Introduction : Quand l'IA devient le « nouveau joueur » dans le domaine du jeu en chaîne

En 2025, la valeur totale bloquée (TVL) dans les protocoles DeFi mondiaux a dépassé les 100 milliards de dollars, mais des problèmes tels que l'inefficacité du marché et la liquidité fragmentée restent non résolus. Parallèlement, la croissance explosive des technologies d'IA (telles que GPT-4, Llama 2) a introduit une nouvelle variable dans la DeFi : les agents d'IA. Ces « robots » en chaîne peuvent non seulement exécuter des stratégies prédéfinies, mais aussi optimiser dynamiquement les décisions grâce à l'apprentissage automatique et même participer à des jeux avec d'autres systèmes d'IA. Cependant, cette révolution technologique s'accompagne de vives controverses : l'IA va-t-elle pousser la DeFi vers l'abîme du jeu à somme nulle ? Comment garantir l'équité sur les marchés en chaîne ?

Dans la première partie, nous examinerons en profondeur le cas emblématique et révélerons la voie technique de l'intégration de l'IA et de la DeFi, et dans la deuxième partie, nous nous concentrerons sur l'impact économique et les risques potentiels.

L'IA remodèle la logique sous-jacente de la DeFi

1,1 Besoins évolutifs de la DeFi

Depuis l'intégration de la technologie blockchain à la finance décentralisée (DeFi), l'écosystème DeFi a connu une innovation et un développement rapides. Au début, le principe fondamental de la DeFi était que « le code fait loi », ce qui signifie que tous les protocoles et comportements de transaction étaient contrôlés par des contrats intelligents, réduisant ainsi la dépendance à l'égard des intermédiaires. Cependant, à mesure que l'échelle du marché s'est élargie et que les volumes de transactions ont augmenté, les besoins de la DeFi ont évolué, avec l'émergence d'opérations financières et d'exigences stratégiques plus complexes, poussant la DeFi vers des orientations plus raffinées et intelligentes.

Le trading à haute fréquence, la gestion de la liquidité et les stratégies d'arbitrage, très courants sur les marchés financiers traditionnels, ont progressivement pénétré le domaine de la DeFi. Avec l'augmentation de la volatilité et de la complexité du marché, les règles traditionnelles et les algorithmes statiques ne peuvent plus répondre aux demandes. À ce stade, l'introduction de l'IA devient essentielle pour résoudre ce problème. Grâce à l'apprentissage profond et aux algorithmes d'optimisation, l'IA peut analyser de grandes quantités de données de marché en temps réel afin de formuler des stratégies de trading et des solutions de gestion de la liquidité plus précises. De plus, l'IA peut contribuer à réduire davantage les obstacles à l'utilisation des projets DeFi. La réalisation d'une série d'interactions en chaîne par le biais d'agents d'IA utilisant des commandes en langage naturel peut réduire considérablement les coûts d'apprentissage pour les utilisateurs.

1,2 Effets synergiques de l'IA et de la DeFi

Avec les progrès constants de la technologie de l'IA, le domaine de la DeFi passe progressivement de modèles de décision purement axés sur le code à des modèles intelligents axés sur les données. L'IA contribue non seulement à améliorer l'efficacité de l'exécution des stratégies, mais découvre également les opportunités et les risques potentiels sur le marché grâce à une analyse approfondie des données, améliorant ainsi le niveau d'intelligence de l'ensemble du système DeFi.

1,2,1 Avantage informationnel : Intégration des données en chaîne et hors chaîne

Dans les protocoles DeFi traditionnels, les données de marché proviennent principalement d'informations en chaîne, telles que les données de transaction de la blockchain, les soldes des pools d'actifs et les statuts des pools de liquidité. Cependant, l'introduction de l'IA permet à la DeFi de combiner organiquement les données hors chaîne avec les données en chaîne, améliorant ainsi les capacités de prédiction. Par exemple, en introduisant des oracles pour fournir des données de prix hors chaîne et en analysant ces données à l'aide de la technologie d'apprentissage automatique, l'IA peut prédire plus précisément les tendances des prix du marché, contribuant ainsi à formuler des stratégies de trading efficaces. Cet avantage de l'intégration de l'information fait de l'IA un outil technologique important dans les protocoles DeFi.

1,2,2 Mise à niveau du jeu : Automatisation du MEV

Dans les systèmes financiers décentralisés, la valeur extractible par les mineurs (MEV) a toujours été un sujet de préoccupation majeur. Le MEV fait référence aux revenus supplémentaires que les mineurs peuvent obtenir en ajustant l'ordre des transactions dans un bloc. Dans le passé, l'extraction du MEV reposait principalement sur des stratégies et des opérations manuelles, qui étaient non seulement inefficaces, mais aussi facilement affectées par des facteurs humains.

Cependant, avec le développement de la technologie de l'IA, les méthodes d'extraction du MEV ont évolué, passant du sniping manuel traditionnel à des opérations intelligentes automatisées. L'IA peut analyser les données en chaîne en quelques millisecondes et optimiser l'ordre des transactions grâce à des algorithmes afin de maximiser les rendements. Cette transformation améliore non seulement l'efficacité, mais pousse également les protocoles DeFi vers des orientations plus efficaces et équitables. Avec l'automatisation de l'IA, les règles du jeu sur les marchés DeFi sont en train d'être redéfinies.

1,3 Définition claire de la DeFAI

DeFAI (DeFi + IA) est le fruit d'une intégration profonde entre la DeFi et l'IA, visant à améliorer l'intelligence, l'expérience utilisateur et l'efficience du capital de l'écosystème DeFi. Son objectif principal est de réaliser une prise de décision automatisée, l'exécution de tâches complexes (telles que le trading, l'optimisation du rendement, les opérations inter-chaînes) et l'abstraction des interactions utilisateur (comme les instructions en langage naturel) grâce à des agents d'IA, réduisant ainsi les obstacles à l'utilisation de la DeFi et optimisant les stratégies financières.

Scénarios d'application principaux de l'IA dans la DeFi

2,1 Exécution d'opérations pilotée par l'IA

Grâce à l'agrégation de divers modèles ou agents d'IA et à l'intégration d'API provenant de diverses applications DeFi, les utilisateurs peuvent rapidement exécuter des opérations DeFi via une interface de chat de type ChatGPT. Cette combinaison DeFAI améliore l'expérience utilisateur on-chain, en fournissant une interface d'opération DeFi unique. Les utilisateurs n'ont plus besoin de naviguer entre différentes interfaces utilisateur pour exécuter des opérations DeFi, ni de rechercher et d'apprendre à combiner divers protocoles pour obtenir les résultats souhaités, comme échanger 100 SOL contre de l'USDC, puis les déposer dans un protocole de prêt. Les utilisateurs ont seulement besoin de communiquer leurs intentions par chat dans l'interface de chat.

Cas : Bankr

Bankr est une plateforme pilotée par l'IA qui exploite une technologie avancée et s'intègre au fournisseur de portefeuilles tiers Privy pour créer en toute sécurité des portefeuilles numériques et faciliter les transactions blockchain, y compris le trading et le transfert d'actifs numériques. (Vidéo de démonstration : https://x.com/bankrbot/status/1893788678776070481)

Cas : Griffain

Un projet DeFAI (DeFi + IA) basé sur la blockchain Solana, dont le positionnement central est celui d'un moteur d'agent d'IA, visant à simplifier les opérations DeFi grâce à l'interaction en langage naturel, réalisant une connexion transparente entre les besoins des utilisateurs et l'écosystème blockchain. Les utilisateurs peuvent interagir directement avec les protocoles DeFi via des instructions en langage naturel (telles que « acheter 200 USDC de SOL » ou « transfert inter-chaînes et staking ») sans avoir à manipuler manuellement des contrats intelligents ni à comprendre les détails techniques sous-jacents.

Griffain déploie en interne plusieurs Agents spécialisés, chacun se concentrant sur des tâches spécifiques :

Agent de gestion des airdrops : suit et réclame automatiquement les airdrops éligibles ;

Agent d'optimisation du rendement : analyse les données on-chain et ajuste dynamiquement l'allocation des actifs pour maximiser les rendements ;

Agent de gestion de portefeuille : surveille les risques liés aux actifs et fournit des suggestions de rééquilibrage ;

Recherche de tokens : génère des rapports basés sur les informations on-chain.

2,2 Évaluation du crédit et gestion des risques

L'évaluation du crédit et la gestion des risques dans la DeFi sont essentielles pour garantir la stabilité du protocole et la sécurité des fonds des utilisateurs. Par rapport aux systèmes financiers traditionnels, le système de crédit de la DeFi est encore imparfait, l'évaluation du crédit des utilisateurs reposant principalement sur des garanties. Cependant, l'introduction de la technologie de l'IA offre des opportunités plus innovantes pour les protocoles DeFi, en particulier dans l'évaluation du crédit et le contrôle des risques.

Cas : Modèle de notation de crédit IA de Spectral Finance

Spectral Finance a introduit pour la première fois le score Multi-Asset Credit Risk Oracle (MACRO) en 2022, combinant le comportement on-chain des utilisateurs avec des données d'historique de crédit pour fournir une analyse plus intelligente du risque de crédit pour les marchés de prêt.

Facteurs clés du modèle de score MACRO

Le score MACRO de Spectral Finance adopte des données multidimensionnelles, notamment l'historique des prêts, des remboursements, des liquidations et même les facteurs de volatilité du marché. Ces données sont traitées quantitativement via des modèles d'apprentissage automatique pour fournir aux utilisateurs des scores de crédit précis. Les scores de crédit des utilisateurs sont basés sur plusieurs facteurs majeurs :

Historique des prêts, des remboursements et des dépôts : comportement transactionnel des utilisateurs sur les protocoles DeFi, en particulier la fréquence et la fiabilité des prêts et des remboursements.

Historique des liquidations : l'impact des enregistrements de liquidation d'autres adresses de portefeuille dans le portefeuille de l'utilisateur sur l'évaluation du crédit.

Facteurs de santé : tels que le ratio prêt/valeur (LTV) et l'évaluation d'autres facteurs de risque de marché.

Durée de l'historique du portefeuille et tendances des transactions : la durée d'utilisation du portefeuille et les modèles de transaction affectent également les scores de crédit.

Volatilité du marché et interaction avec les protocoles de prêt : la fréquence d'interaction avec différents protocoles DeFi et la volatilité du marché jouent également un rôle important dans l'évaluation du crédit.

Tokens NFC (Non-Fungible Credit) et gestion du crédit

Afin de mieux refléter et d'utiliser le crédit des utilisateurs dans l'écosystème DeFi, Spectral Finance a introduit les jetons Non-Fungible Credit (NFC). Les jetons NFC sont des jetons ERC721 représentant l'historique des transactions on-chain des utilisateurs. Chaque jeton NFC porte le score MACRO de l'utilisateur et peut recalculer le score lorsque de nouveaux prêts sont initiés.

Actuellement, Spectral s'est orienté vers le développement d'un framework d'agents d'IA dans son livre blanc, bien que son modèle d'évaluation du crédit par IA reste une bonne exploration.

2,3 Stratégies automatisées et optimisation du rendement

Sur le marché de la DeFi, les stratégies automatisées et l'optimisation du rendement sont essentielles pour améliorer les rendements des utilisateurs et réduire le risque d'investissement. Avec les progrès continus de la technologie de l'IA et de l'apprentissage automatique, de nombreux protocoles innovants ont commencé à explorer comment utiliser ces technologies pour automatiser les décisions d'investissement et l'allocation d'actifs afin d'obtenir une optimisation du rendement plus efficace. ARMA et Amplifi Lending Agents sont deux exemples typiques qui aident les utilisateurs à obtenir de meilleurs rendements d'investissement sur le marché de la DeFi grâce à l'automatisation et à l'intelligence.

Cas : Protocole de gestion d'actifs ARMA

ARMA est un protocole de gestion automatisée du rendement développé par Giza Tech et axé sur les actifs USDC. ARMA surveille et évalue en permanence les opportunités offertes par des protocoles tels que AAVE, Morpho, Compound et Moonwell, en réaffectant automatiquement les fonds aux pools les plus rémunérateurs. Ses fonctions principales comprennent la réaffectation automatique des actifs, l'optimisation du rendement, la minimisation des coûts de transaction et le maintien d'une sécurité forte et d'un contrôle total de l'utilisateur.

La stratégie d'optimisation du rendement d'ARMA fonctionne à travers plusieurs aspects :

Rééquilibrage automatique entre protocoles : ARMA analyse les taux de prêt en temps réel sur plusieurs protocoles de prêt, évalue l'APR, les récompenses de protocole, les récompenses d'écosystème et les coûts de transaction, puis transfère automatiquement les fonds vers les pools les plus favorables. Cet ajustement dynamique garantit aux utilisateurs une maximisation des rendements.

Mécanisme de composition intelligent : ARMA réclame et réinvestit automatiquement les gains accumulés, en échangeant tous les jetons de récompense contre la stablecoin d'origine, maximisant ainsi l'effet de composition. La fréquence de composition est optimisée de manière dynamique en fonction de la taille de la position, de l'APR et des coûts de transaction, ce qui augmente les rendements.

Logique d'échange de jetons : ARMA utilise USDC et USDT pour accéder à un large éventail d'opportunités de rendement. Lorsque la différence de rendement entre les différents jetons est significative, ARMA exécute des swaps de jetons pour optimiser les rendements. Toutes les opérations sont effectuées via des protocoles DEX intégrés, garantissant aux utilisateurs de pouvoir retirer leurs jetons de dépôt d'origine à tout moment.

Cas : Stratégie d'investissement Amplifi Lending Agents

Amplifi Lending Agents est un outil d'optimisation automatisée de la stratégie de prêt développé par Amplifi,Fi et basé sur des algorithmes d'IA. Le protocole optimise le comportement de prêt des utilisateurs et les stratégies de génération de rendement sur le marché de la DeFi grâce à l'apprentissage profond et à l'analyse des données. Son objectif principal est d'aider les utilisateurs à obtenir les meilleurs rendements d'investissement dans des environnements de marché complexes grâce à une allocation intelligente des actifs, à la gestion des risques et à l'optimisation du rendement.

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

Fonctions principales d'Amplifi Lending Agents :

Gestion dynamique des actifs (optimisation et rééquilibrage) : Le moteur d'IA/ML d'Amplifi optimise en permanence l'allocation des actifs sur la base de stratégies propriétaires de niveau institutionnel. Il réaffecte automatiquement les actifs aux pools les plus rémunérateurs et assure une gestion efficace des stratégies Bitcoin et stablecoin.

Fonctionnalité inter-chaînes : Grâce à Polyhedras zkBridge, Amplifi offre une liquidité inter-chaînes transparente, sans que les utilisateurs aient à effectuer manuellement un bridge ou à payer des frais de gas. zkBridge assure des opérations inter-chaînes efficaces et sécurisées, simplifiant l'expérience utilisateur tout en réduisant les risques.

Abstraction de compte : Amplifi prend en charge les transactions sans frais de gas (sponsorisées) et la connexion Web2 (telles que Facebook, Gmail, etc.), ce qui facilite la création et la gestion des portefeuilles pour les utilisateurs. De cette façon, Amplifi simplifie les opérations DeFi, permettant aux utilisateurs non familiarisés avec la blockchain de participer facilement.

Stratégies intelligentes d'Amplifi : Le moteur d'IA/ML d'Amplifi combine plusieurs algorithmes d'optimisation, notamment des algorithmes évolutionnaires, la descente de gradient et la théorie du portefeuille de Markowitz. Ces stratégies équilibrent le risque et le rendement grâce à des méthodes pondérées et optimisent en permanence l'allocation des actifs afin de garantir aux investisseurs les meilleurs rendements dans différentes conditions de marché.

Stratégie d'optimisation : Amplifi évalue en permanence les évolutions du marché et ajuste dynamiquement l'allocation d'actifs grâce à une application complète des techniques d'apprentissage automatique afin de maintenir des rendements annuels stables (APY). Lorsque les fluctuations de l'APY dépassent des seuils raisonnables, le système déclenche automatiquement des stratégies de réallocation pour s'assurer que le portefeuille est toujours dans un état optimal.

Réallocation d'actifs : En surveillant les variations de l'APY sur les plateformes DeFi (telles que AAVE), Amplifi peut automatiquement réallouer les actifs lorsque l'APY fluctue de manière significative afin de maximiser les rendements des utilisateurs.

2,4 Analyse du marché et suivi du sentiment

L'analyse du marché et le suivi du sentiment par l'IA dans la DeFi se concentrent sur l'aide à la décision basée sur les données, avec des capacités essentielles dans l'intégration en temps réel d'informations multidimensionnelles et la quantification du risque de marché. Les systèmes d'IA peuvent simultanément analyser les comportements de transaction on-chain (tels que les transferts importants, les modifications des pools de liquidités), le sentiment des médias sociaux off-chain (tel que le sentiment de Twitter) et les indicateurs macroéconomiques du marché (tels que les fluctuations du prix du BTC), en prédisant les tendances de la volatilité des actifs à court terme grâce à des modèles d'apprentissage automatique et en identifiant les signaux de risque potentiels (tels que les avertissements de vulnérabilité des contrats ou les risques d'épuisement des liquidités). Parallèlement, l'IA utilise la technologie de traitement du langage naturel pour évaluer émotionnellement les événements d'actualité, en générant dynamiquement des suggestions d'allocation d'actifs ou en déclenchant des stratégies de couverture automatiques, aidant ainsi les utilisateurs à réduire l'asymétrie d'information et à améliorer l'efficacité de la prise de décision dans des environnements de marché complexes.

Cas : AIXBT

Un outil d'agent d'IA spécialisé, axé sur le domaine des cryptomonnaies, intégrant l'analyse de données en temps réel et la technologie de traitement du langage naturel pour fournir aux utilisateurs des informations sur les tendances du marché et une aide à la décision en matière de trading. Il peut suivre et analyser en temps réel les sujets d'actualité, le sentiment du marché et les indicateurs clés sur Crypto Twitter, aidant ainsi les investisseurs à saisir rapidement la dynamique du secteur et à identifier les opportunités d'investissement potentielles. Les fonctions principales d'AIXBT comprennent l'agrégation de données multiplateformes, l'analyse du sentiment social et la génération automatisée de stratégies, excellant particulièrement dans l'analyse des tweets de plus de 400 KOL, en extrayant des informations de grande valeur et en générant des suggestions de trading exécutables.

De plus, AIXBT possède des capacités interactives, permettant aux utilisateurs de communiquer directement avec lui via les médias sociaux pour obtenir des rapports d'analyse personnalisés. À l'avenir, à mesure que la technologie des agents d'IA mûrit, AIXBT devrait encore abaisser les barrières à la participation au marché des cryptomonnaies, entraînant la DeFi vers des orientations plus intelligentes et automatisées.

Architecture technique et paysage concurrentiel

3,1 Voies d'accès pour les modèles d'IA on-chain

Actuellement, la direction de développement potentielle la plus courante est la mise en œuvre légère on-chain. Cela implique de réduire la consommation de ressources on-chain en effectuant des calculs off-chain et en transmettant les résultats et les preuves de calcul. Une approche est zkML.

zkML vérifie le processus d'inférence des modèles d'apprentissage automatique grâce à des preuves à divulgation nulle de connaissance (telles que zkSNARKs), garantissant l'exactitude des résultats de calcul sans divulguer les paramètres du modèle ou les données d'entrée. Son processus principal est le suivant :

Calcul off-chain : Exécuter le modèle ML off-chain pour générer des résultats d'inférence.

Générer une preuve : Utiliser la technologie zk pour générer une preuve mathématique concise indiquant que le processus d'inférence est conforme au modèle prédéfini (tel que les poids du modèle, l'architecture) et n'a pas été altéré.

Vérification on-chain : Soumettre la preuve à la blockchain, où les contrats intelligents vérifient la légitimité des résultats en vérifiant la preuve, sans avoir besoin de réexécuter le calcul.

Ce mécanisme résout le problème du coût élevé de l'exécution des modèles ML directement on-chain (telles que les limitations de calcul de l'EVM) tout en garantissant la transparence et la résistance à la censure.

Des cas d'utilisation connexes existent déjà, tels que le framework ZKML de Modulus Labs.

La technologie de base de Modulus Labs est le calcul off-chain + la vérification on-chain, avec des caractéristiques de framework comprenant :

Vérification de l'intégrité de l'exécution de l'IA : S'assurer que les résultats de l'inférence du modèle d'IA ne sont pas altérés grâce à des preuves à divulgation nulle de connaissance (par exemple, garantir l'authenticité des résultats du modèle d'évaluation des prix NFT). Cas : Collaboration avec Upshot pour mettre les résultats de l'évaluation des prix NFT générés par l'IA (100 million par heure) on-chain grâce à des preuves ZK, réalisant ainsi la combinaison de "capacité d'IA + sécurité on-chain".

Mécanisme anti-triche : Dans les scénarios de jeu (tels que AI Arena), vérifier la cohérence entre les modèles d'IA entraînés par les joueurs et les modèles réellement déployés dans les compétitions, empêchant ainsi les comportements de triche motivés par des intérêts économiques.

API ouverte : Fournir des API "IA inviolable" permettant aux développeurs de dApp d'intégrer des fonctionnalités d'IA vérifiables sans sacrifier la sécurité décentralisée.

3,2 Comparaison des principaux projets

Au-delà de la couche d'infrastructure, la concurrence dans la couche d'application DeFAI est intense. Globalement, les barrières à l'entrée des produits ne sont pas très élevées, et aucun protocole d'application ne s'est avéré avoir une stabilité et une précision de produit largement supérieures à celles des autres concurrents. Parallèlement, l'adéquation produit-marché (PMF) des applications existantes est testée par les utilisateurs. Dans l'infrastructure d'IA actuelle, en évolution rapide, des applications DeFAI plus efficaces peuvent émerger à tout moment, remplaçant les projets leaders existants.

Actuellement, le projet leader est Griffain. Leur produit permet aux utilisateurs d'interagir avec la blockchain via le langage naturel, puis d'effectuer des opérations DeFi on-chain. La vitesse de mise à jour des produits de Griffain est impressionnante. Ils ont actuellement des produits tels que Agent Sniper, Agentic Commerce, l'agrégation d'API multi-agents (système énergétique), etc., déjà lancés, la direction générale de la construction étant une plateforme intégrée d'opérations en langage naturel, permettant aux utilisateurs de parcourir et d'exploiter diverses informations quotidiennes on-chain via la fenêtre de chat du bot.

Alors que l'IA continue de remodeler le paysage DeFi grâce à des architectures techniques avancées et à des applications innovantes, il est crucial de reconnaître les risques potentiels et les défis éthiques qui accompagnent cette transformation. Dans la prochaine partie de notre analyse, nous examinerons le côté obscur de la DeFi pilotée par l'IA, en explorant les risques systémiques, les obstacles réglementaires et les dilemmes éthiques qui pourraient définir l'avenir de cet écosystème émergent.

Intégration de l'IA et de la DeFi : Au-delà du jeu en chaîne d'AlphaGo (I)