제목: DeFai: AI와 DeFi의 융합

단 3개월 만에 AI x memecoin은 AVAX 또는 SUI와 같은 일부 성숙한 L1과 비슷한 규모인 134억 달러의 시가총액에 도달했습니다.

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).

산출물: 인공 지능(AI)은 암호화폐 산업, 특히 솔라나 블록체인에서 인기가 급증했습니다. 솔라나 블록체인에서는 AI와 밈코인의 통합으로 시가총액이 134억 달러에 이르렀습니다. 이는 다음과 같은 일부 성숙한 레이어 1 프로토콜과 비교할 수 있습니다. Avalanche(AVAX) 또는 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.

지난 몇 달 동안 우리는 AI와 블록체인이라는 두 가지 강력한 기술의 결합을 목격했습니다. 초기 Bittensor 서브넷의 분산형 모델 훈련부터 Akash 및 io.net과 같은 분산형 GPU/컴퓨팅 리소스 시장, 그리고 현재 Solana의 AI x 밈코인 및 프레임워크 물결에 이르기까지 각 단계에서는 암호화폐가 리소스 집계를 통해 AI를 어느 정도 보완할 수 있는지 보여줍니다. , 이를 통해 주권적인 AI 및 소비자 사용 사례를 달성합니다.

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.

솔라나 AI 코인의 첫 번째 물결에서 일부는 단순한 투기를 넘어 의미 있는 유용성을 가져왔습니다. 우리는 ai16z의 ELIZA와 같은 프레임워크, 시장 분석 및 콘텐츠 생성을 제공하는 aixbt와 같은 AI 에이전트 또는 AI와 블록체인 기능을 통합하는 툴킷의 출현을 보았습니다.

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".

AI의 두 번째 물결에서는 더 많은 도구가 성숙해지면서 애플리케이션이 핵심 가치 동인이 되었고 DeFi는 이러한 혁신을 위한 완벽한 테스트 장이 되었습니다. 본 연구에서는 표현을 단순화하기 위해 AI와 DeFi를 결합한 것을 "DeFai"라고 지칭한다.

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.

코인게코(Coingecko)에 따르면 DeFai의 시가총액은 약 10억 달러입니다. Griffian은 45%의 점유율로 시장을 장악하고 있으며 $ANON은 22%를 차지합니다. 이 트랙은 12월 25일부터 급격한 성장을 보이기 시작했고, 크리스마스 연휴 이후에는 Virtual, ai16z 등의 프레임워크와 플랫폼이 강한 성장을 보였습니다.

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.

이는 단지 첫 번째 단계일 뿐이며, DeFai의 잠재력은 이를 훨씬 뛰어넘습니다. DeFai는 아직 개념 증명 단계에 있지만 그 잠재력을 과소평가할 수는 없습니다. AI가 제공할 수 있는 지능과 효율성을 활용하여 DeFi 산업을 보다 사용자 친화적이고 지능적이며 효율적인 금융 생태계로 변화시킬 것입니다.

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

DeFai의 세계에 뛰어들기 전에 에이전트가 DeFi/블록체인에서 실제로 어떻게 작동하는지 이해해야 합니다.

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.

인공지능 에이전트(AI Agent)는 워크플로우에 따라 사용자를 대신하여 작업을 수행할 수 있는 프로그램을 말합니다. AI Agent의 핵심은 LLM(Large Language Model)으로, 훈련이나 학습된 지식을 바탕으로 응답할 수 있지만 이 응답은 제한적인 경우가 많습니다.

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.

에이전트는 로봇과 근본적으로 다릅니다. 로봇은 일반적으로 특정 작업을 수행하고 사람의 감독이 필요하며 미리 정의된 규칙과 조건에 따라 작동해야 합니다. 이와 대조적으로 에이전트는 더욱 역동적이고 적응력이 뛰어나며 특정 목표를 달성하기 위해 자율적으로 학습할 수 있습니다.

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.

보다 개인화된 경험과 보다 포괄적인 응답을 생성하기 위해 에이전트는 과거 상호 작용을 메모리에 저장할 수 있습니다. 이를 통해 에이전트는 사용자의 행동 패턴을 학습하고 응답을 조정하여 과거 컨텍스트를 기반으로 맞춤형 권장 사항과 전략을 생성할 수 있습니다.

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.

블록체인에서는 에이전트가 스마트 계약 및 계정과 상호 작용하여 지속적인 인간 개입 없이 복잡한 작업을 처리할 수 있습니다. 예를 들어, 다단계 브리징 및 파밍의 원클릭 실행, 더 높은 수익을 위한 파밍 전략 최적화, 거래 실행(구매/판매) 및 시장 분석 수행을 포함하여 DeFi 사용자 경험을 단순화하는 데 있어 이러한 모든 단계는 자율적으로 완료됩니다.

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

@3sigma의 연구에 따르면 대부분의 모델은 6가지 특정 워크플로우를 따릅니다.

1. Data Collection

1. 데이터 수집

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.

첫째, 모델은 자신이 작업하는 환경을 이해해야 합니다. 따라서 모델을 시장 상황과 동기화하려면 여러 데이터 스트림이 필요합니다. 여기에는 다음이 포함됩니다: 1) 인덱서 및 오라클의 온체인 데이터 2) CMC/Coingecko/기타 데이터 제공업체의 데이터 API와 같은 가격 플랫폼의 오프체인 데이터.

2. Model Reasoning

2. 모델 추론

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:

모델이 환경을 학습한 후에는 이 지식을 적용하여 사용자의 인식되지 않은 새로운 입력을 기반으로 예측이나 조치를 취해야 합니다. 에이전트가 사용하는 모델은 다음과 같습니다.

3. Decision Making

3. 의사결정

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

학습된 모델과 데이터를 통해 에이전트는 의사 결정 기능을 사용하여 조치를 취할 수 있습니다. 여기에는 현재 상황을 해석하고 적절하게 대응하는 것이 포함됩니다.

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.

이 단계에서 최적화 엔진은 최상의 결과를 찾는 데 중요한 역할을 합니다. 예를 들어, 이익 전략을 실행하기 전에 에이전트는 슬리피지, 스프레드, 거래 비용 및 잠재적 이익과 같은 여러 요소의 균형을 맞춰야 합니다.

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

단일 에이전트는 다양한 도메인에서 의사결정을 최적화할 수 없으므로 다중 에이전트 시스템을 배포하여 조정할 수 있습니다.

4. Hosting and operation

4. 호스팅 및 운영

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.

작업의 계산 집약적인 특성으로 인해 AI 에이전트는 모델을 오프체인으로 호스팅하는 경우가 많습니다. 일부 에이전트는 AWS와 같은 중앙 집중식 클라우드 서비스에 의존하는 반면, 분산화를 선호하는 에이전트는 데이터 저장을 위해 Akash나 ionet 및 Arweave와 같은 분산 컴퓨팅 네트워크를 사용합니다.

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

AI 에이전트 모델은 오프체인에서 실행되지만 에이전트는 스마트 계약 기능을 실행하고 자산을 관리하기 위해 온체인 프로토콜과 상호 작용해야 합니다. 이러한 상호 작용에는 거래를 안전하게 처리하기 위해 MPC 지갑 또는 스마트 계약 지갑과 같은 보안 키 관리 솔루션이 필요합니다. 에이전트는 다음을 통해 작업할 수 있습니다.