DeFAI : une nouvelle voie vers l’intention

DeFAI est AI+DeFi de manière succincte. Le marché a fait la promotion de l'IA à maintes reprises, de la puissance de calcul de l'IA à AI Meme.

1. DeFAI tells the story of AI+DeFi

1. DeFAI raconte l'histoire d'AI+DeFi

1.1 What is DeFAI

1.1 Qu'est-ce que DeFAI

DeFAI is a concise way of saying AI+DeFi. The market has hyped AI over and over again, from AI computing power to AI Meme, from different technical architectures to different infrastructures. Although the overall market value of AI Agents has generally declined recently, the concept of DeFAI is becoming a new breakthrough trend. The current DeFAI can be roughly divided into three categories: AI abstraction, autonomous DeFi agent, and market analysis and prediction. The specific divisions within the categories are shown in the figure below.

DeFAI est une manière concise de dire AI+DeFi. Le marché a fait la promotion de l’IA à maintes reprises, de la puissance de calcul de l’IA à l’IA Meme, de différentes architectures techniques à différentes infrastructures. Bien que la valeur marchande globale des agents IA ait généralement diminué récemment, le concept de DeFAI est en train de devenir une nouvelle tendance révolutionnaire. Le DeFAI actuel peut être grossièrement divisé en trois catégories : l'abstraction de l'IA, l'agent DeFi autonome et l'analyse et la prévision du marché. Les divisions spécifiques au sein des catégories sont présentées dans la figure ci-dessous.

1.2 How DeFAI works

1.2 Comment fonctionne DeFAI

In the DeFi system, the core behind AI Agent is LLM (Large Language Model), which involves multi-level processes and technologies, covering all aspects from data collection to decision execution. According to the research of @3sigma in the IOSG article, most models follow the data. The six specific workflows of collection, model reasoning, decision making, hosting and operation, interoperability, and wallet are summarized below:

Dans le système DeFi, le noyau derrière AI Agent est le LLM (Large Language Model), qui implique des processus et des technologies à plusieurs niveaux, couvrant tous les aspects, de la collecte de données à l'exécution des décisions. Selon les recherches de @3sigma dans l'article de l'IOSG, la plupart des modèles suivent les données. Les six flux de travail spécifiques de collecte, de raisonnement sur le modèle, de prise de décision, d'hébergement et d'exploitation, d'interopérabilité et de portefeuille sont résumés ci-dessous :

1. Data Collection: The first task for an AI Agent is to gain a comprehensive understanding of the environment in which it operates. This includes acquiring real-time data from multiple sources:

1. Collecte de données : la première tâche d'un agent IA est d'acquérir une compréhension globale de l'environnement dans lequel il opère. Cela inclut l’acquisition de données en temps réel provenant de plusieurs sources :

On-chain data: Obtain real-time blockchain data such as transaction records, smart contract status, and network activities through indexers, oracles, etc. This helps Agents keep in sync with market dynamics;

Données en chaîne : obtenez des données de blockchain en temps réel telles que les enregistrements de transactions, l'état des contrats intelligents et les activités du réseau via des indexeurs, des oracles, etc. Cela aide les agents à rester synchronisés avec la dynamique du marché ;

Off-chain data: Obtain price information, market news, and macroeconomic indicators from external data providers (such as CoinMarketCap, Coingecko) to ensure that the Agent understands the external conditions of the market. This data is usually provided to the Agent through an API interface;

Données hors chaîne : obtenez des informations sur les prix, des actualités du marché et des indicateurs macroéconomiques auprès de fournisseurs de données externes (tels que CoinMarketCap, Coingecko) pour garantir que l'agent comprend les conditions externes du marché. Ces données sont généralement fournies à l'agent via une interface API ;

Decentralized data source: Some agents may obtain price oracle data through a decentralized data feed protocol to ensure the decentralization and credibility of the data.

Source de données décentralisée : certains agents peuvent obtenir des données Oracle sur les prix via un protocole de flux de données décentralisé pour garantir la décentralisation et la crédibilité des données.

2. Model Reasoning: After data collection is completed, the AI Agent enters the reasoning and calculation phase. Here, the Agent relies on multiple AI models for complex reasoning and prediction:

2. Raisonnement du modèle : une fois la collecte des données terminée, l'agent IA entre dans la phase de raisonnement et de calcul. Ici, l'agent s'appuie sur plusieurs modèles d'IA pour un raisonnement et des prédictions complexes :

Supervised and unsupervised learning: AI models can analyze the behavior of markets and governance forums by training on labeled or unlabeled data. For example, they can predict future market trends by analyzing historical trading data, or predict future market trends by analyzing governance forum data. , speculate the outcome of a voting proposal;

Apprentissage supervisé et non supervisé : les modèles d'IA peuvent analyser le comportement des marchés et des forums de gouvernance en s'entraînant sur des données étiquetées ou non. Par exemple, ils peuvent prédire les tendances futures du marché en analysant les données commerciales historiques, ou prédire les tendances futures du marché en analysant les données des forums de gouvernance. , spéculer sur le résultat d'une proposition de vote ;

Reinforcement learning: Through trial and error and feedback mechanisms, AI models can autonomously optimize strategies. For example, in token trading, AI Agents can determine the best time to buy or sell by simulating multiple trading strategies. This learning method allows Agent to continuously improve under changing market conditions;

Apprentissage par renforcement : grâce à des mécanismes d’essais, d’erreurs et de rétroaction, les modèles d’IA peuvent optimiser les stratégies de manière autonome. Par exemple, dans le trading de jetons, les agents IA peuvent déterminer le meilleur moment pour acheter ou vendre en simulant plusieurs stratégies de trading. Cette méthode d'apprentissage permet à l'agent de s'améliorer continuellement dans des conditions changeantes du marché ;

Natural Language Processing (NLP): By understanding and processing user natural language input, Agents can extract key information from governance proposals or market discussions to help users make better decisions. This is especially useful in scanning decentralized governance forums or processing user instructions. It is especially important when.

Traitement du langage naturel (NLP) : en comprenant et en traitant les entrées en langage naturel des utilisateurs, les agents peuvent extraire des informations clés des propositions de gouvernance ou des discussions de marché pour aider les utilisateurs à prendre de meilleures décisions. Ceci est particulièrement utile pour analyser les forums de gouvernance décentralisés ou pour traiter les instructions des utilisateurs. C'est particulièrement important quand.

3. Decision making: Based on the collected data and the results of reasoning, the AI Agent enters the decision-making stage. In this stage, the Agent not only needs to analyze the current market situation, but also make trade-offs between multiple variables:

3. Prise de décision : Sur la base des données collectées et des résultats du raisonnement, l'agent IA entre dans la phase de prise de décision. À cette étape, l'agent doit non seulement analyser la situation actuelle du marché, mais également faire des compromis entre plusieurs variables :

Optimization Engine: Agent uses the optimization engine to find the best execution plan under various conditions. For example, when performing liquidity provision or arbitrage strategies, Agent must consider factors such as slippage, transaction fees, network latency, fund size, etc. in order to find The optimal execution path;

Moteur d'optimisation : l'agent utilise le moteur d'optimisation pour trouver le meilleur plan d'exécution dans diverses conditions. Par exemple, lors de l'exécution de stratégies d'apport de liquidité ou d'arbitrage, l'agent doit prendre en compte des facteurs tels que le glissement, les frais de transaction, la latence du réseau, la taille du fonds, etc. afin de trouver le chemin d'exécution optimal ;

Multi-agent system collaboration: In order to cope with complex market conditions, a single agent sometimes cannot fully optimize all decisions. In this case, multiple AI agents can be deployed, each focusing on different task areas, to improve the overall system's decision-making through collaboration. Efficiency. For example, one agent focuses on market analysis and another agent focuses on executing trading strategies.

Collaboration système multi-agents : pour faire face à des conditions de marché complexes, un seul agent ne peut parfois pas optimiser pleinement toutes les décisions. Dans ce cas, plusieurs agents d'IA peuvent être déployés, chacun se concentrant sur différents domaines de tâches, pour améliorer la prise de décision globale du système grâce à la collaboration. Efficacité. Par exemple, un agent se concentre sur l’analyse du marché et un autre agent se concentre sur l’exécution de stratégies de trading.

4. Hosting and operation: Since AI Agent needs to process a lot of calculations, it is usually necessary to host its model on an off-chain server or distributed computing network:

4. Hébergement et fonctionnement : Comme AI Agent doit traiter de nombreux calculs, il est généralement nécessaire d'héberger son modèle sur un serveur hors chaîne ou un réseau informatique distribué :

Centralized hosting: Some AI agents may rely on centralized cloud computing services such as AWS to host their computing and storage needs. This approach helps ensure the efficient operation of the model, but it also brings potential risks of centralization;

Hébergement centralisé : certains agents d'IA peuvent s'appuyer sur des services de cloud computing centralisés tels qu'AWS pour héberger leurs besoins informatiques et de stockage. Cette approche contribue à garantir le fonctionnement efficace du modèle, mais elle comporte également des risques potentiels de centralisation ;

Decentralized hosting: To reduce the risk of centralization, some agents use decentralized distributed computing networks (such as Akash) and distributed storage solutions (such as Arweave) to host models and data. Such solutions ensure the model Decentralized operation while providing persistence of data storage;

Hébergement décentralisé : pour réduire le risque de centralisation, certains agents utilisent des réseaux informatiques distribués décentralisés (comme Akash) et des solutions de stockage distribuées (comme Arweave) pour héberger des modèles et des données. De telles solutions garantissent le modèle de fonctionnement décentralisé tout en assurant la persistance du stockage des données ;

On-chain interaction: Although the model itself is hosted off-chain, the AI Agent needs to interact with the on-chain protocol in order to perform smart contract functions (such as transaction execution, liquidity management) and manage assets. This requires secure key management and transactions. Signing mechanisms such as MPC (Multi-Party Computation) wallets or smart contract wallets.

Interaction en chaîne : bien que le modèle lui-même soit hébergé hors chaîne, l'agent IA doit interagir avec le protocole en chaîne afin d'exécuter des fonctions de contrat intelligent (telles que l'exécution de transactions, la gestion des liquidités) et de gérer les actifs. Cela nécessite une gestion sécurisée des clés et des transactions. Mécanismes de signature tels que les portefeuilles MPC (Multi-Party Computation) ou les portefeuilles de contrats intelligents.

5. Interoperability: The key role of AI Agent in the DeFi ecosystem is to interact seamlessly with

5. Interopérabilité : le rôle clé de l'agent AI dans l'écosystème DeFi est d'interagir de manière transparente avec