Tích hợp AI và DeFi: Vượt xa trò chơi trên chuỗi của AlphaGo (Phần II)

Mặc dù sự tích hợp giữa AI và DeFi hứa hẹn mang lại hiệu quả và trí tuệ chưa từng có, nhưng nó cũng mang đến vô số rủi ro và tranh cãi về mặt đạo đức. Từ thao túng thị trường đến giám sát chặt chẽ của cơ quan quản lý, con đường dẫn đến một hệ thống tài chính phi tập trung và công bằng thực sự chứa đầy thách thức. Trong phần thứ hai của phân tích này, chúng ta sẽ xem xét những vấn đề quan trọng này và khám phá cách ngành có thể vượt qua chúng để đạt được sự tăng trưởng bền vững.

Rủi ro và tranh cãi về mặt đạo đức

4.1 Thao túng thị trường và rủi ro hệ thống

Cộng hưởng thuật toán AI kích hoạt Flash Crash

Cộng hưởng thuật toán AI có thể trở thành chất xúc tác cho các vụ flash crash trên thị trường, đặc biệt là trong các cơ chế phụ thuộc nhiều vào tính ổn định của thuật toán. Các thuật toán AI thường được sử dụng trong dự đoán giá, quản lý rủi ro, phân bổ tài sản và các lĩnh vực khác, nhưng khi các chiến lược quyết định giữa nhiều hệ thống AI không nhất quán hoặc tương tác với nhau, chúng có thể gặp phải hiệu ứng cộng hưởng, gây ra biến động thị trường dữ dội hoặc thậm chí là flash crash.

Các cuộc tấn công đối nghịch: Các mẫu lừa đảo AI nhắm mục tiêu vào các giao thức DeFi (chẳng hạn như làm giả dữ liệu khối lượng giao dịch)

Với sự tiến bộ của công nghệ AI, các cuộc tấn công đối nghịch nhắm mục tiêu vào các giao thức DeFi ngày càng trở nên phức tạp và nguy hiểm hơn. Các cuộc tấn công đối nghịch đề cập đến việc đánh lừa các mô hình AI thông qua các đầu vào dữ liệu được thiết kế cẩn thận, từ đó ảnh hưởng đến các quyết định của giao thức DeFi và hành vi thị trường. Trong hệ sinh thái DeFi, các mô hình AI được ứng dụng rộng rãi trong việc quản lý các pool thanh khoản, định giá các cặp giao dịch, đánh giá rủi ro và các lĩnh vực khác, và tính chính xác của các mô hình này là rất quan trọng.

Một cuộc tấn công đối nghịch điển hình là làm giả dữ liệu khối lượng giao dịch, can thiệp vào việc định giá thị trường và các quyết định về thanh khoản thông qua một số lượng lớn các giao dịch giả mạo. Ví dụ: kẻ tấn công có thể tạo nhiều tài khoản giả và thực hiện các giao dịch chi phí thấp quy mô lớn để làm giả khối lượng giao dịch cao cho một tài sản. Hành vi này có thể đánh lừa các mô hình AI, khiến chúng đánh giá sai giá trị thực của tài sản và xu hướng thị trường. Đối với các smart contract của giao thức DeFi, các cuộc tấn công như vậy có thể dẫn đến cấu hình thanh khoản và quyết định định giá không chính xác, làm trầm trọng thêm sự bất ổn của thị trường. Nó cũng có thể gây ra các phản ứng dây chuyền, gây ra việc bán ồ ạt một tài sản duy nhất trong các LP để lấy thanh khoản của họ và sau đó nhanh chóng chuyển nó đi.

4.2 Các tình huống khó xử về quy định và tuân thủ

Định nghĩa của SEC Hoa Kỳ về các thuộc tính bảo mật của "AI Tokens" (So với vụ Ripple)

Về việc liệu các token này có đáp ứng định nghĩa về chứng khoán hay không và liệu chúng có cần tuân theo các quy định về chứng khoán tương ứng hay không, chúng ta có thể đưa ra các giả định bằng cách nhìn lại lịch sử, vì SEC có thể tham khảo vụ XRP khi xác định các thuộc tính bảo mật của "AI tokens".

Trong vụ Ripple, SEC coi các XRP tokens của Ripple là chứng khoán vì chúng được bán cho các nhà đầu tư thông qua một đợt chào bán coin lần đầu (ICO), và Ripple Labs đã thực hiện một loạt các hoạt động marketing trong quá trình bán hàng để quảng bá giao dịch XRP. Phán quyết này chỉ ra rằng SEC tập trung vào phương pháp phát hành token và liệu token có đại diện cho mối quan hệ vốn chủ sở hữu hoặc nợ với một công ty hoặc dự án hay không.

Đối với "AI tokens", SEC có thể áp dụng các tiêu chí đánh giá tương tự. Đặc biệt, nếu các AI tokens này được phát hành thông qua các phương pháp tương tự như ICO hoặc IEO và được liên kết với một dự án hoặc công ty AI, SEC có thể coi các token này có các thuộc tính bảo mật. Điều này có nghĩa là những người nắm giữ AI tokens có thể được coi là có một số lợi ích kinh tế, chẳng hạn như quyền phân phối doanh thu dự án hoặc tăng vốn thông qua việc tăng giá trị token. Nói cách khác, AI tokens có khả năng phải chịu các lệnh trừng phạt của SEC.

Các thách thức về chống rửa tiền: Khó khăn trong việc theo dõi AI Mixers (chẳng hạn như các phiên bản nâng cấp của Tornado Cash)

Công nghệ AI cũng đang được sử dụng để phát triển các công cụ trộn tiền bí mật hơn, chẳng hạn như các phiên bản nâng cấp của Tornado Cash. Công nghệ bảo vệ quyền riêng tư này cung cấp các đảm bảo về quyền riêng tư tốt hơn cho người dùng hợp pháp nhưng cũng mang lại những thách thức to lớn về chống rửa tiền (AML) cho các cơ quan quản lý.

Một vấn đề cốt lõi với mixers là cách chúng khiến các dòng tiền cực kỳ khó theo dõi. Các mixers như Tornado Cash sử dụng mô hình "giao dịch vòng", phân tán tiền trên nhiều địa chỉ và giao dịch trước khi kết hợp lại chúng, phá vỡ chuỗi dòng tiền. Công nghệ này có thể che giấu hiệu quả hơn nguồn gốc và đích đến của tiền, làm tăng đáng kể độ khó cho các cơ quan quản lý trong việc theo dõi.

Vì vậy, với việc tăng cường công nghệ AI, các mixers có thể sử dụng các thuật toán thông minh hơn để chọn động các địa chỉ chuyển tiếp, tự động thay đổi đường dẫn giao dịch và thậm chí dự đoán xu hướng thị trường để tránh các hệ thống giám sát trên chuỗi. Điều này làm cho các công cụ phân tích blockchain truyền thống không còn hiệu quả. Hơn nữa, AI mixers có thể tiếp tục áp dụng các privacy coins (chẳng hạn như Monero) làm cơ sở cho các công cụ giao dịch, tăng cường hơn nữa tính ẩn danh của chúng. Các cơ quan quản lý phải đối mặt với những thách thức về năng lực kỹ thuật cực kỳ cao khi đối mặt với công nghệ mã hóa và các sơ đồ ẩn danh tiên tiến như vậy. Các biện pháp quản lý chống rửa tiền truyền thống (chẳng hạn như các chính sách KYC/AML) không thể giải quyết hiệu quả các mối đe dọa mới do AI mixers gây ra.

Để giải quyết thách thức này, các cơ quan quản lý cần giới thiệu nhiều công nghệ giám sát dựa trên phân tích hành vi hơn, sử dụng machine learning và phân tích big data để xác định các hành vi bất thường và các mô hình giao dịch bất hợp pháp tiềm ẩn.

4.3 Các ranh giới đạo đức

Lý thuyết "Khu rừng đen tối": Liệu AI có dẫn đến Gamification tổng bằng không hoàn toàn của DeFi không?

Lý thuyết "Khu rừng đen tối" ban đầu được Liu Cixin đề xuất trong loạt phim "Tam Thể". Lý thuyết này giả định rằng vũ trụ là một môi trường thù địch và không chắc chắn, nơi sự sống còn của các nền văn minh phụ thuộc vào việc che giấu sự tồn tại của họ và loại bỏ các mối đe dọa tiềm tàng khác càng nhiều càng tốt. Trong khuôn khổ lý thuyết này, mọi nền văn minh trong vũ trụ đều ở trong trạng thái gaming liên tục và bất kỳ hành động nào để lộ bản thân đều có thể mang lại những hậu quả thảm khốc.

Giới thiệu lý thuyết này vào bối cảnh DeFi, khả năng dự đoán hiệu quả và ra quyết định tự động của AI cho phép những người tham gia thị trường thu lợi nhuận thông qua các chiến lược chính xác, trong khi những người tham gia khác có thể phải đối mặt với thua lỗ. Ví dụ: giao dịch tần suất cao do AI điều khiển có thể gây khó khăn cho những người tham gia khác trong việc theo kịp những thay đổi của thị trường hoặc có thể thao túng chính xác giá thị trường, khiến những nỗ lực của nhiều người tham gia cuối cùng biến thành lợi nhuận của đối thủ cạnh tranh. Cơ chế thị trường trong những tình huống như vậy tiếp cận một trò chơi có tổng bằng không.

Ngoài ra, với việc áp dụng các chiến lược tối ưu hóa AI và deep learning, "tàng hình" thị trường cũng có thể tăng lên, khiến hành vi thị trường khó dự đoán hơn. Trò chơi theo phong cách "khu rừng đen tối" này có thể đặt các dự án DeFi nhỏ và những người tham gia mới vào một vị trí rất bất lợi, vì họ thiếu nguồn lực đầy đủ để cạnh tranh với các thuật toán lớn do AI điều khiển, làm trầm trọng thêm sự tập trung của cải và phân phối tài nguyên không đồng đều.

Do đó, AI thực sự có khả năng làm cho sự cạnh tranh trong hệ sinh thái DeFi ngày càng khốc liệt hơn, có xu hướng gamification tổng bằng không, đặc biệt khi nhiều người tham gia thị trường áp dụng các chiến lược giao dịch tự động và thuật toán tương tự.

Mã nguồn mở so với Mã nguồn đóng: Mâu thuẫn giữa Black-Boxing mô hình Numerai và quản trị cộng đồng

Numerai là một nền tảng quỹ đầu cơ phi tập trung kết hợp AI và tiền điện tử, thu hút các nhà khoa học dữ liệu toàn cầu gửi các mô hình thông qua sự tham gia mã nguồn mở vào dự đoán thị trường. Nhưng khi dự án phát triển, ngày càng có nhiều người bắt đầu tập trung vào vấn đề "black-boxing" của các mô hình. Khi các mô hình này dần trở nên phức tạp hơn và liên quan đến mức độ tối ưu hóa thuật toán cao, việc triển khai cụ thể và các quy trình đào tạo của các mô hình thường trở nên khó hiểu và giải thích đầy đủ hơn. Điều này liên quan đến cách cân bằng tính minh bạch của công nghệ và cấu trúc quản trị của dự án giữa mã nguồn mở và mã nguồn đóng.

Trên các nền tảng như Numerai, các mô hình mã nguồn mở có thể cho phép một số người tham gia tấn công chúng thông qua kỹ thuật đảo ngược hoặc hành vi độc hại. Khi công nghệ AI tiếp tục phát triển, các thuật toán ngày càng phức tạp có thể bị "black-boxed", có nghĩa là các quy trình ra quyết định của chúng không thể được trình bày một cách hoàn toàn minh bạch cho cộng đồng, dẫn đến các vấn đề về lòng tin.

Mặt khác, các mô hình mã nguồn đóng có thể bảo vệ hiệu quả các bí mật thương mại và quyền sở hữu trí tuệ của các mô hình, giúp giảm rủi ro các mô hình bị sao chép hoặc giả mạo một cách độc hại. Đối với các dự án như Numerai, mã nguồn đóng có thể đảm bảo tính bảo mật và giá trị thương mại của các mô hình AI của họ.

Hiện tượng "black-boxing" này mâu thuẫn với các nguyên tắc của cộng đồng mã nguồn mở. Ý định ban đầu của mã nguồn mở là cho phép mọi người tham gia và kiểm toán hệ thống, nhưng các mô hình black-boxed ngăn cản các thành viên cộng đồng hiểu đầy đủ các cơ chế hoạt động đằng sau các thuật toán, có khả năng dẫn đến các mâu thuẫn về quản trị và khủng hoảng lòng tin.

Triển vọng tương lai và các khuyến nghị chiến lược

5.1 Xu hướng tích hợp công nghệ

Tính tự chủ

Xu hướng cốt lõi của DeFAI trong tương lai là chuyển từ tự động hóa sang tự chủ, được thúc đẩy bởi các autonomous agents. Các thực thể thông minh do AI điều khiển này phá vỡ các giới hạn quy tắc truyền thống và có khả năng liên tục phân tích dữ liệu trên chuỗi, hiểu động lực thị trường và thực hiện các chiến lược phức tạp, chẳng hạn như tối ưu hóa lợi suất cho vay trên các giao thức, nắm bắt các cơ hội arbitrage và cân bằng động các danh mục đầu tư. Chúng nâng cao hiệu quả vốn và mang lại lợi nhuận bền vững cho các giao thức thông qua hoạt động không gián đoạn 24/7 và ra quyết định chính xác, định hình lại cách dòng giá trị chảy.

Hợp tác đa tác nhân

Năng lực cạnh tranh cốt lõi của DeFAI trong tương lai sẽ chuyển từ các tác nhân thông minh đơn lẻ sang mạng lưới cộng tác đa tác nhân. Thông qua việc phân công lao động và cộng tác của các nhóm tác nhân AI phân tán (chẳng hạn như tách rời các mô-đun quan sát, lập kế hoạch và thực thi), việc tối ưu hóa song song các chiến lược phức tạp sẽ đạt được. Các hệ thống cộng tác đa tác nhân phân tách các vấn đề phức tạp thành các nhiệm vụ con thông qua phân tách nhiệm vụ, với mỗi tác nhân chịu trách nhiệm cho một phần cụ thể của nhiệm vụ con. Ví dụ: Tác nhân quan sát quét các chuyển khoản lớn trên chuỗi và biến động LP theo thời gian thực, Tác nhân chiến lược tạo ra các mô hình phòng ngừa rủi ro và Tác nhân thực thi tự động định tuyến các đường dẫn giao dịch tối ưu trên nhiều chuỗi. Trong khi đó, các chế độ cộng tác cũng sẽ phát triển, bao gồm chế độ mạng (mỗi tác nhân có thể giao tiếp với tất cả các tác nhân khác) và chế độ phân cấp (hệ thống tác nhân đa lớp với người giám sát).

5.2 Cơ hội đầu tư

Cơ sở hạ tầng: zkML sử dụng các bằng chứng không kiến thức để xác minh quá trình suy luận của các mô hình máy học, cho phép các hợp đồng thông minh tin tưởng kết quả tính toán máy học bên ngoài mà không cần chạy toàn bộ mô hình trên chuỗi. Đây sẽ là một lớp cơ sở hạ tầng quan trọng cho thế hệ tiếp theo của việc áp dụng AI trên chuỗi quy mô lớn. Các dự án tiềm năng bao gồm:

Giza

Năng lực cạnh tranh cốt lõi của Giza nằm ở ngăn xếp công nghệ độc đáo và định vị hệ sinh thái của nó. Bằng cách dịch các mô hình máy học định dạng ONNX thành các chương trình Cairo và đạt được xác minh suy luận trên chuỗi hiệu quả thông qua ONNX Cairo Runtime tự phát triển, Giza giải quyết thách thức tương thích giữa các mô hình phức tạp và các mạch không kiến thức. Định vị của nó như một thị trường mô hình AI phi tập trung thu hút các nhà cung cấp và người tiêu dùng mô hình để hình thành hiệu ứng mạng hai mặt, đồng thời tích hợp sâu với hệ sinh thái StarkNet, tăng cường các rào cản kỹ thuật thông qua cơ sở hạ tầng ZK hiệu suất cao của nó. Là một dự án ban đầu khám phá thương mại hóa AI trên chuỗi, Giza đã thiết lập được sự nhận diện thương hiệu nhưng cần thận trọng về sự phụ thuộc của nó vào sự tăng trưởng của hệ sinh thái StarkNet.

EZKL

Ưu điểm của EZKL tập trung vào sự thân thiện với nhà phát triển và tối ưu hóa miền dọc. Nó hỗ trợ các mô hình PyTorch/TensorFlow được xuất thông qua ONNX và được biên dịch thành các mạch zkSNARK, giảm đáng kể các rào cản di chuyển của nhà phát triển. Hiệu suất của nó rất nổi bật (chẳng hạn như hoàn thành các bằng chứng mô hình MNIST trong 2 giây), nâng cao tính thực tế thông qua quản lý bộ nhớ và thiết kế mạch được tối ưu hóa. EZKL hoạt động tích cực trong cộng đồng nhà phát triển, được áp dụng bởi nhiều dự án hackathon (chẳng hạn như AI Coliseum) và đẩy nhanh quá trình lặp lại bằng cách mở mã nguồn các chuỗi công cụ (chẳng hạn như hỗ trợ Halo2 backend). Tập trung vào xác minh suy luận học sâu, nó đặc biệt tối ưu hóa việc triển khai mạch của các hàm kích hoạt phi tuyến tính (chẳng hạn như ReLU) và tích hợp sâu với các hệ thống bằng chứng Plonkish (chẳng hạn như Halo2), xử lý hiệu quả các tính toán ML bằng chức năng tra cứu. Tuy nhiên, nó cần giải quyết sự cạnh tranh tiềm năng từ các công cụ ZK chung (chẳng hạn như Risc Zero).

Giza và EZKL đại diện cho hai con đường của cơ sở hạ tầng zkML: Giza xây dựng các hào thông qua định vị thị trường dọc và ràng buộc hệ sinh thái (chẳng hạn như StarkNet), phù hợp cho bố cục dài hạn của thương mại hóa mô hình AI; EZKL trở thành lựa chọn ưu tiên cho các kịch bản mô hình nhẹ (chẳng hạn như DeFi oracles) với độ trưởng thành của chuỗi công cụ và lợi thế về hiệu suất. Cả hai đều cần vượt qua tổn thất độ chính xác lượng tử hóa và các thách thức về tăng tốc phần cứng, nhưng hệ sinh thái người đi đầu và chuyên môn kỹ thuật đã xây dựng các rào cản ngắn hạn cho chúng. Cạnh tranh trong tương lai sẽ phụ thuộc vào tốc độ lặp lại công nghệ và khả năng mở rộng hệ sinh thái.

Lớp ứng dụng: So với đầu tư vào lớp cơ sở hạ tầng, đầu tư lớp ứng dụng khó lựa chọn hơn. Thị trường vẫn đang khám phá sự phù hợp giữa sản phẩm và thị trường (PMF) của AI+Crypto và các sản phẩm được đưa ra thị trường liên tục bị loại bỏ và cập nhật. Với sự tiến bộ của cơ sở hạ tầng crypto và AI trong thế giới Web2, nhiều ứng dụng hơn sẽ được đưa ra thị trường để thử nghiệm. Hiện tại, DeFi + thực thi ngôn ngữ tự nhiên có vẻ là một hướng đi tương đối trưởng thành. Dự án hàng đầu trong lĩnh vực này là Griffain.

Griffain được xây dựng trên Solana, cho phép người dùng thực hiện các hoạt động trên chuỗi tương ứng thông qua trò chuyện ngôn ngữ tự nhiên với AI. Nó hiện là khuôn khổ chủ đạo trong lĩnh vực này, nhận được sự công nhận của ngành và nhiều khía cạnh tích hợp, với các sản phẩm liên tục được cập nhật. Tuy nhiên, giá của nó đang được thử nghiệm. Đây cũng là một vấn đề phổ biến đối với các dự án AI+Crypto khác về mặt đầu tư, cụ thể là nhận được quá nhiều sự chú ý và dòng vốn trong thời gian ngắn, tạo ra sự không phù hợp giữa giá trị thị trường và giá trị nội tại của sản phẩm. Có thể mất một thời gian tương đối dài để điều chỉnh. Giao diện người dùng mượt mà chất lượng cao và tốc độ tích hợp API mới nhanh chóng là chìa khóa để củng cố vị trí dẫn đầu của nó.

5.3 Chiến lược nhà phát triển và người dùng

Cách tham gia vào nền kinh tế tác nhân AI: Từ đóng góp dữ liệu đào tạo đến chia sẻ lợi nhuận chiến lược

Trong các nền tảng DeFi do AI điều khiển, dữ liệu đào tạo rất quan trọng cho việc đào tạo mô hình AI. Người dùng và nhà phát triển có thể tham gia vào nền kinh tế tác nhân AI bằng cách cung cấp các bộ dữ liệu chất lượng cao.

Một trường hợp kinh tế AI đơn giản như sau, với thị trường bao gồm người dùng, nhà cung cấp chiến lược và nhà phát triển:

Người dùng: Có thể đóng góp dữ liệu giao dịch của riêng họ, dữ liệu hành vi thị trường và thậm chí cả dữ liệu giá tài sản. Dữ liệu này có thể giúp các mô hình AI hiểu rõ hơn về xu hướng thị trường, biến động giá và các yếu tố rủi ro, cải thiện khả năng dự đoán và hiệu quả giao dịch của chúng. Người dùng với tư cách là người đóng góp dữ liệu thường nhận được phần thưởng hoặc chia sẻ lợi nhuận nhất định dựa trên số lượng và chất lượng dữ liệu họ cung cấp, nhận được phần thưởng token.

Nhà cung cấp chiến lược: Có thể kiếm được một phần lợi nhuận từ việc thực hiện chiến lược bằng cách chia sẻ hoặc bán chiến lược của họ trên nền tảng. Các tác nhân AI có thể kiếm lợi nhuận thông qua giao dịch tự động, арбитраж, khai thác thanh khoản và các chiến lược khác.

Nhà phát triển: Có thể tạo các nền tảng tác nhân chiến lược AI và triển khai các chiến lược này thông qua các tác nhân AI. Nhà phát triển có thể kiếm được thu nhập từ phí, hình thành một hệ sinh thái đa bên cùng có lợi.

Phòng ngừa rủi ro cho người dùng thông thường: Hướng dẫn sinh tồn DeFi dưới sự thao túng của AI

Là người dùng thông thường, mặc dù thông tin và tài nguyên trong tay có hạn, nhưng họ vẫn có thể giảm thiểu một số rủi ro thông qua các phương pháp khả thi.

Đầu tư đa dạng:

Một chiến lược giảm thiểu rủi ro đa năng, người dùng thông thường có thể tránh tập trung tất cả tài sản của họ vào một giao thức DeFi duy nhất. Một hệ thống AI có thể đẩy giá của một thị trường DeFi theo một hướng nhất định và nếu khoản đầu tư của người dùng hoàn toàn phụ thuộc vào một nền tảng DeFi duy nhất, họ có thể bị thua lỗ quy mô lớn trong một thời gian ngắn. Đầu tư đa dạng có thể lan tỏa rủi ro một cách hiệu quả, giảm thiểu tổn thất tiềm ẩn khi một chiến lược duy nhất thất bại.

Sử dụng các công cụ giám sát AI để đánh giá rủi ro:

Người dùng thông thường có thể sử dụng các công cụ giám sát AI được tung ra thị trường để đánh giá và giám sát rủi ro theo thời gian thực. Nhiều nền tảng của bên thứ ba cung cấp các công cụ đánh giá rủi ro do AI điều khiển có thể giúp người dùng xác định các rủi ro tiềm ẩn và điều chỉnh bằng cách phân tích dữ liệu thị trường và điều kiện tài sản của người dùng. Ví dụ: một số giám sát có thể kịp thời phát hiện các bất thường của thị trường, bán tháo quy mô lớn, mua và các hành vi khác, cho phép người dùng nắm bắt các rủi ro tiềm ẩn.