DeFAI: ブロックチェーンの物語の新たな章

DeFAI の出現は偶然ではありません。ブロックチェーンの中核的な特性は、強力な金融シナリオに適しています。

1. What story does DeFAI tell?

1. DeFAI はどのようなストーリーを語りますか?

1.1 What is DeFAI?

1.1 DeFAIとは何ですか?

In simple terms, DeFAI refers to AI + DeFi. The market has gone through multiple rounds of hype around AI, from AI computing power to AI memes, and from different technical architectures to various infrastructures. Although the overall market value of AI agents has recently seen a decline, the concept of DeFAI is emerging as a new breakthrough trend. Currently, DeFAI can be broadly categorized into three types: AI abstraction, autonomous DeFi agents, and market analysis and prediction. The specific divisions within these categories are illustrated in the figure below.

簡単に言うと、DeFAI は AI + DeFi を指します。市場は、AI コンピューティング能力から AI ミーム、さまざまな技術アーキテクチャからさまざまなインフラストラクチャに至るまで、AI をめぐる誇大宣伝を何度も経験してきました。 AI エージェントの全体的な市場価値は最近低下していますが、DeFAI の概念は新たな画期的なトレンドとして台頭しています。現在、DeFAI は、AI 抽象化、自律型 DeFi エージェント、市場分析と予測の 3 つのタイプに大別できます。これらのカテゴリ内の具体的な区分を次の図に示します。

Image source: Created by the author

画像出典：著者作成

1.2 How does DeFAI work?

1.2 DeFAI はどのように機能しますか?

In the DeFi system, the core behind AI agents is LLM (Large Language Model), which involves multi-layered processes and technologies, covering all aspects from data collection to decision execution. According to the research by @3sigma in the IOSG document, most models follow six specific workflows: data collection, model inference, decision-making, custody and operation, interoperability, and wallet management. The following summarizes these processes:

DeFiシステムでは、AIエージェントの背後にあるコアはLLM（ラージ言語モデル）であり、データ収集から意思決定の実行までのすべての側面をカバーする多層プロセスとテクノロジーが含まれます。 IOSG ドキュメントの @3sigma による調査によると、ほとんどのモデルは、データ収集、モデル推論、意思決定、保管と運用、相互運用性、ウォレット管理という 6 つの特定のワークフローに従っています。これらのプロセスを以下に要約します。

1. Data Collection: The primary task of the AI agent is to gain a comprehensive understanding of its operating environment. This includes obtaining real-time data from multiple sources:

1. データ収集: AI エージェントの主なタスクは、その動作環境を包括的に理解することです。これには、複数のソースからのリアルタイム データの取得が含まれます。

On-chain data: Real-time blockchain data such as transaction records, smart contract statuses, and network activity are obtained through indexers, oracles, etc. This helps the agent stay synchronized with market dynamics;

オンチェーン データ: トランザクション レコード、スマート コントラクト ステータス、ネットワーク アクティビティなどのリアルタイム ブロックチェーン データは、インデクサーやオラクルなどを通じて取得されます。これにより、エージェントは市場動向と同期を保つことができます。

Off-chain data: Price information, market news, and macroeconomic indicators are obtained from external data providers (e.g., CoinMarketCap, Coingecko) to ensure the agent's understanding of external market conditions. This data is typically provided to the agent via API interfaces;

オフチェーンデータ: 価格情報、市場ニュース、およびマクロ経済指標は、エージェントが外部市場状況を確実に理解できるように、外部データプロバイダー (CoinMarketCap、Coingecko など) から取得されます。このデータは通常、API インターフェイスを介してエージェントに提供されます。

Decentralized data sources: Some agents may obtain price oracle data through decentralized data feed protocols, ensuring the decentralization and reliability of the data.

分散型データ ソース: 一部のエージェントは分散型データ フィード プロトコルを通じて価格オラクル データを取得し、データの分散化と信頼性を確保します。

2. Model Inference: After data collection is complete, the AI agent enters the inference and computation phase. Here, the agent relies on multiple AI models for complex reasoning and prediction:

2. モデル推論: データ収集が完了すると、AI エージェントは推論と計算のフェーズに入ります。ここで、エージェントは複雑な推論と予測のために複数の AI モデルに依存しています。

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

教師あり学習と教師なし学習: ラベル付きまたはラベルなしのデータでトレーニングすることにより、AI モデルは市場やガバナンス フォーラムでの行動を分析できます。たとえば、過去の取引データを分析して将来の市場動向を予測したり、ガバナンス フォーラムのデータを分析して投票提案の結果を推測したりできます。

Reinforcement learning: Through trial and error and feedback mechanisms, AI models can autonomously optimize strategies. For instance, in token trading, the AI agent can simulate various trading strategies to determine the best time to buy or sell. This learning method allows the agent to continuously improve under changing market conditions;

強化学習: 試行錯誤とフィードバック メカニズムを通じて、AI モデルは自律的に戦略を最適化できます。たとえば、トークン取引では、AI エージェントがさまざまな取引戦略をシミュレートして、売買に最適なタイミングを決定できます。この学習方法により、エージェントは市場状況が変化しても継続的に改善することができます。

Natural Language Processing (NLP): By understanding and processing user natural language inputs, the agent can extract key information from governance proposals or market discussions, helping users make better decisions. This is particularly important when scanning decentralized governance forums or processing user commands.

自然言語処理 (NLP): ユーザーの自然言語入力を理解して処理することで、エージェントはガバナンス提案や市場ディスカッションから重要な情報を抽出し、ユーザーがより適切な意思決定を行えるように支援します。これは、分散型ガバナンス フォーラムをスキャンしたり、ユーザー コマンドを処理したりする場合に特に重要です。

3. Decision-Making: Based on the collected data and inference results, the AI agent enters the decision-making phase. In this stage, the agent needs to analyze the current market conditions and weigh multiple variables:

3. 意思決定: 収集されたデータと推論結果に基づいて、AI エージェントは意思決定フェーズに入ります。この段階では、エージェントは現在の市場状況を分析し、複数の変数を比較検討する必要があります。

Optimization engine: The agent uses an optimization engine to find the best execution plan under various conditions. For example, when providing liquidity or executing arbitrage strategies, the agent must consider factors such as slippage, transaction fees, network latency, and capital size to find the optimal execution path;

最適化エンジン: エージェントは最適化エンジンを使用して、さまざまな条件下で最適な実行プランを見つけます。たとえば、流動性を提供したり裁定取引戦略を実行したりする場合、エージェントはスリッページ、取引手数料、ネットワーク遅延、資本サイズなどの要素を考慮して、最適な実行パスを見つける必要があります。

Multi-agent system collaboration: To cope with complex market conditions, a single agent may not be able to optimize all decisions comprehensively. In such cases, multiple AI agents can be deployed, each focusing on different task areas, collaborating to improve the overall decision-making efficiency of the system. For example, one agent focuses on market analysis while another agent focuses on executing trading strategies.

マルチエージェント システムの連携: 複雑な市場状況に対処するために、単一のエージェントではすべての意思決定を包括的に最適化できない場合があります。このような場合、複数の AI エージェントを導入し、それぞれが異なるタスク領域に焦点を当て、連携してシステム全体の意思決定効率を向上させることができます。たとえば、あるエージェントは市場分析に重点を置き、別のエージェントは取引戦略の実行に重点を置きます。

4. Custody and Operation: Since AI agents need to handle a large amount of computation, they typically require their models to be hosted on off-chain servers or distributed computing networks:

4. 管理と運用: AI エージェントは大量の計算を処理する必要があるため、通常、モデルをオフチェーン サーバーまたは分散コンピューティング ネットワークでホストする必要があります。

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

集中型ホスティング: 一部の AI エージェントは、コンピューティングとストレージのニーズをホストするために AWS などの集中型クラウド コンピューティング サービスに依存する場合があります。このアプローチは、モデルの効率的な運用を保証するのに役立ちますが、集中化による潜在的なリスクももたらします。

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

分散型ホスティング: 集中化のリスクを軽減するために、一部のエージェントは分散型分散コンピューティング ネットワーク (Akash など) と分散ストレージ ソリューション (Arweave など) を使用してモデルとデータをホストします。このようなソリューションは、データ ストレージの永続性を提供しながら、モデルの分散操作を保証します。

On-chain interaction: Although the models themselves are hosted off-chain, AI agents need to interact with on-chain protocols to execute smart contract functions (such as trade execution and liquidity management) and manage assets. This requires secure key management and transaction signing mechanisms, such as MPC (Multi-Party Computation) wallets or smart contract wallets.

オンチェーンインタラクション: モデル自体はオフチェーンでホストされていますが、AI エージェントはオンチェーン プロトコルと対話して、スマート コントラクト機能 (取引執行や流動性管理など) を実行し、資産を管理する必要があります。これには、MPC (Multi-Party Computation) ウォレットやスマート コントラクト ウォレットなど、安全なキー管理とトランザクション署名メカニズムが必要です。

5. Interoperability: The key role of AI agents in the DeFi ecosystem is to interact seamlessly with multiple different DeFi protocols and platforms:

5. 相互運用性: DeFi エコシステムにおける AI エージェントの重要な役割は、複数の異なる DeFi プロトコルおよびプラットフォームとシームレスに対話することです。

API integration: Agents exchange data and perform interactions with various decentralized exchanges, liquidity pools

API 統合: エージェントはデータを交換し、さまざまな分散型取引所、流動性プールとの対話を実行します。