Integracja AI i DeFi: Poza gamingiem on-chain AlphaGo (II)

Integracja sztucznej inteligencji (AI) i DeFi obiecuje bezprecedensową efektywność i inteligencję, ale wprowadza również szereg ryzyk i kontrowersji etycznych. Od manipulacji rynkowych po kontrolę regulacyjną, droga do prawdziwie zdecentralizowanego i sprawiedliwego systemu finansowego jest pełna wyzwań. W tej drugiej części naszej analizy zbadamy te kluczowe kwestie i przeanalizujemy, w jaki sposób branża może sobie z nimi poradzić, aby osiągnąć zrównoważony wzrost.

Ryzyka i kontrowersje etyczne

4.1 Manipulacje rynkowe i ryzyko systemowe

Rezonans algorytmów AI wywołujący nagłe załamania (Flash Crashes)

Rezonans algorytmów AI może stać się katalizatorem nagłych załamań rynkowych (flash crashes), szczególnie w mechanizmach silnie uzależnionych od stabilności algorytmicznej. Algorytmy AI są powszechnie stosowane w prognozowaniu cen, zarządzaniu ryzykiem, alokacji aktywów i innych obszarach, ale gdy strategie decyzyjne między wieloma systemami AI są niespójne lub wchodzą ze sobą w interakcje, mogą wystąpić efekty rezonansu, wywołując gwałtowne wahania rynkowe, a nawet nagłe załamania (flash crashes).

Ataki typu adversarial: Przykłady oszustw AI wymierzone w protokoły DeFi (takie jak fałszowanie danych o wolumenie transakcji)

Wraz z postępem technologii AI ataki typu adversarial wymierzone w protokoły DeFi stają się coraz bardziej złożone i niebezpieczne. Ataki typu adversarial odnoszą się do wprowadzania w błąd modeli AI poprzez starannie zaprojektowane dane wejściowe, wpływając w ten sposób na decyzje protokołu DeFi i zachowanie rynku. W ekosystemie DeFi modele AI są szeroko stosowane w zarządzaniu pulami płynności, wycenie par handlowych, ocenie ryzyka i innych obszarach, a dokładność tych modeli ma kluczowe znaczenie.

Typowym atakiem typu adversarial jest fałszowanie danych o wolumenie transakcji, zakłócanie wyceny rynkowej i decyzji dotyczących płynności poprzez dużą liczbę fałszywych transakcji. Na przykład, atakujący mogą tworzyć wiele fałszywych kont i przeprowadzać transakcje na dużą skalę po niskich kosztach, aby sfałszować wysoki wolumen transakcji dla danego aktywa. Takie zachowanie może oszukać modele AI, powodując, że błędnie ocenią prawdziwą wartość aktywów i trendy rynkowe. W przypadku inteligentnych kontraktów protokołu DeFi takie ataki mogą prowadzić do nieprawidłowej konfiguracji płynności i decyzji dotyczących wyceny, co dodatkowo pogłębia niestabilność rynku. Może to również wywołać reakcje łańcuchowe, powodując masową sprzedaż pojedynczych aktywów w LP w celu uzyskania płynności, a następnie szybkie jej przeniesienie.

4.2 Dylematy regulacyjne i zgodności

Definicja właściwości papierów wartościowych "tokenów AI" według amerykańskiej SEC (w porównaniu do sprawy Ripple)

Odnosząc się do tego, czy te tokeny spełniają definicję papierów wartościowych i czy muszą przestrzegać odpowiednich przepisów dotyczących papierów wartościowych, możemy poczynić założenia, spoglądając wstecz na historię, ponieważ SEC może odnieść się do sprawy XRP przy definiowaniu właściwości papierów wartościowych "tokenów AI".

W sprawie Ripple SEC uznała tokeny XRP Ripple za papiery wartościowe, ponieważ były one sprzedawane inwestorom poprzez Initial Coin Offering (ICO), a Ripple Labs prowadziła szereg działań marketingowych podczas procesu sprzedaży w celu promowania handlu XRP. Ta decyzja wskazuje, że SEC koncentruje się na metodzie emisji tokenów i na tym, czy token reprezentuje relację kapitałową lub dłużną z firmą lub projektem.

W przypadku "tokenów AI" SEC może przyjąć podobne kryteria oceny. W szczególności, jeśli te tokeny AI są emitowane metodami podobnymi do ICO lub IEO i są powiązane z projektem lub firmą AI, SEC może uznać te tokeny za posiadające właściwości papierów wartościowych. Oznacza to, że posiadacze tokenów AI mogą być uważani za posiadających pewien interes ekonomiczny, taki jak prawa do dystrybucji przychodów z projektu lub wzrostu wartości kapitału poprzez wzrost wartości tokena. Innymi słowy, tokeny AI potencjalnie podlegają sankcjom SEC.

Wyzwania związane z przeciwdziałaniem praniu pieniędzy: Trudności w śledzeniu mikserów AI (takich jak ulepszone wersje Tornado Cash)

Technologia AI jest również wykorzystywana do opracowywania bardziej ukrytych narzędzi do miksowania, takich jak ulepszone wersje Tornado Cash. Ta technologia ochrony prywatności zapewnia lepsze gwarancje prywatności dla legalnych użytkowników, ale także stwarza ogromne wyzwania związane z przeciwdziałaniem praniu pieniędzy (AML) dla agencji regulacyjnych.

Kluczową kwestią związaną z mikserami jest to, jak utrudniają one śledzenie przepływów środków. Miksery takie jak Tornado Cash wykorzystują model "transakcji pierścieniowej", rozpraszając środki na wiele adresów i transakcji przed ich ponownym połączeniem, przerywając łańcuch przepływu środków. Ta technologia może skuteczniej ukryć źródło i miejsce docelowe środków, znacznie zwiększając trudność śledzenia dla agencji regulacyjnych.

Zatem, dzięki ulepszeniom technologii AI, miksery mogą wykorzystywać inteligentniejsze algorytmy do dynamicznego wybierania wielu adresów przekaźnikowych, automatycznej zmiany ścieżek transakcji, a nawet przewidywania trendów rynkowych, aby unikać systemów monitorowania on-chain. To sprawia, że tradycyjne narzędzia analizy blockchain stają się nieskuteczne. Co więcej, miksery AI mogą dodatkowo przyjąć privacy coins (takie jak Monero) jako podstawę narzędzi transakcyjnych, co jeszcze bardziej zwiększa ich anonimowość. Agencje regulacyjne stoją przed niezwykle wysokimi wyzwaniami w zakresie zdolności technicznych, gdy konfrontują się z tak zaawansowaną technologią szyfrowania i schematami anonimizacji. Tradycyjne środki regulacyjne przeciwdziałania praniu pieniędzy (takie jak polityki KYC/AML) nie mogą skutecznie reagować na nowe zagrożenia stwarzane przez miksery AI.

Aby sprostać temu wyzwaniu, agencje regulacyjne muszą wprowadzić więcej technologii monitorowania opartych na analizie zachowań, wykorzystując uczenie maszynowe i analizę dużych zbiorów danych do identyfikowania nietypowych zachowań i potencjalnych nielegalnych wzorców transakcji.

4.3 Granice etyczne

Teoria "Ciemnego Lasu": Czy AI prowadzi do całkowitej gamifikacji DeFi o sumie zerowej?

Teoria "Ciemnego Lasu" została początkowo zaproponowana przez Liu Cixina w serii "Problem Trzech Ciał". Teoria zakłada, że wszechświat jest wrogim i niepewnym środowiskiem, w którym przetrwanie cywilizacji zależy od ukrywania swojego istnienia i eliminowania innych potencjalnych zagrożeń w jak największym stopniu. W ramach tych teoretycznych ram każda cywilizacja we wszechświecie znajduje się w ciągłym stanie gry, a każde działanie, które ją demaskuje, może przynieść katastrofalne konsekwencje.

Wprowadzając tę teorię do kontekstu DeFi, efektywne przewidywanie i zautomatyzowane podejmowanie decyzji przez AI pozwalają uczestnikom rynku na osiąganie zysków dzięki precyzyjnym strategiom, podczas gdy inni uczestnicy mogą ponosić straty. Na przykład, wysokoczęstotliwościowy trading oparty na AI może utrudniać innym uczestnikom nadążanie za zmianami na rynku lub może precyzyjnie manipulować cenami rynkowymi, powodując, że wysiłki wielu uczestników ostatecznie przekształcają się w zyski konkurentów. Mechanizm rynkowy w takich sytuacjach zbliża się do gry o sumie zerowej.

Dodatkowo, wraz z zastosowaniem strategii optymalizacji AI i głębokiego uczenia się, "ukrywanie się" na rynku może również wzrosnąć, co utrudnia przewidywanie zachowań rynkowych. Ta gra w stylu "ciemnego lasu" może postawić małe projekty DeFi i nowych uczestników w bardzo niekorzystnej pozycji, ponieważ brakuje im wystarczających zasobów, aby konkurować z dużymi algorytmami opartymi na AI, co pogłębia koncentrację bogactwa i nierównomierny podział zasobów.

Dlatego AI rzeczywiście ma potencjał, aby uczynić konkurencję w ekosystemie DeFi coraz bardziej zaciętą, zmierzającą w kierunku gamifikacji o sumie zerowej, zwłaszcza gdy wielu uczestników rynku przyjmuje podobne zautomatyzowane strategie handlowe i algorytmiczne.

Open Source vs. Closed Source: Sprzeczności między "czarną skrzynką" modelu Numerai a zarządzaniem społecznościowym

Numerai to zdecentralizowana platforma funduszy hedgingowych łącząca AI i kryptowaluty, która przyciąga globalnych data scientists do przesyłania modeli poprzez udział w open source w przewidywaniu rynku. Ale w miarę rozwoju projektu coraz więcej osób zaczęło koncentrować się na kwestii "czarnej skrzynki" modeli. W miarę jak modele te stają się coraz bardziej złożone i obejmują wysoki poziom optymalizacji algorytmicznej, konkretna implementacja i procesy szkoleniowe modeli często stają się mniej łatwe do pełnego zrozumienia i wyjaśnienia. Dotyczy to tego, jak zrównoważyć przejrzystość technologii i strukturę zarządzania projektem między open i closed source.

Na platformach takich jak Numerai, modele open-source mogą umożliwić niektórym uczestnikom atakowanie ich poprzez inżynierię wsteczną lub złośliwe zachowanie. W miarę jak technologia AI stale się rozwija, coraz bardziej złożone algorytmy mogą być "czarną skrzynką", co oznacza, że ich procesy decyzyjne nie mogą być w pełni przejrzyście prezentowane społeczności, co prowadzi do problemów z zaufaniem.

Z drugiej strony, modele closed-source mogą skutecznie chronić tajemnice handlowe i własność intelektualną modeli, pomagając zmniejszyć ryzyko złośliwego kopiowania lub manipulowania modelami. W przypadku projektów takich jak Numerai, closed source może zapewnić bezpieczeństwo i wartość komercyjną ich modeli AI.

To zjawisko "czarnej skrzynki" jest sprzeczne z zasadami społeczności open-source. Pierwotnym zamiarem open source jest umożliwienie wszystkim uczestnictwa i audytu systemu, ale modele black-boxed uniemożliwiają członkom społeczności pełne zrozumienie mechanizmów działania algorytmów, co potencjalnie prowadzi do sprzeczności w zarządzaniu i kryzysów zaufania.

Przyszłe perspektywy i rekomendacje strategiczne

5.1 Trendy integracji technologii

Autonomia

Głównym trendem przyszłego DeFAI jest przejście od automatyzacji do autonomii, napędzane przez autonomiczne agenty. Te inteligentne jednostki oparte na sztucznej inteligencji przełamują tradycyjne ograniczenia reguł i posiadają zdolność do ciągłej analizy danych on-chain, rozumienia dynamiki rynku i wykonywania złożonych strategii, takich jak optymalizacja rentowności pożyczek w różnych protokołach, wykorzystywanie okazji arbitrażowych i dynamiczne równoważenie portfeli inwestycyjnych. Zwiększają one efektywność kapitałową i zapewniają protokołom zrównoważone zwroty dzięki nieprzerwanej pracy 24/7 i precyzyjnemu podejmowaniu decyzji, zmieniając sposób przepływu wartości.

Współpraca wielu agentów

Podstawowa konkurencyjność przyszłego DeFAI przesunie się z pojedynczych inteligentnych agentów na sieci współpracy wielu agentów. Poprzez podział pracy i współpracę rozproszonych grup agentów AI (takich jak rozdzielenie modułów obserwacji, planowania i wykonania), osiągana jest równoległa optymalizacja złożonych strategii. Systemy współpracy wielu agentów rozkładają złożone problemy na podzadania poprzez dekompozycję zadań, przy czym każdy agent jest odpowiedzialny za określoną część podzadania. Na przykład: Agenci Obserwatorzy skanują w czasie rzeczywistym duże transfery on-chain i wahania LP, Agenci Strategii generują modele hedgingowe, a Agenci Wykonawczy automatycznie wyznaczają optymalne ścieżki handlowe w wielu łańcuchach. Jednocześnie ewoluują również tryby współpracy, w tym tryb sieciowy (każdy agent może komunikować się ze wszystkimi innymi agentami) i tryb hierarchiczny (wielowarstwowe systemy agentów z nadzorcami).

5.2 Możliwości inwestycyjne

Infrastruktura: zkML wykorzystuje dowody zerowej wiedzy do weryfikacji procesu wnioskowania modeli uczenia maszynowego, umożliwiając inteligentnym kontraktom ufanie zewnętrznym wynikom obliczeń uczenia maszynowego bez uruchamiania całego modelu on-chain. Będzie to kluczowa warstwa infrastruktury dla następnej generacji wdrożeń AI on-chain na dużą skalę. Potencjalne projekty obejmują:

Giza

Podstawowa konkurencyjność Giza polega na unikalnym stosie technologicznym i pozycjonowaniu ekosystemu. Poprzez tłumaczenie modeli uczenia maszynowego w formacie ONNX na programy Cairo i osiągnięcie wydajnej weryfikacji wnioskowania on-chain dzięki samodzielnie opracowanemu ONNX Cairo Runtime, Giza rozwiązuje problem kompatybilności między złożonymi modelami a obwodami zerowej wiedzy. Jej pozycjonowanie jako zdecentralizowanego rynku modeli AI przyciąga dostawców i konsumentów modeli, tworząc dwustronny efekt sieciowy, a jednocześnie głęboko integrując się z ekosystemem StarkNet, wzmacniając bariery techniczne poprzez wysokowydajną infrastrukturę ZK. Jako wczesny projekt badający komercjalizację AI on-chain, Giza zyskała rozpoznawalność marki, ale musi zachować ostrożność w związku z zależnością od wzrostu ekosystemu StarkNet.

EZKL

Zalety EZKL koncentrują się na przyjazności dla programistów i optymalizacji domeny wertykalnej. Obsługuje modele PyTorch/TensorFlow eksportowane przez ONNX i kompilowane do obwodów zkSNARK, co znacznie obniża bariery migracji dla programistów. Jego wydajność jest wyjątkowa (np. ukończenie dowodów modelu MNIST w 2 sekundy), zwiększając praktyczność dzięki zoptymalizowanemu zarządzaniu pamięcią i projektowaniu obwodów. EZKL jest aktywne w społeczności programistów, adoptowane przez wiele projektów hackathonowych (takich jak AI Coliseum) i przyspiesza iterację poprzez udostępnianie narzędzi open-source (takich jak obsługa backendu Halo2). Koncentrując się na weryfikacji wnioskowania głębokiego uczenia, w szczególności optymalizuje implementację obwodów nieliniowych funkcji aktywacji (takich jak ReLU) i głęboko integruje się z systemami dowodzenia Plonkish (takich jak Halo2), wydajnie obsługując obliczenia ML za pomocą funkcji wyszukiwania. Musi jednak zająć się potencjalną konkurencją ze strony ogólnych narzędzi ZK (takich jak Risc Zero).

Giza i EZKL reprezentują dwie ścieżki infrastruktury zkML: Giza buduje fosy poprzez wertykalne pozycjonowanie rynkowe i wiązanie ekosystemu (takie jak StarkNet), odpowiednie dla długoterminowego układu komercjalizacji modeli AI; EZKL staje się preferowanym wyborem dla scenariuszy modeli lekkich (takich jak wyrocznie DeFi) dzięki dojrzałości łańcucha narzędzi i zaletom wydajności. Oba muszą pokonać utratę precyzji kwantyzacji i wyzwania związane z akceleracją sprzętową, ale ekosystem pierwszego gracza i specjalizacja techniczna zbudowały dla nich krótkoterminowe bariery. Przyszła konkurencja będzie zależeć od szybkości iteracji technologii i możliwości ekspansji ekosystemu.

Warstwa aplikacji: W porównaniu z inwestycjami w warstwę infrastruktury, inwestycje w warstwę aplikacji są trudniejsze do wyboru. Rynek wciąż bada dopasowanie produktu do rynku (PMF) AI+Crypto, a produkty wprowadzane na rynek są stale eliminowane i aktualizowane. Wraz z postępem infrastruktury kryptograficznej i AI w świecie Web2, więcej aplikacji zostanie wprowadzonych na rynek w celu przetestowania. Obecnie DeFi + wykonywanie w języku naturalnym wydaje się być stosunkowo dojrzałym kierunkiem. Wiodącym projektem w tej dziedzinie jest Griffain.

Griffain jest zbudowany na Solanie, co pozwala użytkownikom na wykonywanie odpowiednich operacji on-chain poprzez czat w języku naturalnym z wykorzystaniem sztucznej inteligencji. Obecnie jest to główny framework w tej dziedzinie, cieszący się uznaniem branży i wieloma aspektami integracji, a produkty są stale aktualizowane. Jednak jego cena jest obecnie testowana. Jest to również powszechny problem dla innych projektów AI+Crypto pod względem inwestycji, a mianowicie otrzymywanie zbyt dużej uwagi i napływu kapitału w krótkim okresie, co powoduje niedopasowanie między wartością rynkową a wewnętrzną wartością produktu. Korekta tego stanu rzeczy może zająć stosunkowo dużo czasu. Wysokiej jakości, płynny interfejs użytkownika (UI) i szybkie tempo integracji nowych API są kluczowe dla umocnienia jego wiodącej pozycji.

5.3 Strategie dla deweloperów i użytkowników

Jak uczestniczyć w gospodarce agentów AI: od wnoszenia danych treningowych po dzielenie się zyskami ze strategii

W platformach DeFi opartych na sztucznej inteligencji dane treningowe mają kluczowe znaczenie dla trenowania modeli AI. Użytkownicy i deweloperzy mogą uczestniczyć w gospodarce agentów AI, dostarczając wysokiej jakości zbiory danych.

Prosty przypadek gospodarki AI wygląda następująco: rynek składa się z użytkowników, dostawców strategii i deweloperów:

Użytkownicy: Mogą wnosić własne dane transakcyjne, dane dotyczące zachowań rynkowych, a nawet dane dotyczące cen aktywów. Dane te mogą pomóc modelom AI lepiej zrozumieć trendy rynkowe, wahania cen i czynniki ryzyka, poprawiając ich zdolności predykcyjne i skuteczność handlową. Użytkownicy jako dostawcy danych zazwyczaj otrzymują pewne nagrody lub udział w zyskach w oparciu o ilość i jakość dostarczonych danych, uzyskując nagrody w tokenach.

Dostawcy strategii: Mogą zarabiać udział w zyskach z realizacji strategii, udostępniając lub sprzedając swoje strategie na platformie. Agenci AI mogą generować zyski poprzez zautomatyzowane transakcje, arbitraż, wydobywanie płynności i inne strategie.

Deweloperzy: Mogą tworzyć platformy agentów strategii AI i wdrażać te strategie za pomocą agentów AI. Deweloperzy mogą zarabiać na opłatach, tworząc ekosystem, w którym wszyscy wygrywają.

Ochrona przed ryzykiem dla zwykłych użytkowników: Przewodnik przetrwania w DeFi pod kontrolą AI

Jako zwykli użytkownicy, chociaż informacje i zasoby, którymi dysponują, są ograniczone, nadal mogą ograniczyć niektóre ryzyka za pomocą wykonalnych metod.

Dywersyfikacja inwestycji:

Uniwersalna strategia ograniczania ryzyka, zwykli użytkownicy mogą uniknąć koncentrowania wszystkich swoich aktywów w jednym protokole DeFi. System AI może popchnąć cenę rynku DeFi w określonym kierunku, a jeśli inwestycja użytkownika zależy całkowicie od jednej platformy DeFi, może on doświadczyć strat na dużą skalę w krótkim czasie. Dywersyfikacja inwestycji może skutecznie rozłożyć ryzyko, zmniejszając potencjalne straty w przypadku niepowodzenia pojedynczej strategii.

Korzystanie z narzędzi monitorowania AI do oceny ryzyka:

Zwykli użytkownicy mogą korzystać z narzędzi monitorowania AI uruchomionych na rynku do oceny i monitorowania ryzyka w czasie rzeczywistym. Wiele platform zewnętrznych udostępnia narzędzia do oceny ryzyka oparte na sztucznej inteligencji, które mogą pomóc użytkownikom w identyfikacji potencjalnych zagrożeń i dokonywaniu korekt poprzez analizę danych rynkowych i stanu aktywów użytkownika. Na przykład, niektóre systemy monitorowania mogą szybko wykrywać anomalie rynkowe, sprzedaż na dużą skalę, zakupy i inne zachowania, umożliwiając użytkownikom wychwytywanie potencjalnych zagrożeń.