token".

Nel caso Ripple, la SEC ha considerato i token XRP di Ripple come titoli perché sono stati venduti agli investitori attraverso un'offerta iniziale di monete (ICO) e Ripple Labs ha condotto una serie di attività di marketing durante il processo di vendita per promuovere il trading di XRP. Questa sentenza indica che la SEC si concentra sul metodo di emissione dei token e se il token rappresenta un rapporto di capitale proprio o di debito con una società o un progetto.

Per gli "AI Token", la SEC potrebbe adottare criteri di giudizio simili. In particolare, se questi AI Token vengono emessi attraverso metodi simili a ICO o IEO e sono associati a un progetto o società di IA, la SEC potrebbe considerare che questi token abbiano proprietà di sicurezza. Ciò significa che i detentori di AI Token potrebbero essere considerati in possesso di un interesse economico, come i diritti alla distribuzione dei ricavi del progetto o all'apprezzamento del capitale attraverso l'aumento del valore del token. In altre parole, gli AI Token sono potenzialmente soggetti a sanzioni della SEC.

Sfide antiriciclaggio: difficoltà di tracciamento dei mixer di IA (come le versioni aggiornate di Tornado Cash)

La tecnologia dell'IA viene anche utilizzata per sviluppare strumenti di mixing più segreti, come le versioni aggiornate di Tornado Cash. Questa tecnologia di protezione della privacy offre migliori garanzie di privacy per gli utenti legittimi, ma comporta anche enormi sfide antiriciclaggio (AML) per le agenzie di regolamentazione.

Un problema fondamentale con i mixer è il modo in cui rendono estremamente difficile tracciare i flussi di fondi. Mixer come Tornado Cash utilizzano un modello di "transazione ad anello", disperdendo i fondi su più indirizzi e transazioni prima di ricombinarli, interrompendo la catena del flusso di fondi. Questa tecnologia può nascondere più efficacemente la fonte e la destinazione dei fondi, aumentando notevolmente la difficoltà per le agenzie di regolamentazione di tracciare.

Pertanto, grazie al potenziamento della tecnologia AI, i mixer possono utilizzare algoritmi più intelligenti per selezionare dinamicamente più indirizzi di inoltro, modificare automaticamente i percorsi delle transazioni e persino prevedere le tendenze del mercato per evitare i sistemi di monitoraggio on-chain. Ciò rende inefficaci gli strumenti di analisi blockchain tradizionali. Inoltre, i mixer AI potrebbero adottare ulteriormente privacy coins (come Monero) come base per gli strumenti di transazione, migliorando ulteriormente il loro anonimato. Le agenzie di regolamentazione si trovano ad affrontare sfide di capacità tecnica estremamente elevate quando si confrontano con tecnologie di crittografia e schemi di anonimizzazione così avanzati. Le misure normative antiriciclaggio tradizionali (come le politiche KYC/AML) non possono affrontare efficacemente le nuove minacce poste dai mixer AI.

Per affrontare questa sfida, le agenzie di regolamentazione devono introdurre più tecnologie di monitoraggio basate sull'analisi del comportamento, utilizzando l'apprendimento automatico e l'analisi dei big data per identificare comportamenti anomali e potenziali schemi di transazioni illegali.

4.3 Confini Etici

Teoria della "Foresta Oscura": l'AI porta a una completa gamification a somma zero della DeFi?

La teoria della "Foresta Oscura" è stata inizialmente proposta da Liu Cixin nella serie "Il problema dei tre corpi". La teoria presuppone che l'universo sia un ambiente ostile e incerto in cui la sopravvivenza delle civiltà dipende dal nascondere la propria esistenza ed eliminare altre potenziali minacce il più possibile. All'interno di questo quadro teorico, ogni civiltà nell'universo è in un costante stato di gioco e qualsiasi azione che esponga se stessi potrebbe portare a conseguenze catastrofiche.

Introducendo questa teoria nel contesto DeFi, la previsione efficiente e il processo decisionale automatizzato dell'AI consentono ai partecipanti al mercato di ottenere profitti attraverso strategie precise, mentre altri partecipanti potrebbero subire perdite. Ad esempio, il trading ad alta frequenza guidato dall'AI può rendere difficile per altri partecipanti tenere il passo con i cambiamenti del mercato o può manipolare con precisione i prezzi di mercato, facendo sì che gli sforzi di molti partecipanti si trasformino in definitiva in guadagni dei concorrenti. Il meccanismo di mercato in tali situazioni si avvicina a un gioco a somma zero.

Inoltre, con l'applicazione di strategie di ottimizzazione dell'AI e deep learning, anche la "furtività" del mercato può aumentare, rendendo il comportamento del mercato più difficile da prevedere. Questo gioco in stile "foresta oscura" può porre i piccoli progetti DeFi e i nuovi partecipanti in una posizione molto svantaggiosa, poiché mancano di risorse sufficienti per competere con i grandi algoritmi guidati dall'AI, esacerbando la concentrazione della ricchezza e la distribuzione irregolare delle risorse.

Pertanto, l'AI ha effettivamente il potenziale per rendere la concorrenza nell'ecosistema DeFi sempre più feroce, tendendo verso la gamification a somma zero, soprattutto quando molti partecipanti al mercato adottano strategie di trading automatizzate e algoritmiche simili.

Open Source vs. Closed Source: Contraddizioni tra il Black-Boxing del Modello Numerai e la Governance della Comunità

Numerai è una piattaforma di hedge fund decentralizzata che combina AI e criptovaluta, attirando data scientist globali a presentare modelli attraverso la partecipazione open source nella previsione del mercato. Ma con lo sviluppo del progetto, sempre più persone hanno iniziato a concentrarsi sul problema del "black-boxing" dei modelli. Man mano che questi modelli diventano gradualmente più complessi e coinvolgono alti livelli di ottimizzazione algoritmica, l'implementazione specifica e i processi di training dei modelli spesso diventano meno facili da comprendere e spiegare completamente. Ciò implica come bilanciare la trasparenza della tecnologia e la struttura di governance del progetto tra open e closed source.

Su piattaforme come Numerai, i modelli open source potrebbero consentire ad alcuni partecipanti di attaccarli attraverso il reverse engineering o comportamenti dannosi. Man mano che la tecnologia AI continua a svilupparsi, algoritmi sempre più complessi possono essere "black-boxed", il che significa che i loro processi decisionali non possono essere presentati in modo completamente trasparente alla comunità, portando a problemi di fiducia.

D'altra parte, i modelli closed-source possono proteggere efficacemente i segreti commerciali e la proprietà intellettuale dei modelli, contribuendo a ridurre il rischio che i modelli vengano copiati o manomessi in modo dannoso. Per progetti come Numerai, il closed source può garantire la sicurezza e il valore commerciale dei loro modelli AI.

Questo fenomeno di "black-boxing" è in conflitto con i principi della comunità open-source. L'intenzione originale dell'open source è quella di consentire a tutti di partecipare e controllare il sistema, ma i modelli black-boxed impediscono ai membri della comunità di comprendere appieno i meccanismi operativi alla base degli algoritmi, portando potenzialmente a contraddizioni di governance e crisi di fiducia.

Prospettive Future e Raccomandazioni Strategiche

5.1 Tendenze di Integrazione Tecnologica

Autonomia

La tendenza principale del futuro DeFAI si sta spostando dall'automazione all'autonomia, guidata da agenti autonomi. Queste entità intelligenti guidate dall'IA superano le tradizionali limitazioni basate su regole e possiedono la capacità di analizzare continuamente i dati on-chain, comprendere le dinamiche di mercato ed eseguire strategie complesse, come l'ottimizzazione dei rendimenti dei prestiti tra i protocolli, la cattura di opportunità di arbitraggio e il bilanciamento dinamico dei portafogli di investimento. Migliorano l'efficienza del capitale e apportano rendimenti sostenibili ai protocolli attraverso un funzionamento ininterrotto 24 ore su 24, 7 giorni su 7 e un processo decisionale preciso, rimodellando il modo in cui il valore fluisce.

Collaborazione Multi-Agente

La competitività principale del futuro DeFAI si sposterà dai singoli agenti intelligenti alle reti collaborative multi-agente. Attraverso la divisione del lavoro e la collaborazione di gruppi di agenti AI distribuiti (come il disaccoppiamento dei moduli di osservazione, pianificazione ed esecuzione), si ottiene l'ottimizzazione parallela di strategie complesse. I sistemi collaborativi multi-agente decompongono problemi complessi in sotto-compiti attraverso la scomposizione dei compiti, con ogni agente responsabile di una parte specifica del sotto-compito. Ad esempio: gli Agenti Osservatori scansionano in tempo reale i grandi trasferimenti on-chain e le fluttuazioni degli LP, gli Agenti Strategici generano modelli di copertura e gli Agenti Esecutori indirizzano automaticamente i percorsi di trading ottimali attraverso più catene. Nel frattempo, anche le modalità di collaborazione si evolveranno, includendo la modalità di rete (ogni agente può comunicare con tutti gli altri agenti) e la modalità gerarchica (sistemi di agenti multi-livello con supervisori).

5.2 Opportunità di investimento

Infrastruttura: zkML utilizza prove a conoscenza zero per verificare il processo di inferenza dei modelli di machine learning, consentendo agli smart contract di fidarsi dei risultati di calcolo del machine learning esterno senza eseguire l'intero modello on-chain. Questo sarà un livello di infrastruttura chiave per la prossima generazione di adozione su larga scala dell'IA on-chain. I progetti potenziali includono:

Giza

La competitività principale di Giza risiede nel suo stack tecnologico unico e nel posizionamento dell'ecosistema. Traducendo i modelli di machine learning in formato ONNX in programmi Cairo e ottenendo una verifica efficiente dell'inferenza on-chain attraverso ONNX Cairo Runtime sviluppato internamente, Giza risolve la sfida di compatibilità tra modelli complessi e circuiti a conoscenza zero. Il suo posizionamento come marketplace decentralizzato di modelli AI attrae fornitori e consumatori di modelli per formare un effetto di rete a due lati, integrandosi profondamente con l'ecosistema StarkNet, rafforzando le barriere tecniche attraverso la sua infrastruttura ZK ad alte prestazioni. In quanto progetto iniziale che esplora la commercializzazione dell'IA on-chain, Giza ha stabilito il riconoscimento del marchio, ma deve essere cauto riguardo alla sua dipendenza dalla crescita dell'ecosistema StarkNet.

EZKL

I vantaggi di EZKL si concentrano sulla facilità d'uso per gli sviluppatori e sull'ottimizzazione del dominio verticale. Supporta i modelli PyTorch/TensorFlow esportati tramite ONNX e compilati in circuiti zkSNARK, riducendo significativamente le barriere alla migrazione per gli sviluppatori. Le sue prestazioni sono eccezionali (come il completamento delle prove del modello MNIST in 2 secondi), migliorando la praticità attraverso la gestione ottimizzata della memoria e la progettazione del circuito. EZKL è attivo nella comunità degli sviluppatori, adottato da molteplici progetti hackathon (come AI Coliseum) e accelera l'iterazione aprendo toolchain open-source (come il supporto per il backend Halo2). Concentrandosi sulla verifica dell'inferenza del deep learning, ottimizza specificamente l'implementazione del circuito delle funzioni di attivazione non lineari (come ReLU) e si integra profondamente con i sistemi di prova Plonkish (come Halo2), gestendo in modo efficiente i calcoli ML utilizzando la funzionalità di ricerca. Tuttavia, deve affrontare la potenziale concorrenza da strumenti ZK generali (come Risc Zero).

Giza ed EZKL rappresentano due percorsi dell'infrastruttura zkML: Giza costruisce fossati attraverso il posizionamento sul mercato verticale e il legame con l'ecosistema (come StarkNet), adatto per il layout a lungo termine della commercializzazione del modello AI; EZKL diventa la scelta preferita per scenari di modelli leggeri (come gli oracoli DeFi) con maturità della toolchain e vantaggi in termini di prestazioni. Entrambi devono superare la perdita di precisione della quantizzazione e le sfide dell'accelerazione hardware, ma l'ecosistema first-mover e la specializzazione tecnica hanno costruito barriere a breve termine per loro. La concorrenza futura dipenderà dalla velocità di iterazione della tecnologia e dalle capacità di espansione dell'ecosistema.

Livello applicativo: rispetto agli investimenti nel livello infrastrutturale, gli investimenti nel livello applicativo sono più difficili da selezionare. Il mercato sta ancora esplorando il product-market fit (PMF) di AI+Crypto e i prodotti immessi sul mercato vengono costantemente eliminati e aggiornati. Con l'avanzamento dell'infrastruttura crypto e dell'IA nel mondo Web2, verranno immesse sul mercato più applicazioni per il test. Attualmente, DeFi + esecuzione in linguaggio naturale sembra essere una direzione relativamente matura. Il progetto leader in questo settore è Griffain.

Griffain è costruito su Solana, consentendo agli utenti di eseguire operazioni on-chain corrispondenti tramite chat in linguaggio naturale con l'AI. Attualmente è il framework principale nel settore, ricevendo riconoscimenti del settore e molteplici aspetti di integrazione, con prodotti continuamente aggiornati. Tuttavia, il suo prezzo è in fase di test. Questo è anche un problema comune per altri progetti AI+Crypto in termini di investimento, ovvero ricevere troppa attenzione e afflusso di capitale nel breve termine, creando una discrepanza tra il valore di mercato e il valore intrinseco del prodotto. Potrebbe ora essere necessario un tempo relativamente lungo per correggere questa situazione. Un'interfaccia utente fluida e di alta qualità e una rapida velocità di integrazione di nuove API sono fondamentali per consolidare la sua posizione di leader.

5.3 Strategie per Sviluppatori e Utenti

Come partecipare all'economia degli agenti AI: dal contributo dei dati di addestramento alla condivisione dei profitti della strategia

Nelle piattaforme DeFi guidate dall'AI, i dati di addestramento sono fondamentali per l'addestramento dei modelli AI. Utenti e sviluppatori possono partecipare all'economia degli agenti AI fornendo set di dati di alta qualità.

Un semplice caso di economia AI è il seguente, con il mercato composto da utenti, fornitori di strategie e sviluppatori:

Utenti: possono contribuire con i propri dati di transazione, dati sul comportamento del mercato e persino dati sui prezzi degli asset. Questi dati possono aiutare i modelli AI a comprendere meglio le tendenze del mercato, le fluttuazioni dei prezzi e i fattori di rischio, migliorando le loro capacità di previsione e l'efficacia del trading. Gli utenti, in quanto contributori di dati, in genere ricevono determinati premi o una quota degli utili in base alla quantità e alla qualità dei dati forniti, ottenendo ricompense in token.

Fornitori di strategie: possono guadagnare una quota dei profitti derivanti dall'esecuzione della strategia condividendo o vendendo le proprie strategie sulla piattaforma. Gli agenti AI possono generare profitti attraverso il trading automatizzato, l'arbitraggio, il liquidity mining e altre strategie.

Sviluppatori: possono creare piattaforme di agenti di strategia AI e implementare queste strategie tramite agenti AI. Gli sviluppatori possono guadagnare entrate da commissioni, formando un ecosistema multi-vincente.

Copertura del rischio per gli utenti ordinari: guida alla sopravvivenza DeFi sotto la manipolazione dell'AI

In quanto utenti ordinari, sebbene le informazioni e le risorse a disposizione siano limitate, è comunque possibile mitigare alcuni rischi attraverso metodi fattibili.

Investimenti diversificati:

Una strategia di mitigazione del rischio universale, gli utenti ordinari possono evitare di concentrare tutte le proprie risorse in un singolo protocollo DeFi. Un sistema AI potrebbe spingere il prezzo di un mercato DeFi in una certa direzione e, se l'investimento di un utente dipende completamente da una singola piattaforma DeFi, potrebbe subire perdite su larga scala in un breve periodo di tempo. L'investimento diversificato può diffondere efficacemente il rischio, riducendo le potenziali perdite in caso di fallimento di una singola strategia.

Utilizzo di strumenti di monitoraggio AI per la valutazione del rischio:

Gli utenti ordinari possono utilizzare gli strumenti di monitoraggio AI lanciati sul mercato per la valutazione e il monitoraggio del rischio in tempo reale. Molte piattaforme di terze parti forniscono strumenti di valutazione del rischio basati sull'AI che possono aiutare gli utenti a identificare i potenziali rischi e ad apportare modifiche analizzando i dati di mercato e le condizioni patrimoniali degli utenti. Ad esempio, alcuni monitoraggi possono rilevare tempestivamente anomalie di mercato, vendite su larga scala, acquisti e altri comportamenti, consentendo agli utenti di individuare potenziali rischi.