هوش مصنوعی وعده یک عصر جدید برای دیفای می‌دهد، اما اتوماسیون هنوز به دیوار برخورد می‌کند

بیشتر سر و صداهای مربوط به هوش مصنوعی در دیفای بر روی لایه نادرست متمرکز است.

مردم همچنان درباره هوش مصنوعی صحبت می‌کنند گویی که یک رابط کاربری بهتر است: یک چت‌بات که کشاورزی با بازده اهرمی را توضیح می‌دهد، یک کمک‌راننده که به شما کمک می‌کند یک وایت‌پیپر را بخوانید. این واقعی و مؤثر است، اما تأثیرگذار نیست.

تغییر واقعی در اجرا است. اگر به درستی ساخته شود، سیستم‌های هوش مصنوعی می‌توانند وضعیت زنجیره‌ای را مشاهده کنند، تصمیم بگیرند و تراکنش‌ها را در سراسر مبادلات، پل‌ها، سپرده‌های دارایی و سایر اقدامات بدون نیاز به کلیک کردن "تأیید" توسط انسان، فعال کنند.

اما قبل از اینکه درباره داستان اتوماسیون هیجان‌زده شوید، ارزش دارد بپرسید: هوش مصنوعی در واقع بر روی کدام لایه عمل می‌کند؟ یک شکاف بزرگ بین هوش مصنوعی به عنوان یک ابزار تحقیق، هوش مصنوعی به عنوان یک مجری تراکنش و هوش مصنوعی به عنوان یک لایه مدیریت ریسک وجود دارد. اولی نسبتاً بی‌ضرر است، در حالی که سومی می‌تواند خزانه را خراب کند.

جایی که هوش مصنوعی واقعاً در ساختار دیفای قرار دارد

به آن به عنوان سه لایه فکر کنید، زیرا بیشتر محصولات به شما نمی‌گویند که در کدام لایه واقعاً عمل می‌کنند.

لایه رابط کاربری آسان‌ترین پیروزی است. مسیریابی به زبان طبیعی و دستیارهای کیف پول در حال حاضر وجود دارند. اگر بتوانید بنویسید "10K USDC را از آربیترا به بیس منتقل کن و بهترین استخر وام را پیدا کن" و یک عامل مسیریابی را مدیریت کند، این فشرده‌سازی عملیاتی محکمی است.

لایه استراتژی جایی است که بازاریابی کمی فراتر می‌رود با آنچه که به اصطلاح تخصیص بازده، مسیریابی استیبل‌کوین، مدیریت وثیقه و توصیه‌های هج پرپ می‌نامند. بیشتر "آلفای هوش مصنوعی" در این لایه فقط اتوماسیون جریان کار با UX بهتر است. منطق معمولاً ایستا است زیرا بازده محدود به این نیست که چقدر خوب یک درخواست بنویسید؛ بلکه محدود به نقدینگی، مشوق‌های پروتکل و ریسک است. ادعای "آلفای هوش مصنوعی" به ندرت در یک حسابرسی واقعی معتبر است.

لایه کنترل به طور قابل توجهی underrated است، شامل اما نه محدود به دروازه‌های ریسک، شبیه‌سازی تراکنش، تأییدهای مبتنی بر سیاست، محرک‌های override انسانی و مجوزهای چند امضایی. در یک محیط با ریسک بالا، سیستمی که شما را از انجام کار احمقانه‌ای در ساعت 2 صبح باز می‌دارد، بیشتر از پنج پیشنهاد جدید بازده ارزش دارد.

بیشتر محصولات ضعیف هوش مصنوعی-دیفای لایه‌های استراتژی و کنترل را با هم ترکیب می‌کنند و عمداً پنهان می‌کنند که نقطه شکست واقعی کجاست. شما باید بدانید که در کدام لایه عمل می‌کنید قبل از اینکه به آن اعتماد کنید.

چه چیزی واقعاً امروز ارزش استفاده دارد

اگر نظریه را نادیده بگیرید، در حال حاضر چه چیزی در زنجیره کار می‌کند.

اجراهای چند مرحله‌ای دیفای فوری‌ترین و عملی‌ترین هستند. جابجایی سرمایه در سه پروتکل می‌تواند 20 دقیقه کلیک دستی و نظارت بر گاز هزینه داشته باشد. چارچوب‌های سیاست اتوماسیون شده در بلاکچین‌های EVM اکنون می‌توانند این کار را در یک مرحله انجام دهند.

مدیریت خزانه و استیبل‌کوین برای DAOها و پروتکل‌ها یک مورد استفاده بزرگ، اما متأسفانه عمدتاً دست‌نخورده است. تعداد زیادی از DAOها اجازه می‌دهند استیبل‌کوین‌ها بی‌کار بمانند زیرا هیچ‌کس ظرفیت چرخش آن‌ها را ندارد. نظارت با کمک هوش مصنوعی می‌تواند تغییرات نرخ را شناسایی کند و تخصیص‌های مجددی را برای تأیید انسان پیشنهاد دهد. این یک مثال از اجرای مؤثر سیاست است.

نظارت بر ریسک بیشتر از آنچه که بیشتر مردم اعتراف می‌کنند، اهمیت دارد. واضح است که ربات‌ها بهتر از انسان‌ها در نظارت بر آستانه‌های تصفیه و انحرافات اوراکل 24/7 هستند. یک تیم کوچک با پوشش اتوماسیون شده همیشه بهتر از یک تیم بزرگ است که به صورت دستی داشبوردها را نظارت می‌کند.

فشرده‌سازی تحقیقات زنجیره‌ای کمتر از حد ارزش‌گذاری شده است. تبدیل هزاران صفحه رأی‌گیری حکومتی و برنامه‌های انتشار به داده‌های آماده تصمیم‌گیری، تأخیر را برای تحلیلگران کاهش می‌دهد.

اما قبل از اینکه هر یک از این موارد به یک تصمیم تجاری یا تخصیص منجر شود، شما به زمینه سطح بازار نیاز دارید. شناسایی سریع چرخش بخش یا خوشه‌های نوسان به شما می‌گوید که آیا آنچه که هوش مصنوعی شناسایی کرده است، ایزوله است یا بخشی از یک حرکت وسیع‌تر که ارزش بررسی بیشتر دارد.

قسمتی که هیچ‌کس نمی‌خواهد به‌طور علنی بگوید

هوش مصنوعی قراردادهای هوشمند را ایمن‌تر نمی‌کند. در واقع، این یک تسریع‌کننده است. هر ذره ریسکی که در پروتکل‌های زیرین وجود دارد را به ارث می‌برد. اگر یک قرارداد یک کلید مدیریت بد یا یک وابستگی ترکیبی عجیب داشته باشد، هوش مصنوعی فقط با آن نقص سریع‌تر تعامل خواهد کرد. این‌ها به دلیل اینکه یک عامل هوش مصنوعی تراکنش را انجام می‌دهد به جای یک انسان، ناپدید نمی‌شوند.

وابستگی به اوراکل با وجود هوش مصنوعی در حلقه بدتر می‌شود، نه بهتر. یک سیستم هوش مصنوعی که داده‌های قیمت را بدون شک و تردید مصرف می‌کند خطرناک است زیرا در مقیاس عمل می‌کند. یک فید با نقدینگی پایین که دستکاری شده است می‌تواند یک زنجیره از شکست‌های اتوماسیون شده را قبل از اینکه یک انسان بتواند مداخله کند، فعال کند.

بدون یک لایه شبیه‌سازی و نظارت در زمان اجرا، شما در حال ساخت "مالی خودمختار" نیستید، بلکه در واقع در حال ساخت یک روش سریع‌تر برای از دست دادن پول هستید.

خطاهای اجرایی در دیفای هزینه واقعی و فوری دارند، از زنجیره نادرست، توکن نادرست، فرضیات بد لغزش، تا قرار گرفتن در معرض تأیید، یا محاسبه نادرست مسیر پل. یک درخواست تأیید از دست رفته در یک جریان کار دستی آزاردهنده است. یک سیستم اتوماسیون شده که همان اشتباه را در یک تخصیص خزانه 500K دلاری انجام می‌دهد، نوع متفاوتی از مشکل است. شبیه‌سازی تراکنش و نظارت در زمان اجرا حداقل لایه ایمنی قابل قبول است و هرگز نباید نادیده گرفته شود.

جایی که هیاهو بلند می‌شود و منطق ساکت می‌شود

"عامل بهتر از انسان‌ها بازده را پیدا خواهد کرد." معمولاً این یک خزانه با زبان برند است. بازده تابعی از نقدینگی و ساختار مشوق است، نه مهندسی درخواست.

"عامل‌های تجاری خودمختار به طور مداوم در زنجیره بهتر عمل خواهند کرد." مزیت به سرعت کاهش می‌یابد. اگر 500 عامل در حال تعقیب همان فرصت زنجیره‌ای باشند، حاشیه قبل از اینکه تراکنش حتی به ممپول برسد، از بین می‌رود.

"هوش مصنوعی می‌تواند پروتکل‌ها را به تنهایی حسابرسی کند." این خطرناک‌ترین روایت است. هوش مصنوعی برای ارزیابی آسیب‌پذیری عالی است، اما شایستگی جزئی در امنیت بدتر از عدم شایستگی است زیرا اعتماد کاذب ایجاد می‌کند. این جایگزینی برای یک حسابرسی رسمی نیست. تیم‌هایی که بررسی کد هوش مصنوعی را به عنوان "شبکه ایمنی" خود در نظر می‌گیرند، در حال انجام شرطی هستند که نباید انجام دهند.

چه چیزی یک سیستم مالی خودمختار جدی نیاز دارد

اگر می‌خواهید هوش مصنوعی را در دیفای به کار ببرید بدون اینکه مانند یک توریست عمل کنید، باید به این موضوع در چهار لایه فکر کنید.

لایه داده باید جامع باشد: وضعیت زنجیره‌ای، فیدهای اوراکل، معیارهای خاص پروتکل، فیدهای حکومتی، داده‌های پل و نقدینگی. زباله وارد، ضرر سرمایه خارج.

لایه تصمیم‌گیری نیاز به محدودیت‌های سیاست و آستانه‌های اعتماد دارد، نه درخواست‌های باز. ربات در حیطه خود باقی می‌ماند.

لایه اجرایی باید شامل شبیه‌سازی تراکنش، مقایسه مسیر، بررسی‌های لغزش و حداقل‌سازی تأیید قبل از اینکه چیزی به زنجیره برسد، باشد. اگر سیستم نتواند به شما نشان دهد که قرار است چه کاری انجام دهد قبل از اینکه آن را انجام دهد، این یک علامت خطر است.

لایه نظارت جایی است که بیشتر تیم‌ها کوتاهی می‌کنند: محرک‌های تأیید انسانی، کلیدهای قطع، محدودیت‌های هزینه، لاگ‌های حسابرسی، مجوزهای مبتنی بر نقش. شما به یک لاگ حسابرسی نیاز دارید برای زمانی که چیزها در نهایت به سمت نادرست می‌روند.

برخی از چارچوب‌های عامل هوش مصنوعی در حال حاضر از مدیریت کیف پول، پرداخت‌های خودکار، اجرای کنترل‌شده بر اساس سیاست و مسیریابی به بسیاری از اقدامات زنجیره‌ای در چندین پروتکل و زنجیره پشتیبانی می‌کنند. می‌توان با اطمینان گفت که ابزارها وجود دارند، اما سیاست را طراحی نمی‌کنند. این کار شماست. اتوماسیون محدود فقط به اندازه محدودیت‌هایی که تعیین می‌کنید خوب است.

هر گروه چه کاری باید انجام دهد

تجارت‌گران باید از هوش مصنوعی برای فشرده‌سازی تحقیقات، نظارت بر شرایط و اجرای انضباط اجرایی استفاده کنند، اما هرگز "چقدر" (اندازه‌گیری) را برون‌سپاری نکنند. این نیاز به زمینه انسانی دارد. قبل از اجرای هر هج یا تخصیص بی‌طرف بازار که با کمک هوش مصنوعی انجام می‌شود، بررسی داشبوردهای مشتقات یا بازارهای پرپ تأیید می‌کند که آیا بازار واقعاً برای حرکتی که مدل پیشنهاد می‌دهد، آماده است یا خیر.

سازندگان باید یک گلوگاه عملیاتی پرهزینه را با یک جریان کار محدود حل کنند قبل از اینکه هر چیزی "عامل‌محور" بسازند. محصولاتی که زنده خواهند ماند، آن‌هایی هستند که دارای ردپای حسابرسی واضح و تأییدهای معنادار هستند، نه آن‌هایی که ویدیوهای نمایشی چشمگیر دارند.

تخصیص‌دهندگان و خزانه‌های DAO باید به هوش مصنوعی به عنوان یک لایه عملیاتی نگاه کنند. با نظارت شروع کنید و اعتماد به رفتار سیستم را کسب کنید قبل از اینکه حقوق اجرای مستقیم را اعطا کنید. وقتی یک عامل اشتباه می‌کند، کسی باید مسئول باشد و این ساختار مسئولیت باید قبل از استقرار وجود داشته باشد، نه بعد از حادثه.

چه چیزی در پیش است و چه چیزی هنوز خراب است

مرحله بعدی جایگزینی کاربران دیفای با هوش مصنوعی نیست. این موضوع محدودتر از آن است: سیستم‌هایی که کارهای کمتری انجام می‌دهند، اما آن‌ها را به طور قابل اعتماد تحت محدودیت‌ها انجام می‌دهند.

آنچه که هنوز حل نشده است سخت‌تر است: قابلیت اطمینان مدل تحت فشار بازار، تزریق درخواست‌های خصمانه به ورودی‌های عامل، وابستگی به اوراکل و پل، مسئولیت قانونی زمانی که عوامل اشتباه می‌کنند. این‌ها مشکلات مهندسی با راه‌حل‌های تمیز نیستند. این‌ها مشکلات اعتمادی هستند که تنها به آرامی از طریق سوابق قابل ساخت هستند.

پروژه‌هایی که در این فضا برنده می‌شوند، روایت‌های "هوش مصنوعی x دیفای" با بیشترین وعده نخواهند بود. آن‌ها تیم‌هایی خواهند بود که عملیات مالی چند مرحله‌ای واقعاً نامنظم را به جریان‌های کنترل‌شده، قابل بازرسی و قابل حسابرسی تبدیل کرده‌اند و می‌توانند حالت‌های شکست را که در اطراف آن طراحی کرده‌اند، به شما نشان دهند.