AI驅動的Bonding Curve組合風險深度探索

Elaine, Jereyme｜作者

Sissi@TEDAO｜译者

译者导读：

本译文将介绍获得 2024 年春季 Token Engineering Commons（简称 “TEC” ）资助的创新提案。TEC 是全球支持和推进 Token Engineering 的重要社区之一，致力于创建和维护一个可持续的生态系统，并通过其论坛和其它资源为社区成员提供支持和协作平台。

该项目利用强化学习和基于 agent 的建模与仿真技术，优化代币生态系统中的 bonding curve 机制。通过探索并应对不同 PAMM & SAMM bonding curve 组合下的潜在恶意策略，项目旨在显著提升代币系统的经济安全性。此外，该项目还致力于推动 Token Engineering 的普及与实践，让更多人能够理解并参与这项前沿技术，为构建更为安全和可持续的代币生态系统铺平道路。

1. 提案详情

1.1 背景概述

bonding curve 是代币生态系统不可或缺的组成部分，它在控制代币价格波动、提供必要流动性、动态化代币供应等方面发挥着关键作用。通过将代币生态系统中多个元素的关系数学化，bonding curve 也打开了代币生态系统“工程控制”的大门。

早在 2018 年，IncentiveAI 团队就提出了将 AI-agent 用于机制优化的理念，通过观察 greedy Machine Learning agents 的行为，识别系统部署到真实环境后用户可能发生的行为，通过比较真实行为与预期行为之间的差异来不断优化机制设计。他们还将这一理念应用于 Ocean 协议的bonding curve 研究之中。然而遗憾的是，该项目最终并没有大规模落地，且目前找不到任何可供参考或运行的项目代码。

自 2023 年起，BCRG (Bonding Curve Research Group) 对 bonding curve 进行了较为全面的研究、开发、教育和应用，尤其是在 PAMM （Primary Automated Market Maker）与 SAMM （Secondary Automated Market Maker） 的 bonding curve 联合研究上。但根据 BCRG 在 Modeling & Simulating bonding curves 中的描述，可能由于资源的限制，目前还没有进入到恶意策略探索、渗透测试、假设分析等更深层次的研究之中。

我们团队长期专注于 Token Engineering 领域的探索，致力于用 agent-based modeling and simulation 来解决复杂系统的设计与优化问题。

1.2 项目简介

在本提案中，我们旨在继承 Incentive AI 的理念，通过经强化学习训练的AI-agent 去探索不同 PAMM 和 SAMM bonding curve 组合下潜在攻击者的恶意策略，并通过进一步的比较分析与行为空间探索，寻找相对稳定与优质的 bonding curve 参数组合，以此不断优化协议的机制设计，缩小预期行为和真实行为之间的 gap，降低代币生态系统的经济安全风险。

具体来讲，在 PAMM bonding curve 的选择上，我们选取最常见的 Linear、Exponential、Power 和 Sigmoid 四种类型；在 SAMM bonding curve 的选择上，我们选取最常见的恒定乘积（e.g Uniswap）和混合型（e.g Curve）两种类型，由此产生 8 种 PAMM 与 SAMM 的组合方案。我们将采用 agent-based modeling and simulation 的方法进行实验，利用 AI-agent 探索出每种方案的潜在恶意策略集合以及各自发生的概率高低，并通过模拟结果直观展示恶意策略对系统造成的后果，尽可能通过实验探索出相对科学的恶意攻击应对策略与 bonding curve 机制优化方案。

同时，我们申请到了 Holobit 的高级账号赞助，将借助这一先进的建模仿真平台，全透明我们的模型搭建细节及整个实验过程。

• 可能的创新点

I. 将强化学习引入 Token Engineering，形成一套基于 AI-agent 与 agent-based modeling and simulation 的协议机制优化方法；

II. 该方法具有普适性，可落地，可复用，可能对整个代币生态系统的经济安全有一定的帮助；

III.得益于 Holobit 这一强大工具，本模型能够被大众读懂、会用、可验证。

• 项目的短期目标‍

I. 利用 AI-agent 探索不同 PAMM 和 SAMM bonding curve 组合下的潜在恶意策略，识别出各种机制组合下的可能风险，并探索出相应的风险应对策略与机制优化方案；

II.为 bonding curve 的发展提供一套相对科学严谨的研究方法；

III.根据实验结果，从 bonding curve 角度提出若干提高代币生态系统经济安全性的建议。

• 项目的长期目标‍

透過結合AI 的Agent-based modeling and simulation 方法的普及與Token Engineering 的推廣，使得人人都有可能成為Token Engineer，從而為「以community-driven 的方式去中心化地建構更反脆弱和永續的代幣生態系統」打下堅實基礎，進一步推廣Token Engineering，並加速其理論和實踐層面的發展。

2. 預期成果

借助Holobit 工具進行agent-based 建模，預計交付以下成果：

• 一個引入AI-agent 的代幣經濟鏈下模擬模型，包含8 種PAMM 與SAMM 組合的實驗方案。同時，模型完全透明，人人都能讀懂、會用、可驗證；

• 一份基於AI-agent 探索出的不同PAMM 與SAMM bonding curve 組合下的潛在惡意攻擊策略的研究報告（包括建模流程、實驗內容、漏洞風險及最佳化方案）。

3. 使命與價值對齊

• # 便捷：Holobit 支持公開分享，且建模邏輯簡單，做到了視覺化與直覺化，確保人人都能讀、會用、可驗證。因此，本模型得以作為公共物品開放，所有人均可存取與測試，如已給出的 Terra/ LUNA 生態系統案例。

• 教育：透過詳細的模型和模擬教程，專案可以幫助大眾深入了解bonding curve 的工作原理及其在代幣生態系統中的關鍵作用；透過agent-based modeling and simulation，專案可以向大眾展示如何分析和處理複雜系統中的動態關係和潛在風險。這種技能是廣泛適用的，也是研究 Token Engineering 的關鍵技能，如果可以透過此模式將這套方法論與工具在社群中推廣普及，則可以進一步推動 Token Engineering 的普及、發展與實踐應用。

• 透明：只有大眾能讀懂才算真正的透明，本模型不涉及程式碼，透過Holobit 工具將建模機制和實驗過程視覺化。透過建模與實驗，不只將模型的機制透明，也進一步將機制設計的風險透明，並給出了具體的修復意見。

• 社群驅動：社群可以 fork 此模型進行各種各樣的實驗，不僅限於bonding curve，還可用於治理、成長等的研究。更重要的是，這套方法論與工具還可以復用在其它協議上，每個人都可以在社區中公開自己的研究成果，披露某個代幣生態系統的漏洞與可優化之處，真正實現社區驅動的自監管。

• 與 Token Engineering 原則對齊：當掌握這套方法和工具之後，人人可以基於這些技能去做協議的經濟安全審計。因此「去中心化地完成代幣工程」成為可能，我們可以匯集群體智慧的力量建構起更反脆弱、可持續的代幣生態系統。

#

以上是AI驅動的Bonding Curve組合風險深度探索的詳細內容。更多資訊請關注PHP中文網其他相關文章！