مقدمه: وقتی هوش مصنوعی به "بازیگر جدید" در بازی‌های زنجیره‌ای تبدیل می‌شود

در سال 2025، کل ارزش قفل شده (TVL) در پروتکل‌های جهانی DeFi از 100 میلیارد دلار فراتر رفت، اما مسائلی مانند ناکارآمدی بازار و نقدینگی پراکنده همچنان حل نشده باقی مانده‌اند. در همین حال، رشد انفجاری فناوری‌های هوش مصنوعی (مانند GPT-4، Llama 2) متغیری جدید را به DeFi معرفی کرده است—عوامل هوش مصنوعی. این "ربات‌ها"ی زنجیره‌ای نه تنها می‌توانند استراتژی‌های از پیش تعیین شده را اجرا کنند، بلکه می‌توانند به طور پویا تصمیمات را از طریق یادگیری ماشین بهینه کنند و حتی با سایر سیستم‌های هوش مصنوعی درگیر بازی شوند. با این حال، این انقلاب تکنولوژیکی با بحث‌های تندی همراه است: آیا هوش مصنوعی DeFi را به سمت پرتگاه بازی با حاصل جمع صفر سوق می‌دهد؟ چگونه می‌توان عدالت را در بازارهای زنجیره‌ای تضمین کرد؟

در بخش اول، نگاهی عمیق به مورد نمادین خواهیم انداخت و مسیر فنی ادغام هوش مصنوعی و DeFi را آشکار خواهیم کرد، و در بخش دوم، بر تأثیر اقتصادی و خطرات احتمالی تمرکز خواهیم کرد.

هوش مصنوعی در حال تغییر شکل منطق زیربنایی DeFi

1.1 نیازهای تکاملی DeFi

از زمان ادغام فناوری بلاک چین با امور مالی غیرمتمرکز (DeFi)، اکوسیستم DeFi نوآوری و توسعه سریعی را تجربه کرده است. در مراحل اولیه، اصل اساسی DeFi "کد قانون است" بود، به این معنی که تمام پروتکل‌ها و رفتارهای تراکنش توسط قراردادهای هوشمند کنترل می‌شدند و وابستگی به واسطه‌ها را کاهش می‌دادند. با این حال، با گسترش مقیاس بازار و افزایش حجم معاملات، نیازهای DeFi تغییر کرده است و عملیات مالی پیچیده‌تر و الزامات استراتژیک در حال ظهور هستند و DeFi را به سمت جهت‌های پالایش‌شده‌تر و هوشمندتر سوق می‌دهند.

معاملات با فرکانس بالا، مدیریت نقدینگی و استراتژی‌های آربیتراژ—که در بازارهای مالی سنتی بسیار رایج هستند—به تدریج به حوزه DeFi نفوذ کرده‌اند. با افزایش نوسانات و پیچیدگی بازار، قوانین سنتی و الگوریتم‌های ایستا دیگر نمی‌توانند نیازها را برآورده کنند. در این مرحله، معرفی هوش مصنوعی به کلید حل این مشکل تبدیل می‌شود. از طریق یادگیری عمیق و الگوریتم‌های بهینه‌سازی، هوش مصنوعی می‌تواند مقادیر زیادی از داده‌های بازار را در زمان واقعی تجزیه و تحلیل کند تا استراتژی‌های معاملاتی دقیق‌تر و راه‌حل‌های مدیریت نقدینگی را فرموله کند. علاوه بر این، هوش مصنوعی می‌تواند به کاهش بیشتر موانع استفاده از پروژه‌های DeFi کمک کند. انجام یک سری تعاملات زنجیره‌ای از طریق عوامل هوش مصنوعی با استفاده از دستورات زبان طبیعی می‌تواند به طور قابل توجهی هزینه‌های یادگیری کاربر را کاهش دهد.

1.2 اثرات هم افزایی هوش مصنوعی و DeFi

با پیشرفت مداوم فناوری هوش مصنوعی، زمینه DeFi به تدریج از مدل‌های تصمیم‌گیری صرفاً مبتنی بر کد به مدل‌های هوشمند و مبتنی بر داده تغییر می‌کند. هوش مصنوعی نه تنها به بهبود کارایی اجرای استراتژی کمک می‌کند، بلکه فرصت‌ها و خطرات بالقوه را در بازار از طریق تجزیه و تحلیل عمیق داده‌ها کشف می‌کند و در نتیجه سطح هوش کل سیستم DeFi را افزایش می‌دهد.

1.2.1 مزیت اطلاعاتی: ادغام داده‌های زنجیره‌ای و خارج از زنجیره

در پروتکل‌های سنتی DeFi، داده‌های بازار عمدتاً از اطلاعات زنجیره‌ای، مانند داده‌های تراکنش بلاک چین، ترازهای استخر دارایی و وضعیت استخر نقدینگی، به دست می‌آیند. با این حال، معرفی هوش مصنوعی DeFi را قادر می‌سازد تا به طور ارگانیک داده‌های خارج از زنجیره را با داده‌های زنجیره‌ای ترکیب کند و قابلیت‌های پیش‌بینی را بیشتر افزایش دهد. به عنوان مثال، با معرفی اوراکل‌ها برای ارائه داده‌های قیمت خارج از زنجیره و تجزیه و تحلیل این داده‌ها با استفاده از فناوری یادگیری ماشین، هوش مصنوعی می‌تواند روند قیمت بازار را با دقت بیشتری پیش‌بینی کند و در نتیجه به فرموله کردن استراتژی‌های معاملاتی کارآمد کمک کند. این مزیت ادغام اطلاعات، هوش مصنوعی را به یک ابزار فناوری مهم در پروتکل‌های DeFi تبدیل می‌کند.

1.2.2 ارتقاء بازی: اتوماسیون MEV

در سیستم‌های مالی غیرمتمرکز، ارزش قابل استخراج توسط ماینر (MEV) همواره موضوعی مورد توجه بوده است. MEV به درآمد اضافی اشاره دارد که ماینرها می‌توانند با تنظیم ترتیب تراکنش‌ها در یک بلوک به دست آورند. در گذشته، استخراج MEV عمدتاً متکی به استراتژی‌ها و عملیات دستی بود که نه تنها ناکارآمد بود، بلکه به راحتی تحت تأثیر عوامل انسانی قرار می‌گرفت.

با این حال، با توسعه فناوری هوش مصنوعی، روش‌های استخراج MEV از تک تیراندازی دستی سنتی به عملیات هوشمند خودکار تکامل یافته است. هوش مصنوعی می‌تواند داده‌های زنجیره‌ای را در میلی‌ثانیه تجزیه و تحلیل کند و ترتیب تراکنش‌ها را از طریق الگوریتم‌ها بهینه کند تا بازده را به حداکثر برساند. این تحول نه تنها کارایی را بهبود می‌بخشد، بلکه پروتکل‌های DeFi را به سمت جهت‌های کارآمدتر و عادلانه‌تر سوق می‌دهد. با اتوماسیون هوش مصنوعی، قوانین بازی در بازارهای DeFi در حال بازتعریف هستند.

1.3 تعریف واضح DeFAI

DeFAI (DeFi + AI) محصولی از ادغام عمیق بین DeFi و AI است که هدف آن ارتقای هوشمندی، تجربه کاربری و کارایی سرمایه در اکوسیستم DeFi است. هسته اصلی آن دستیابی به تصمیم‌گیری خودکار، اجرای وظایف پیچیده (مانند معاملات، بهینه‌سازی بازده، عملیات زنجیره‌ای متقابل) و انتزاع تعاملات کاربر (مانند دستورالعمل‌های زبان طبیعی) از طریق عوامل هوش مصنوعی است، در نتیجه موانع استفاده از DeFi را کاهش داده و استراتژی‌های مالی را بهینه می‌کند.

سناریوهای اصلی کاربرد هوش مصنوعی در DeFi

2.1 اجرای عملیات مبتنی بر هوش مصنوعی

از طریق تجمیع مدل‌ها یا عوامل مختلف هوش مصنوعی و ادغام APIها از برنامه‌های مختلف DeFi، کاربران می‌توانند به سرعت عملیات DeFi را از طریق یک رابط چت شبیه ChatGPT اجرا کنند. این ترکیب DeFAI تجربه کاربری زنجیره‌ای را افزایش می‌دهد و یک رابط عملیات DeFi یک‌جا را ارائه می‌دهد. کاربران دیگر نیازی به پیمایش بین رابط‌های کاربری مختلف برای اجرای عملیات DeFi ندارند، و نیازی نیست که جستجو کنند و یاد بگیرند که چگونه پروتکل‌های مختلف را برای دستیابی به نتایج دلخواه خود ترکیب کنند، مانند تبدیل 100 SOL به USDC و سپس واریز آن به یک پروتکل وام‌دهی. کاربران فقط باید مقاصد خود را از طریق چت در رابط Chat بیان کنند.

مورد: Bankr

Bankr یک پلتفرم مبتنی بر هوش مصنوعی است که از فناوری پیشرفته استفاده می‌کند و با ارائه‌دهنده کیف پول شخص ثالث Privy ادغام می‌شود تا به طور ایمن کیف پول‌های دیجیتال ایجاد کند و تراکنش‌های بلاک چین، از جمله تجارت و انتقال دارایی‌های دیجیتال را تسهیل کند. (ویدئوی نمایشی: https://x.com/bankrbot/status/1893788678776070481)

مورد: Griffain

یک پروژه DeFAI (DeFi + AI) مبتنی بر بلاک چین Solana، موقعیت‌یابی اصلی آن به عنوان یک موتور عامل هوش مصنوعی است که هدف آن ساده‌سازی عملیات DeFi از طریق تعامل زبان طبیعی، دستیابی به اتصال یکپارچه بین نیازهای کاربر و اکوسیستم بلاک چین است. کاربران می‌توانند مستقیماً با پروتکل‌های DeFi از طریق دستورالعمل‌های زبان شبیه انسان (مانند "خرید 200 USDC به ارزش SOL" یا "انتقال زنجیره‌ای متقابل و سهام‌گذاری") بدون نیاز به انجام دستی قراردادهای هوشمند یا درک جزئیات فنی زیربنایی تعامل داشته باشند.

Griffain چندین عامل تخصصی را به صورت داخلی مستقر می‌کند که هر کدام بر وظایف خاصی تمرکز دارند:

عامل مدیریت Airdrop: به طور خودکار airdropهای واجد شرایط را ردیابی و ادعا می‌کند.

عامل بهینه‌سازی بازده: داده‌های زنجیره‌ای را تجزیه و تحلیل می‌کند و به طور پویا تخصیص دارایی را برای به حداکثر رساندن بازده تنظیم می‌کند.

عامل مدیریت پورتفولیو: خطرات دارایی را نظارت می‌کند و پیشنهادات متعادل‌سازی مجدد را ارائه می‌دهد.

تحقیق Token: گزارش‌هایی را بر اساس اطلاعات زنجیره‌ای تولید می‌کند.

2.2 ارزیابی اعتبار و مدیریت ریسک

ارزیابی اعتبار و مدیریت ریسک در DeFi برای اطمینان از ثبات پروتکل و امنیت وجوه کاربر کلیدی است. در مقایسه با سیستم‌های مالی سنتی، سیستم اعتباری DeFi هنوز ناقص است و ارزیابی اعتبار کاربر عمدتاً به وثیقه متکی است. با این حال، معرفی فناوری هوش مصنوعی فرصت‌های نوآورانه‌تری را برای پروتکل‌های DeFi، به ویژه در ارزیابی اعتبار و کنترل ریسک فراهم می‌کند.

مورد: مدل امتیازدهی اعتباری هوش مصنوعی Spectral Finance

Spectral Finance برای اولین بار امتیاز Multi-Asset Credit Risk Oracle (MACRO) را در سال 2022 معرفی کرد و رفتار زنجیره‌ای کاربران را با داده‌های سابقه اعتباری ترکیب کرد تا تجزیه و تحلیل ریسک اعتباری هوشمندانه‌تری را برای بازارهای وام‌دهی ارائه دهد.

عوامل اصلی مدل امتیاز MACRO

امتیاز MACRO Spectral Finance داده‌های چند بعدی، از جمله وام‌دهی، بازپرداخت، سابقه انحلال و حتی عوامل نوسانات بازار را اتخاذ می‌کند. این داده‌ها به صورت کمی از طریق مدل‌های یادگیری ماشین پردازش می‌شوند تا امتیازات اعتباری دقیقی را در اختیار کاربران قرار دهند. امتیازات اعتباری کاربران بر اساس چندین عامل اصلی است:

سابقه وام‌دهی، بازپرداخت و سپرده‌گذاری: رفتار تراکنش کاربر در پروتکل‌های DeFi، به ویژه فراوانی و قابلیت اطمینان وام‌دهی و بازپرداخت.

سابقه انحلال: تأثیر سوابق انحلال از سایر آدرس‌های کیف پول در کیف پول کاربر بر ارزیابی اعتبار.

عوامل سلامتی: مانند نسبت وام به ارزش (LTV) و ارزیابی سایر عوامل ریسک بازار.

طول سابقه کیف پول و روندهای تراکنش: زمان استفاده از کیف پول و الگوهای تراکنش نیز بر امتیازات اعتباری تأثیر می‌گذارد.

نوسانات بازار و تعامل با پروتکل‌های وام‌دهی: فراوانی تعامل با پروتکل‌های مختلف DeFi و نوسانات بازار نیز نقش مهمی در ارزیابی اعتبار ایفا می‌کنند.

توکن‌های NFC (اعتبار غیرقابل تعویض) و مدیریت اعتبار

به منظور انعکاس بهتر و بهره‌برداری از اعتبار کاربران در اکوسیستم DeFi، Spectral Finance توکن‌های Non-Fungible Credit (NFC) را معرفی کرد. توکن‌های NFC توکن‌های ERC721 هستند که نشان‌دهنده تاریخچه تراکنش‌های زنجیره‌ای کاربران هستند. هر توکن NFC امتیاز MACRO کاربر را حمل می‌کند و می‌تواند با شروع وام‌های جدید، امتیاز را دوباره محاسبه کند.

در حال حاضر، Spectral به سمت توسعه یک چارچوب عامل هوش مصنوعی در وایت پیپر خود تغییر جهت داده است، اگرچه مدل ارزیابی اعتبار هوش مصنوعی آنها همچنان یک بررسی خوب است.

2.3 استراتژی‌های خودکار و بهینه‌سازی بازده

در بازار DeFi، استراتژی‌های خودکار و بهینه‌سازی بازده، کلید بهبود بازده کاربر و کاهش ریسک سرمایه‌گذاری است. با پیشرفت مداوم فناوری هوش مصنوعی و یادگیری ماشین، پروتکل‌های نوآورانه متعددی شروع به بررسی چگونگی استفاده از این فناوری‌ها برای خودکارسازی تصمیمات سرمایه‌گذاری و تخصیص دارایی به منظور دستیابی به بهینه‌سازی بازده کارآمدتر کرده‌اند. ARMA و Amplifi Lending Agents دو نمونه معمولی هستند که به کاربران کمک می‌کنند تا از طریق اتوماسیون و هوش، بازده سرمایه‌گذاری بهتری در بازار DeFi کسب کنند.

مورد: پروتکل مدیریت دارایی ARMA

ARMA یک پروتکل مدیریت بازده خودکار است که توسط Giza Tech با تمرکز بر دارایی‌های USDC توسعه یافته است. ARMA به طور مداوم فرصت‌ها را در پروتکل‌هایی مانند AAVE، Morpho، Compound و Moonwell نظارت و ارزیابی می‌کند و به طور خودکار وجوه را به استخرهای با بالاترین بازده تخصیص می‌دهد. عملکردهای اصلی آن شامل تخصیص مجدد خودکار دارایی، بهینه‌سازی بازده، به حداقل رساندن هزینه‌های تراکنش و حفظ امنیت قوی و کنترل کامل کاربر است.

استراتژی بهینه‌سازی بازده ARMA از طریق چندین جنبه عمل می‌کند:

توازن مجدد خودکار بین پروتکل‌ها: ARMA نرخ‌های وام‌دهی بلادرنگ را در چندین پروتکل وام‌دهی تجزیه و تحلیل می‌کند، APR، پاداش‌های پروتکل، پاداش‌های اکوسیستم و هزینه‌های تراکنش را ارزیابی می‌کند، سپس به طور خودکار وجوه را به مطلوب‌ترین استخرها منتقل می‌کند. این تنظیم پویا تضمین می‌کند که کاربران می‌توانند بازده را به حداکثر برسانند.

مکانیزم ترکیب هوشمند: ARMA به طور خودکار درآمد انباشته شده را مطالبه و دوباره سرمایه‌گذاری می‌کند و تمام توکن‌های پاداش را دوباره به استیبل کوین اصلی تبدیل می‌کند و اثر مرکب را به حداکثر می‌رساند. فرکانس ترکیب به طور پویا بر اساس اندازه موقعیت، APR و هزینه‌های تراکنش بهینه می‌شود و بازده را افزایش می‌دهد.

منطق تبادل توکن: ARMA از USDC و USDT برای دسترسی به طیف گسترده‌ای از فرصت‌های بازده استفاده می‌کند. هنگامی که تفاوت بازده بین توکن‌های مختلف قابل توجه باشد، ARMA مبادلات توکن را برای بهینه‌سازی بازده انجام می‌دهد. تمام عملیات از طریق پروتکل‌های DEX یکپارچه انجام می‌شود و اطمینان حاصل می‌شود که کاربران می‌توانند توکن‌های سپرده اصلی خود را در هر زمان برداشت کنند.

مورد: استراتژی سرمایه‌گذاری Amplifi Lending Agents

Amplifi Lending Agents یک ابزار بهینه‌سازی استراتژی وام‌دهی خودکار است که توسط Amplifi.Fi بر اساس الگوریتم‌های هوش مصنوعی توسعه یافته است. این پروتکل رفتار وام‌دهی و استراتژی‌های تولید بازده کاربران را در بازار DeFi از طریق یادگیری عمیق و تجزیه و تحلیل داده‌ها بهینه می‌کند. هدف اصلی آن کمک به کاربران برای دستیابی به بهترین بازده سرمایه‌گذاری در محیط‌های پیچیده بازار از طریق تخصیص هوشمند دارایی، مدیریت ریسک و بهینه‌سازی بازده است.

منبع: https://amplifi-2.gitbook.io/documentation

عملکردهای اصلی Amplifi Lending Agents:

مدیریت پویای دارایی (بهینه‌سازی و توازن مجدد): موتور AI/ML Amplifi به طور مداوم تخصیص دارایی را بر اساس استراتژی‌های اختصاصی درجه سازمانی بهینه می‌کند. این به طور خودکار دارایی‌ها را به استخرهای با بالاترین بازده تخصیص می‌دهد و مدیریت موثر استراتژی‌های Bitcoin و استیبل کوین را تضمین می‌کند.

قابلیت عملکرد متقابل زنجیره‌ای: از طریق Polyhedras zkBridge، Amplifi نقدینگی متقابل زنجیره‌ای یکپارچه را فراهم می‌کند، بدون اینکه کاربران مجبور باشند به صورت دستی پل بزنند یا هزینه گس پرداخت کنند. zkBridge عملیات متقابل زنجیره‌ای کارآمد و ایمن را تضمین می‌کند و در عین حال خطر را کاهش می‌دهد و تجربه کاربر را ساده می‌کند.

انتزاع حساب: Amplifi از تراکنش‌های بدون گس (پرداخت شده توسط حامی) و ورود به سیستم Web2 (مانند Facebook، Gmail و غیره) پشتیبانی می‌کند و ایجاد و مدیریت کیف پول را برای کاربران آسان‌تر می‌کند. به این ترتیب، Amplifi عملیات DeFi را ساده می‌کند و به کاربرانی که با بلاک چین آشنا نیستند اجازه می‌دهد به راحتی شرکت کنند.

استراتژی‌های هوشمند Amplifi: موتور AI/ML Amplifi چندین الگوریتم بهینه‌سازی، از جمله الگوریتم‌های تکاملی، گرادیان کاهشی و نظریه پورتفوی Markowitz را ترکیب می‌کند. این استراتژی‌ها ریسک و بازده را از طریق روش‌های وزنی متعادل می‌کنند و به طور مداوم تخصیص دارایی را بهینه می‌کنند تا اطمینان حاصل شود که سرمایه‌گذاران در شرایط مختلف بازار به بهترین بازده دست می‌یابند.

استراتژی بهینه‌سازی: Amplifi به طور مداوم تغییرات بازار را ارزیابی کرده و تخصیص دارایی را به صورت پویا از طریق کاربرد جامع تکنیک‌های یادگیری ماشین تنظیم می‌کند تا بازدهی سالانه پایدار (APY) را حفظ کند. هنگامی که نوسانات APY از آستانه‌های معقول فراتر رود، سیستم به طور خودکار استراتژی‌های تخصیص مجدد را فعال می‌کند تا اطمینان حاصل شود که پورتفولیو همیشه در حالت بهینه قرار دارد.

تخصیص مجدد دارایی: با نظارت بر تغییرات APY در پلتفرم‌های DeFi (مانند AAVE)، Amplifi می‌تواند به طور خودکار دارایی‌ها را در صورت نوسانات قابل توجه APY برای به حداکثر رساندن بازدهی کاربر، مجدداً تخصیص دهد.

2.4 تحلیل بازار و ردیابی احساسات

تحلیل بازار و ردیابی احساسات توسط هوش مصنوعی در DeFi بر پشتیبانی از تصمیم‌گیری مبتنی بر داده متمرکز است و قابلیت‌های اصلی آن شامل یکپارچه‌سازی اطلاعات چند بعدی در زمان واقعی و کمی‌سازی ریسک بازار است. سیستم‌های هوش مصنوعی می‌توانند به طور همزمان رفتارهای تراکنش زنجیره‌ای (مانند انتقال‌های بزرگ، تغییرات استخر نقدینگی)، احساسات رسانه‌های اجتماعی خارج از زنجیره (مانند احساسات توییتر) و شاخص‌های کلان بازار (مانند نوسانات قیمت BTC) را تجزیه و تحلیل کنند و روندهای نوسانات دارایی کوتاه‌مدت را از طریق مدل‌های یادگیری ماشین پیش‌بینی کرده و سیگنال‌های ریسک بالقوه (مانند هشدارهای آسیب‌پذیری قرارداد یا خطرات کاهش نقدینگی) را شناسایی کنند. در عین حال، هوش مصنوعی از فناوری پردازش زبان طبیعی برای امتیازدهی احساسی به رویدادهای خبری، تولید پویا پیشنهادات تخصیص دارایی یا فعال‌سازی استراتژی‌های پوشش ریسک خودکار استفاده می‌کند و به کاربران کمک می‌کند تا عدم تقارن اطلاعات را کاهش داده و کارایی تصمیم‌گیری را در محیط‌های پیچیده بازار بهبود بخشند.

مورد: AIXBT

یک ابزار تخصصی عامل هوش مصنوعی که بر حوزه ارزهای دیجیتال متمرکز است و تجزیه و تحلیل داده‌های بی‌درنگ و فناوری پردازش زبان طبیعی را برای ارائه بینش‌های روند بازار و پشتیبانی از تصمیم‌گیری معاملاتی به کاربران ادغام می‌کند. این ابزار می‌تواند موضوعات داغ، احساسات بازار و شاخص‌های کلیدی را در Crypto Twitter به صورت بی‌درنگ ردیابی و تجزیه و تحلیل کند و به سرمایه‌گذاران کمک کند تا به سرعت پویایی‌های صنعت را درک کرده و فرصت‌های سرمایه‌گذاری بالقوه را شناسایی کنند. عملکردهای اصلی AIXBT شامل تجمیع داده‌های چند پلتفرمی، تحلیل احساسات اجتماعی و تولید استراتژی خودکار است، به ویژه در تجزیه و تحلیل توییت‌ها از بیش از 400 KOL برتری دارد، اطلاعات با ارزش بالا را استخراج می‌کند و پیشنهادات معاملاتی قابل اجرا تولید می‌کند.

علاوه بر این، AIXBT دارای قابلیت‌های تعاملی است و به کاربران اجازه می‌دهد تا مستقیماً از طریق رسانه‌های اجتماعی با آن ارتباط برقرار کنند تا گزارش‌های تحلیلی سفارشی دریافت کنند. در آینده، با بلوغ فناوری عامل هوش مصنوعی، انتظار می‌رود AIXBT موانع مشارکت در بازار کریپتو را بیشتر کاهش دهد و DeFi را به سمت جهت‌های هوشمندتر و خودکارتر سوق دهد.

معماری فنی و چشم‌انداز رقابتی

3.1 مسیرهای مدل‌های هوش مصنوعی زنجیره‌ای

در حال حاضر، اصلی‌ترین جهت توسعه بالقوه، پیاده‌سازی سبک‌وزن زنجیره‌ای است. این شامل کاهش مصرف منابع زنجیره‌ای با محاسبه خارج از زنجیره و ارسال نتایج و اثبات‌های محاسباتی است. یک رویکرد zkML است.

zkML فرآیند استنتاج مدل‌های یادگیری ماشین را از طریق اثبات‌های دانش صفر (مانند zkSNARKs) تأیید می‌کند و از صحت نتایج محاسباتی بدون افشای پارامترهای مدل یا داده‌های ورودی اطمینان حاصل می‌کند. فرآیند اصلی آن عبارت است از:

محاسبه خارج از زنجیره: مدل ML را خارج از زنجیره اجرا کنید تا نتایج استنتاج تولید شود.

تولید اثبات: از فناوری zk برای تولید یک اثبات ریاضی مختصر استفاده کنید که نشان می‌دهد فرآیند استنتاج مطابق با مدل از پیش تعریف شده (مانند وزن‌های مدل، معماری) است و دستکاری نشده است.

تأیید زنجیره‌ای: اثبات را به بلاک چین ارسال کنید، جایی که قراردادهای هوشمند با تأیید اثبات، مشروعیت نتایج را تأیید می‌کنند، بدون اینکه نیازی به اجرای مجدد محاسبه باشد.

این مکانیسم مشکل پرهزینه بودن اجرای مستقیم مدل‌های ML در زنجیره (مانند محدودیت‌های محاسباتی EVM) را حل می‌کند و در عین حال شفافیت و مقاومت در برابر سانسور را تضمین می‌کند.

موارد استفاده مرتبط از قبل وجود دارد، مانند چارچوب ZKML آزمایشگاه Modulus.

فناوری اصلی آزمایشگاه Modulus محاسبه خارج از زنجیره + تأیید زنجیره‌ای است و ویژگی‌های چارچوب شامل موارد زیر است:

تأیید یکپارچگی اجرای هوش مصنوعی: اطمینان از اینکه نتایج استنتاج مدل هوش مصنوعی از طریق اثبات‌های دانش صفر دستکاری نشده‌اند (مانند اطمینان از اصالت خروجی‌های مدل ارزیابی قیمت NFT). مورد: همکاری با Upshot برای قرار دادن نتایج ارزیابی قیمت NFT تولید شده توسط هوش مصنوعی (100 میلیون در ساعت) در زنجیره از طریق اثبات‌های ZK، دستیابی به ترکیب "قابلیت هوش مصنوعی + امنیت زنجیره‌ای".

مکانیسم ضد تقلب: در سناریوهای بازی (مانند AI Arena)، تأیید سازگاری بین مدل‌های هوش مصنوعی آموزش‌دیده توسط بازیکن و مدل‌هایی که در واقع در مسابقات مستقر شده‌اند، جلوگیری از رفتارهای تقلب ناشی از منافع اقتصادی.

API باز: ارائه APIهای "هوش مصنوعی ضد دستکاری" که به توسعه‌دهندگان dApp اجازه می‌دهد تا عملکرد هوش مصنوعی قابل تأیید را بدون قربانی کردن امنیت غیرمتمرکز ادغام کنند.

3.2 مقایسه پروژه‌های پیشرو

فراتر از لایه زیرساخت، رقابت در لایه کاربردی DeFAI بسیار شدید است. به طور کلی، موانع محصولی چندان بالا نیستند و هیچ پروتکل کاربردی یافت نشده است که از نظر ثبات و دقت محصول، برتری قابل توجهی نسبت به سایر رقبا داشته باشد. در همین حال، تناسب محصول با بازار (PMF) برنامه‌های کاربردی موجود توسط کاربران در حال آزمایش است. در زیرساخت هوش مصنوعی امروزی که به سرعت در حال توسعه است، ممکن است برنامه‌های کاربردی DeFAI مؤثرتری در هر زمان ظاهر شوند و جایگزین پروژه‌های پیشرو فعلی شوند.

در حال حاضر، پروژه پیشرو Griffain است. محصول آن‌ها به کاربران اجازه می‌دهد تا از طریق زبان طبیعی با بلاکچین تعامل داشته باشند و سپس عملیات DeFi درون زنجیره‌ای را انجام دهند. سرعت به‌روزرسانی محصول Griffain چشمگیر است. آن‌ها در حال حاضر محصولاتی مانند Agent Sniper، Agentic Commerce، تجمیع API چندعاملی (سیستم انرژی) و غیره را راه‌اندازی کرده‌اند که جهت‌گیری کلی ساخت، یک پلتفرم عملیات زبان طبیعی یکپارچه است که به کاربران امکان می‌دهد از طریق پنجره چت ربات، اطلاعات مختلف روزانه درون زنجیره‌ای را مرور و با آن‌ها کار کنند.

از آنجایی که هوش مصنوعی به طور مداوم چشم‌انداز DeFi را از طریق معماری‌های فنی پیشرفته و برنامه‌های کاربردی نوآورانه تغییر می‌دهد، تشخیص خطرات بالقوه و چالش‌های اخلاقی که این تحول را همراهی می‌کنند، بسیار مهم است. در بخش بعدی تجزیه و تحلیل خود، به جنبه تاریک‌تر DeFi مبتنی بر هوش مصنوعی خواهیم پرداخت و خطرات سیستمی، موانع نظارتی و معضلات اخلاقی را که می‌توانند آینده این اکوسیستم نوظهور را تعریف کنند، بررسی خواهیم کرد.

ادغام هوش مصنوعی و دیفای: فراتر از بازی‌های زنجیره‌ای AlphaGo (بخش اول)