DeFAI: 의도를 향한 새로운 길

DeFAI는 간단히 말해서 AI+DeFi입니다. 시장은 AI 컴퓨팅 성능부터 AI Meme까지 계속해서 AI를 과장해 왔습니다.

1. DeFAI tells the story of AI+DeFi

1. DeFAI는 AI+DeFi의 이야기를 전합니다

1.1 What is DeFAI

1.1 DeFAI란?

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.

DeFAI는 AI+DeFi를 간결하게 표현한 것입니다. 시장은 AI 컴퓨팅 성능부터 AI Meme, 다양한 기술 아키텍처부터 다양한 인프라에 이르기까지 AI를 계속해서 과장했습니다. 최근 AI 에이전트의 전반적인 시장 가치가 전반적으로 하락하고 있지만, DeFAI 개념이 새로운 획기적인 트렌드로 자리잡고 있습니다. 현재 DeFAI는 크게 AI 추상화, 자율 DeFi 에이전트, 시장 분석 및 예측의 세 가지 범주로 나눌 수 있습니다. 카테고리 내의 구체적인 구분은 아래 그림에 나와 있습니다.

1.2 How DeFAI works

1.2 DeFAI 작동 방식

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:

DeFi 시스템에서 AI 에이전트의 핵심은 데이터 수집부터 의사결정 실행까지 모든 측면을 다루는 다단계 프로세스와 기술을 포함하는 LLM(Large Language Model)입니다. IOSG 기사의 @3sigma 연구에 따르면 대부분의 모델은 데이터를 따릅니다. 수집, 모델 추론, 의사 결정, 호스팅 및 운영, 상호 운용성 및 지갑의 6가지 특정 워크플로우가 아래에 요약되어 있습니다.

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. 데이터 수집: AI 에이전트의 첫 번째 임무는 AI 에이전트가 작동하는 환경에 대한 포괄적인 이해를 얻는 것입니다. 여기에는 여러 소스에서 실시간 데이터를 수집하는 것이 포함됩니다.

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;

온체인 데이터: 인덱서, 오라클 등을 통해 거래 기록, 스마트 계약 상태, 네트워크 활동과 같은 실시간 블록체인 데이터를 얻습니다. 이는 에이전트가 시장 역학과 동기화되는 데 도움이 됩니다.

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;

오프체인 데이터: 에이전트가 시장의 외부 조건을 이해할 수 있도록 외부 데이터 제공자(예: CoinMarketCap, Coingecko)로부터 가격 정보, 시장 뉴스 및 거시 경제 지표를 얻습니다. 이 데이터는 일반적으로 API 인터페이스를 통해 에이전트에 제공됩니다.

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.

분산형 데이터 소스: 일부 에이전트는 데이터의 분산화 및 신뢰성을 보장하기 위해 분산형 데이터 피드 프로토콜을 통해 가격 오라클 데이터를 얻을 수 있습니다.

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. 모델 추론: 데이터 수집이 완료되면 AI 에이전트는 추론 및 계산 단계에 들어갑니다. 여기서 에이전트는 복잡한 추론과 예측을 위해 여러 AI 모델을 사용합니다.

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;

감독 및 비지도 학습: AI 모델은 레이블이 지정되거나 지정되지 않은 데이터에 대한 교육을 통해 시장 및 거버넌스 포럼의 동작을 분석할 수 있습니다. 예를 들어 과거 거래 데이터를 분석하여 미래 시장 동향을 예측하거나 거버넌스 포럼 데이터를 분석하여 미래 시장 동향을 예측할 수 있습니다. , 투표 제안의 결과를 추측합니다.

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;

강화 학습: AI 모델은 시행착오와 피드백 메커니즘을 통해 자동으로 전략을 최적화할 수 있습니다. 예를 들어, 토큰 거래에서 AI 에이전트는 여러 거래 전략을 시뮬레이션하여 구매 또는 판매에 가장 적합한 시간을 결정할 수 있습니다. 이 학습 방법을 통해 에이전트는 변화하는 시장 상황에서 지속적으로 개선될 수 있습니다.

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.

자연어 처리(NLP): 에이전트는 사용자의 자연어 입력을 이해하고 처리함으로써 거버넌스 제안이나 시장 토론에서 주요 정보를 추출하여 사용자가 더 나은 결정을 내리는 데 도움을 줄 수 있습니다. 이는 분산형 거버넌스 포럼을 검색하거나 사용자 지침을 처리하는 데 특히 유용합니다. 언제가 특히 중요합니다.

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. 의사결정: 수집된 데이터와 추론 결과를 바탕으로 AI 에이전트는 의사결정 단계에 들어갑니다. 이 단계에서 에이전트는 현재 시장 상황을 분석할 뿐만 아니라 여러 변수 간의 균형을 맞춰야 합니다.

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;

최적화 엔진: 에이전트는 최적화 엔진을 사용하여 다양한 조건에서 최상의 실행 계획을 찾습니다. 예를 들어, 유동성 제공 또는 차익거래 전략을 수행할 때 에이전트는 최적의 실행 경로를 찾기 위해 미끄러짐, 거래 수수료, 네트워크 대기 시간, 자금 규모 등과 같은 요소를 고려해야 합니다.

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.

다중 에이전트 시스템 협업: 복잡한 시장 상황에 대처하기 위해 단일 에이전트가 모든 결정을 완전히 최적화할 수 없는 경우가 있습니다. 이 경우, 서로 다른 작업 영역에 초점을 맞춘 여러 AI 에이전트를 배포하여 협업을 통해 전체 시스템의 의사결정을 개선할 수 있습니다. 능률. 예를 들어, 한 에이전트는 시장 분석에 중점을 두고 다른 에이전트는 거래 전략 실행에 중점을 둡니다.

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. 호스팅 및 운영: AI 에이전트는 많은 계산을 처리해야 하기 때문에 일반적으로 오프체인 서버 또는 분산 컴퓨팅 네트워크에서 모델을 호스팅해야 합니다.

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;

중앙 집중식 호스팅: 일부 AI 에이전트는 AWS와 같은 중앙 집중식 클라우드 컴퓨팅 서비스를 사용하여 컴퓨팅 및 스토리지 요구 사항을 호스팅할 수 있습니다. 이 접근 방식은 모델의 효율적인 운영을 보장하는 데 도움이 되지만 중앙 집중화의 잠재적인 위험도 초래합니다.

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;

분산 호스팅: 중앙 집중화의 위험을 줄이기 위해 일부 에이전트는 분산 분산 컴퓨팅 네트워크(예: Akash) 및 분산 스토리지 솔루션(예: Arweave)을 사용하여 모델과 데이터를 호스팅합니다. 이러한 솔루션은 모델 분산형 운영을 보장하는 동시에 데이터 저장의 지속성을 제공합니다.

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.

온체인 상호작용: 모델 자체는 오프체인에서 호스팅되지만 AI 에이전트는 스마트 계약 기능(예: 거래 실행, 유동성 관리)을 수행하고 자산을 관리하기 위해 온체인 프로토콜과 상호작용해야 합니다. 이를 위해서는 안전한 키 관리와 거래가 필요합니다. MPC(Multi-Party Computation) 지갑 또는 스마트 계약 지갑과 같은 서명 메커니즘.

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

5. 상호 운용성: DeFi 생태계에서 AI 에이전트의 핵심 역할은 다음과 같이 원활하게 상호 작용하는 것입니다.