Интеграция ИИ и DeFi: за пределами ончейн-игр AlphaGo (II)

Хотя интеграция ИИ и DeFi обещает беспрецедентную эффективность и интеллектуальность, она также создает множество рисков и этических противоречий. От манипулирования рынком до пристального внимания со стороны регулирующих органов, путь к действительно децентрализованной и справедливой финансовой системе сопряжен с трудностями. Во второй части нашего анализа мы рассмотрим эти критические вопросы и изучим, как отрасль может справиться с ними для достижения устойчивого роста.

Риски и этические противоречия

4.1 Манипулирование рынком и системный риск

Резонанс ИИ-алгоритмов, вызывающий мгновенные обвалы рынка

Резонанс ИИ-алгоритмов может стать катализатором мгновенных обвалов рынка, особенно в механизмах, сильно зависящих от алгоритмической стабильности. ИИ-алгоритмы обычно используются в прогнозировании цен, управлении рисками, распределении активов и других областях, но когда стратегии принятия решений между несколькими системами ИИ несовместимы или взаимодействуют, они могут испытывать резонансные эффекты, вызывая сильные колебания рынка или даже мгновенные обвалы.

Атака с использованием обманных данных: образцы обмана ИИ, нацеленные на протоколы DeFi (например, фальсификация данных об объеме транзакций)

С развитием технологии ИИ атаки с использованием обманных данных, нацеленные на протоколы DeFi, становятся все более сложными и опасными. Атаки с использованием обманных данных относятся к введению в заблуждение моделей ИИ посредством тщательно разработанных входных данных, тем самым влияя на решения протокола DeFi и поведение рынка. В экосистеме DeFi модели ИИ широко применяются в управлении пулами ликвидности, ценообразовании торговых пар, оценке рисков и других областях, и точность этих моделей имеет решающее значение.

Типичной атакой с использованием обманных данных является фальсификация данных об объеме транзакций, влияющая на ценообразование на рынке и решения о ликвидности посредством большого количества поддельных транзакций. Например, злоумышленники могут создать несколько поддельных учетных записей и проводить масштабные недорогие транзакции, чтобы сфальсифицировать высокие объемы транзакций для актива. Такое поведение может обмануть модели ИИ, заставив их неправильно оценивать истинную стоимость активов и рыночные тенденции. Для смарт-контрактов протокола DeFi такие атаки могут привести к неправильной конфигурации ликвидности и решениям о ценообразовании, что еще больше усугубит нестабильность рынка. Это также может вызвать цепную реакцию, вызвав массовую продажу одного актива в LP для получения их ликвидности и последующего быстрого ее перевода.

4.2 Нормативные и комплаенс-дилеммы

Определение Комиссией по ценным бумагам и биржам США свойств безопасности "AI Tokens" (по сравнению с делом Ripple)

Что касается того, соответствуют ли эти токены определению ценных бумаг и должны ли они соответствовать соответствующим правилам в отношении ценных бумаг, мы можем сделать предположения, оглядываясь на историю, поскольку SEC может ссылаться на дело XRP при определении свойств безопасности "AI Tokens".

В деле Ripple SEC сочла токены XRP компании Ripple ценными бумагами, поскольку они продавались инвесторам посредством первичного предложения монет (ICO), а Ripple Labs провела серию маркетинговых мероприятий в процессе продаж для продвижения торговли XRP. Это решение указывает на то, что SEC сосредотачивается на методе выпуска токенов и на том, представляет ли токен отношения акционерного или долгового участия с компанией или проектом.

Для "AI Tokens" SEC может принять аналогичные критерии оценки. В частности, если эти AI Tokens выпускаются методами, аналогичными ICO или IEO, и связаны с проектом или компанией, занимающейся ИИ, SEC может счесть, что эти токены обладают свойствами безопасности. Это означает, что держатели AI Tokens могут считаться имеющими определенный экономический интерес, такой как права на распределение доходов проекта или прирост капитала за счет увеличения стоимости токена. Другими словами, AI Tokens потенциально подлежат санкциям SEC.

Проблемы борьбы с отмыванием денег: трудности отслеживания AI Mixers (таких как обновленные версии Tornado Cash)

Технология ИИ также используется для разработки более скрытых инструментов смешивания, таких как обновленные версии Tornado Cash. Эта технология защиты конфиденциальности обеспечивает лучшие гарантии конфиденциальности для законных пользователей, но также создает огромные проблемы для регулирующих органов в борьбе с отмыванием денег (AML).

Основная проблема с миксерами заключается в том, что они чрезвычайно затрудняют отслеживание потоков средств. Миксеры, такие как Tornado Cash, используют модель "кольцевой транзакции", распределяя средства по нескольким адресам и транзакциям перед их повторным объединением, разрывая цепочку потока средств. Эта технология может более эффективно скрывать источник и назначение средств, значительно увеличивая сложность отслеживания для регулирующих органов.

Таким образом, с улучшением технологии ИИ миксеры могут использовать более интеллектуальные алгоритмы для динамического выбора нескольких ретрансляционных адресов, автоматического изменения путей транзакций и даже прогнозирования рыночных тенденций, чтобы избежать систем мониторинга в сети. Это делает традиционные инструменты анализа блокчейна неэффективными. Более того, AI Mixers могут в дальнейшем использовать privacy coins (такие как Monero) в качестве основы для инструментов транзакций, еще больше повышая их анонимность. Регулирующие органы сталкиваются с чрезвычайно высокими проблемами технических возможностей при столкновении с такими передовыми технологиями шифрования и схемами анонимизации. Традиционные меры регулирования по борьбе с отмыванием денег (такие как политики KYC/AML) не могут эффективно противостоять новым угрозам, исходящим от AI Mixers.

Чтобы решить эту проблему, регулирующим органам необходимо внедрить больше технологий мониторинга на основе анализа поведения, используя машинное обучение и анализ больших данных для выявления аномального поведения и потенциальных незаконных моделей транзакций.

4.3 Этические границы

Теория "Темного леса": приведет ли ИИ к полной игре с нулевой суммой в DeFi?

Теория "Темного леса" была первоначально предложена Лю Цысинем в серии "Задача трех тел". Теория предполагает, что вселенная - это враждебная и неопределенная среда, где выживание цивилизаций зависит от сокрытия своего существования и устранения других потенциальных угроз, насколько это возможно. В рамках этой теоретической структуры каждая цивилизация во вселенной находится в постоянном состоянии игры, и любое действие, которое разоблачает себя, может привести к катастрофическим последствиям.

Вводя эту теорию в контекст DeFi, эффективное прогнозирование и автоматизированное принятие решений ИИ позволяют участникам рынка получать прибыль посредством точных стратегий, в то время как другие участники могут столкнуться с убытками. Например, высокочастотная торговля на основе ИИ может затруднить другим участникам отслеживание изменений рынка или может точно манипулировать рыночными ценами, в результате чего усилия многих участников в конечном итоге превратятся в выгоды конкурентов. Рыночный механизм в таких ситуациях приближается к игре с нулевой суммой.

Кроме того, с применением стратегий оптимизации ИИ и глубокого обучения рыночная "скрытность" также может возрасти, что затруднит прогнозирование рыночного поведения. Эта игра в стиле "темного леса" может поставить небольшие DeFi проекты и новых участников в очень невыгодное положение, поскольку им не хватает достаточных ресурсов для конкуренции с крупными алгоритмами на основе ИИ, что усугубляет концентрацию богатства и неравномерное распределение ресурсов.

Поэтому ИИ действительно обладает потенциалом сделать конкуренцию в экосистеме DeFi все более ожесточенной, склоняясь к игре с нулевой суммой, особенно когда многие участники рынка принимают аналогичные автоматизированные торговые и алгоритмические стратегии.

Открытый исходный код против закрытого исходного кода: противоречия между "черным ящиком" модели Numerai и управлением сообществом

Numerai - это децентрализованная платформа хедж-фонда, объединяющая ИИ и криптовалюту, привлекающая глобальных ученых, работающих с данными, для представления моделей посредством участия в открытом исходном коде в прогнозировании рынка. Но по мере развития проекта все больше людей стали обращать внимание на проблему "черного ящика" моделей. Поскольку эти модели постепенно становятся более сложными и включают в себя высокие уровни алгоритмической оптимизации, конкретная реализация и процессы обучения моделей часто становятся менее легкими для полного понимания и объяснения. Это включает в себя то, как сбалансировать прозрачность технологии и структуру управления проектом между открытым и закрытым исходным кодом.

На платформах, подобных Numerai, модели с открытым исходным кодом могут позволить некоторым участникам атаковать их посредством обратного инжиниринга или злонамеренного поведения. Поскольку технология ИИ продолжает развиваться, все более сложные алгоритмы могут быть "заключены в черный ящик", что означает, что их процессы принятия решений не могут быть полностью прозрачно представлены сообществу, что приводит к проблемам доверия.

С другой стороны, модели с закрытым исходным кодом могут эффективно защитить коммерческие секреты и интеллектуальную собственность моделей, помогая снизить риск злонамеренного копирования или изменения моделей. Для таких проектов, как Numerai, закрытый исходный код может обеспечить безопасность и коммерческую ценность их моделей ИИ.

Это явление "черного ящика" противоречит принципам сообщества открытого исходного кода. Первоначальное намерение открытого исходного кода состоит в том, чтобы позволить каждому участвовать в системе и проверять ее, но модели, заключенные в черный ящик, не позволяют членам сообщества полностью понимать операционные механизмы, лежащие в основе алгоритмов, что потенциально приводит к противоречиям в управлении и кризисам доверия.

Будущие перспективы и стратегические рекомендации

5.1 Тенденции интеграции технологий

Автономия

Основная тенденция будущего DeFAI - это переход от автоматизации к автономии, обусловленный автономными агентами. Эти интеллектуальные сущности на основе ИИ преодолевают традиционные ограничения правил и обладают способностью непрерывно анализировать данные в сети, понимать динамику рынка и выполнять сложные стратегии, такие как оптимизация доходности кредитования по протоколам, захват арбитражных возможностей и динамическая балансировка инвестиционных портфелей. Они повышают эффективность капитала и приносят устойчивую прибыль протоколам посредством круглосуточной бесперебойной работы и точного принятия решений, изменяя способ потока стоимости.

Многоагентное сотрудничество

Основная конкурентоспособность будущих DeFAI сместится от отдельных интеллектуальных агентов к многоагентным сетям сотрудничества. Благодаря разделению труда и сотрудничеству распределенных групп AI-агентов (таких как разделение модулей наблюдения, планирования и исполнения) достигается параллельная оптимизация сложных стратегий. Многоагентные системы сотрудничества декомпозируют сложные задачи на подзадачи посредством декомпозиции задач, при этом каждый агент отвечает за определенную часть подзадачи. Например: Агенты-наблюдатели сканируют крупные ончейн-переводы и колебания LP в режиме реального времени, Агенты-стратеги генерируют модели хеджирования, а Агенты-исполнители автоматически направляют оптимальные торговые пути по нескольким цепям. Между тем, режимы сотрудничества также будут развиваться, включая сетевой режим (каждый агент может взаимодействовать со всеми другими агентами) и иерархический режим (многоуровневые агентские системы с супервизорами).

5.2 Инвестиционные возможности

Инфраструктура: zkML использует доказательства с нулевым разглашением для проверки процесса логического вывода моделей машинного обучения, что позволяет смарт-контрактам доверять результатам вычислений внешнего машинного обучения без запуска всей модели в сети. Это станет ключевым инфраструктурным уровнем для следующего поколения масштабного внедрения AI в сети. Потенциальные проекты включают:

Giza

Основная конкурентоспособность Giza заключается в ее уникальном технологическом стеке и позиционировании в экосистеме. Переводя модели машинного обучения формата ONNX в программы Cairo и обеспечивая эффективную проверку логического вывода в сети с помощью собственной среды выполнения ONNX Cairo Runtime, Giza решает проблему совместимости между сложными моделями и схемами с нулевым разглашением. Ее позиционирование в качестве децентрализованной торговой площадки моделей AI привлекает поставщиков и потребителей моделей для формирования двустороннего сетевого эффекта, в то же время глубоко интегрируясь с экосистемой StarkNet, укрепляя технические барьеры с помощью своей высокопроизводительной ZK-инфраструктуры. Будучи ранним проектом, изучающим коммерциализацию AI в сети, Giza завоевала признание бренда, но необходимо проявлять осторожность в отношении ее зависимости от роста экосистемы StarkNet.

EZKL

Преимущества EZKL заключаются в удобстве для разработчиков и оптимизации вертикального домена. Он поддерживает модели PyTorch/TensorFlow, экспортированные через ONNX и скомпилированные в схемы zkSNARK, что значительно снижает барьеры для миграции разработчиков. Его производительность является выдающейся (например, завершение доказательств модели MNIST за 2 секунды), повышая практичность за счет оптимизированного управления памятью и проектирования схем. EZKL активно участвует в сообществе разработчиков, принят несколькими проектами хакатонов (такими как AI Coliseum) и ускоряет итерацию за счет инструментов с открытым исходным кодом (таких как поддержка бэкэнда Halo2). Сосредоточившись на проверке логического вывода глубокого обучения, он специально оптимизирует реализацию схем нелинейных функций активации (таких как ReLU) и глубоко интегрируется с системами доказательств Plonkish (такими как Halo2), эффективно обрабатывая вычисления ML с использованием функциональности поиска. Однако необходимо учитывать потенциальную конкуренцию со стороны общих инструментов ZK (таких как Risc Zero).

Giza и EZKL представляют два пути инфраструктуры zkML: Giza строит рвы посредством вертикального позиционирования на рынке и привязки к экосистеме (такой как StarkNet), что подходит для долгосрочного развертывания коммерциализации моделей AI; EZKL становится предпочтительным выбором для сценариев с облегченными моделями (таких как DeFi-оракулы) благодаря зрелости инструментария и преимуществам производительности. Обоим необходимо преодолеть потерю точности квантования и проблемы аппаратного ускорения, но экосистема первопроходца и техническая специализация создали для них краткосрочные барьеры. Будущая конкуренция будет зависеть от скорости итерации технологий и возможностей расширения экосистемы.

Уровень приложений: По сравнению с инвестициями в инфраструктурный уровень, инвестиции в уровень приложений сложнее выбирать. Рынок все еще изучает соответствие продукта рынку (PMF) AI+Crypto, и продукты, выталкиваемые на рынок, постоянно исключаются и обновляются. С развитием криптоинфраструктуры и AI в мире Web2 на рынок будет выталкиваться больше приложений для тестирования. В настоящее время DeFi + исполнение на естественном языке представляется относительно зрелым направлением. Ведущим проектом в этой области является Griffain.

Griffain построен на Solana, что позволяет пользователям выполнять соответствующие ончейн-операции посредством чата на естественном языке с AI. В настоящее время это основная структура в треке, получившая признание в отрасли и множество аспектов интеграции, при этом продукты постоянно обновляются. Однако его цена тестируется. Это также общая проблема для других проектов AI+Crypto с точки зрения инвестиций, а именно получение слишком большого внимания и притока капитала в краткосрочной перспективе, что создает несоответствие между рыночной стоимостью и внутренней стоимостью продукта. Сейчас может потребоваться относительно много времени, чтобы исправить это. Высококачественный плавный пользовательский интерфейс и быстрая скорость интеграции новых API являются ключом к укреплению его лидирующих позиций.

5.3 Стратегии для разработчиков и пользователей

Как участвовать в экономике AI-агентов: от вклада в обучающие данные до разделения прибыли от стратегий

В платформах DeFi, управляемых AI, обучающие данные имеют решающее значение для обучения моделей AI. Пользователи и разработчики могут участвовать в экономике AI-агентов, предоставляя высококачественные наборы данных.

Простой пример экономики AI выглядит следующим образом: рынок состоит из пользователей, поставщиков стратегий и разработчиков:

Пользователи: Могут вносить свои собственные данные о транзакциях, данные о поведении рынка и даже данные о ценах активов. Эти данные могут помочь моделям AI лучше понимать рыночные тенденции, колебания цен и факторы риска, улучшая их возможности прогнозирования и эффективность торговли. Пользователи в качестве вкладчиков данных обычно получают определенные вознаграждения или разделение прибыли в зависимости от количества и качества предоставляемых ими данных, получая вознаграждения в виде токенов.

Поставщики стратегий: Могут зарабатывать долю прибыли от исполнения стратегии, делясь своими стратегиями на платформе или продавая их. AI-агенты могут получать прибыль посредством автоматизированной торговли, арбитража, майнинга ликвидности и других стратегий.

Разработчики: Могут создавать платформы AI-агентов стратегий и реализовывать эти стратегии с помощью AI-агентов. Разработчики могут получать комиссионный доход, формируя многостороннюю экосистему.

Хеджирование рисков обычными пользователями: Руководство по выживанию в DeFi под управлением AI

Как обычные пользователи, хотя информация и ресурсы под рукой ограничены, они все равно могут смягчить некоторые риски с помощью осуществимых методов.

Диверсифицированные инвестиции:

Универсальная стратегия снижения рисков, обычные пользователи могут избежать концентрации всех своих активов в одном протоколе DeFi. Система AI может подтолкнуть цену рынка DeFi в определенном направлении, и если инвестиции пользователя полностью зависят от одной платформы DeFi, он может понести масштабные убытки в короткие сроки. Диверсифицированные инвестиции могут эффективно распределить риск, снижая потенциальные убытки при сбое одной стратегии.

Использование инструментов мониторинга AI для оценки рисков:

Обычные пользователи могут использовать инструменты мониторинга AI, запущенные на рынке, для оценки и мониторинга рисков в режиме реального времени. Многие сторонние платформы предоставляют инструменты оценки рисков на основе AI, которые могут помочь пользователям выявлять потенциальные риски и вносить корректировки, анализируя рыночные данные и условия активов пользователей. Например, некоторый мониторинг может своевременно обнаруживать рыночные аномалии, крупномасштабные продажи, покупки и другие действия, позволяя пользователям выявлять потенциальные риски.