titre : DeFai : La convergence de l'IA et de la DeFi

En seulement 3 mois, AI x memecoin a atteint une capitalisation boursière de 13,4 milliards de dollars, comparable en taille à certains L1 matures comme AVAX ou SUI.

output: Artificial intelligence (AI) has experienced a surge in popularity within the cryptocurrency industry, particularly on the Solana blockchain, where the integration of AI and memecoins has led to a market capitalization of $13.4 billion, comparable to some mature Layer 1 protocols such as Avalanche (AVAX) or Sui (SUI).

résultat : L'intelligence artificielle (IA) a connu un regain de popularité au sein de l'industrie des crypto-monnaies, en particulier sur la blockchain Solana, où l'intégration de l'IA et des memecoins a conduit à une capitalisation boursière de 13,4 milliards de dollars, comparable à certains protocoles de couche 1 matures tels que Avalanche (AVAX) ou Sui (SUI).

Over the past few months, we've witnessed the merging of two powerful technologies: AI and blockchain. From decentralized model training on the early Bittensor subnet to decentralized GPU/computing resource markets like Akash and io.net and the current wave of AI x memecoins and frameworks on Solana, each stage demonstrates how cryptocurrency can complement AI to a certain extent through resource aggregation, thereby achieving sovereign AI and consumer use cases.

Au cours des derniers mois, nous avons assisté à la fusion de deux technologies puissantes : l’IA et la blockchain. De la formation de modèles décentralisés sur le premier sous-réseau Bittensor aux marchés décentralisés de ressources GPU/informatiques comme Akash et io.net et la vague actuelle de memecoins et de frameworks AI x sur Solana, chaque étape démontre comment la crypto-monnaie peut compléter l'IA dans une certaine mesure grâce à l'agrégation de ressources. , réalisant ainsi des cas d'IA souverains et d'utilisation par les consommateurs.

In the first wave of Solana AI coins, some have brought meaningful utility beyond pure speculation. We’ve seen the emergence of frameworks like ai16z’s ELIZA, AI agents like aixbt that provide market analysis and content creation, or toolkits that integrate AI with blockchain capabilities.

Dans la première vague de pièces Solana AI, certaines ont apporté une utilité significative au-delà de la pure spéculation. Nous avons assisté à l'émergence de frameworks comme ELIZA d'ai16z, d'agents d'IA comme aixbt qui fournissent des analyses de marché et la création de contenu, ou de boîtes à outils qui intègrent l'IA aux capacités de la blockchain.

In the second wave of AI, as more tools mature, applications have become the key value driver, and DeFi has become the perfect testing ground for these innovations. To simplify the expression, in this study, we refer to the combination of AI and DeFi as "DeFai".

Dans la deuxième vague de l’IA, à mesure que de plus en plus d’outils mûrissent, les applications sont devenues le principal moteur de valeur, et DeFi est devenu le terrain d’essai idéal pour ces innovations. Pour simplifier l’expression, dans cette étude, nous appelons la combinaison de l’IA et de la DeFi « DeFai ».

According to Coingecko, DeFai has a market cap of about $1 billion. Griffian dominates the market with a 45% share, while $ANON accounts for 22%. This track began to experience rapid growth after December 25, and frameworks and platforms such as Virtual and ai16z experienced strong growth after the Christmas holiday.

Selon Coingecko, DeFai a une capitalisation boursière d'environ 1 milliard de dollars. Griffian domine le marché avec une part de 45 %, tandis que $ANON en représente 22 %. Cette piste a commencé à connaître une croissance rapide après le 25 décembre, et les frameworks et plateformes tels que Virtual et ai16z ont connu une forte croissance après les vacances de Noël.

This is just the first step, and the potential of DeFai goes far beyond this. Although DeFai is still in the proof-of-concept stage, we cannot underestimate its potential. It will use the intelligence and efficiency that AI can provide to transform the DeFi industry into a more user-friendly, intelligent and efficient financial ecosystem.

Ce n’est que la première étape, et le potentiel de DeFai va bien au-delà. Bien que DeFai soit encore au stade de la preuve de concept, nous ne pouvons pas sous-estimer son potentiel. Il utilisera l’intelligence et l’efficacité que l’IA peut fournir pour transformer le secteur DeFi en un écosystème financier plus convivial, intelligent et efficace.

Before we dive into the world of DeFai, we need to understand how agents actually work in DeFi/blockchain.

Avant de plonger dans le monde de DeFai, nous devons comprendre comment les agents fonctionnent réellement dans DeFi/blockchain.

Artificial Intelligence Agent (AI Agent) refers to a program that can perform tasks on behalf of users according to workflow. The core behind AI Agent is LLM (Large Language Model), which can respond based on its training or learned knowledge, but this response is often limited.

L'agent d'intelligence artificielle (AI Agent) fait référence à un programme qui peut effectuer des tâches pour le compte des utilisateurs en fonction du flux de travail. Le noyau derrière AI Agent est le LLM (Large Language Model), qui peut répondre en fonction de sa formation ou de ses connaissances acquises, mais cette réponse est souvent limitée.

Agents are fundamentally different from robots. Robots are usually task-specific, require human supervision, and need to operate under predefined rules and conditions. In contrast, agents are more dynamic and adaptive, and can learn autonomously to achieve specific goals.

Les agents sont fondamentalement différents des robots. Les robots sont généralement spécifiques à une tâche, nécessitent une supervision humaine et doivent fonctionner selon des règles et des conditions prédéfinies. En revanche, les agents sont plus dynamiques et adaptatifs et peuvent apprendre de manière autonome pour atteindre des objectifs spécifiques.

To create more personalized experiences and more comprehensive responses, agents can store past interactions in memory, allowing the agent to learn from the user’s behavioral patterns and adjust its responses, generating tailored recommendations and strategies based on historical context.

Pour créer des expériences plus personnalisées et des réponses plus complètes, les agents peuvent stocker les interactions passées en mémoire, ce qui leur permet d'apprendre des modèles comportementaux de l'utilisateur et d'ajuster ses réponses, générant ainsi des recommandations et des stratégies personnalisées basées sur le contexte historique.

In blockchain, agents can interact with smart contracts and accounts to handle complex tasks without constant human intervention. For example, in simplifying the DeFi user experience, including one-click execution of multi-step bridging and farming, optimizing farming strategies for higher returns, executing transactions (buy/sell) and conducting market analysis, all of these steps are completed autonomously.

Dans la blockchain, les agents peuvent interagir avec des contrats et des comptes intelligents pour gérer des tâches complexes sans intervention humaine constante. Par exemple, en simplifiant l'expérience utilisateur DeFi, y compris l'exécution en un clic de ponts et d'agriculture en plusieurs étapes, l'optimisation des stratégies agricoles pour des rendements plus élevés, l'exécution de transactions (achat/vente) et la réalisation d'analyses de marché, toutes ces étapes sont réalisées de manière autonome.

According to @3sigma’s research, most models follow 6 specific workflows:

Selon les recherches de @3sigma, la plupart des modèles suivent 6 flux de travail spécifiques :

1. Data Collection

1. Collecte de données

First, models need to understand the environment in which they work. Therefore, they need multiple data streams to keep the model in sync with market conditions. This includes: 1) On-chain data from indexers and oracles 2) Off-chain data from price platforms, such as data APIs from CMC/Coingecko/other data providers.

Premièrement, les modèles doivent comprendre l’environnement dans lequel ils travaillent. Par conséquent, ils ont besoin de plusieurs flux de données pour maintenir le modèle synchronisé avec les conditions du marché. Cela inclut : 1) Les données en chaîne provenant des indexeurs et des oracles. 2) Les données hors chaîne provenant des plateformes de prix, telles que les API de données de CMC/Coingecko/d'autres fournisseurs de données.

2. Model Reasoning

2. Raisonnement du modèle

Once models have learned the environment, they need to apply this knowledge to make predictions or actions based on new, unrecognized input from the user. Models used by agents include:

Une fois que les modèles ont appris l'environnement, ils doivent appliquer ces connaissances pour faire des prédictions ou des actions basées sur de nouvelles entrées non reconnues de l'utilisateur. Les modèles utilisés par les agents incluent :

3. Decision Making

3. Prise de décision

With trained models and data, the agent can take action using its decision-making capabilities. This includes interpreting the current situation and responding appropriately.

Avec des modèles et des données formés, l'agent peut agir en utilisant ses capacités de prise de décision. Cela implique d’interpréter la situation actuelle et d’y répondre de manière appropriée.

At this stage, the optimization engine plays an important role in finding the best results. For example, before executing a profit strategy, the agent needs to balance multiple factors such as slippage, spread, transaction costs, and potential profits.

A ce stade, le moteur d’optimisation joue un rôle important pour trouver les meilleurs résultats. Par exemple, avant d’exécuter une stratégie de profit, l’agent doit équilibrer plusieurs facteurs tels que le slippage, le spread, les coûts de transaction et les bénéfices potentiels.

Since a single agent may not be able to optimize decisions in different domains, a multi-agent system can be deployed to coordinate.

Puisqu’un seul agent peut ne pas être en mesure d’optimiser les décisions dans différents domaines, un système multi-agents peut être déployé pour assurer la coordination.

4. Hosting and operation

4. Hébergement et fonctionnement

Due to the computationally intensive nature of the task, AI agents often host their models off-chain. Some agents rely on centralized cloud services such as AWS, while those that prefer decentralization use distributed computing networks such as Akash or ionet and Arweave for data storage.

En raison de la nature intensive en calcul de la tâche, les agents d’IA hébergent souvent leurs modèles hors chaîne. Certains agents s'appuient sur des services cloud centralisés tels qu'AWS, tandis que ceux qui préfèrent la décentralisation utilisent des réseaux informatiques distribués tels qu'Akash ou ionet et Arweave pour le stockage des données.

Although the AI Agent model runs off-chain, the agent needs to interact with the on-chain protocol to execute smart contract functions and manage assets. This interaction requires a secure key management solution, such as an MPC wallet or a smart contract wallet, to process transactions securely. Agents can operate through

Bien que le modèle AI Agent fonctionne hors chaîne, l'agent doit interagir avec le protocole en chaîne pour exécuter les fonctions de contrat intelligent et gérer les actifs. Cette interaction nécessite une solution de gestion de clés sécurisée, telle qu'un portefeuille MPC ou un portefeuille de contrats intelligents, pour traiter les transactions en toute sécurité. Les agents peuvent opérer via