Pendahuluan: Ketika AI Menjadi "Pemain Baru" dalam Permainan On-Chain

Pada tahun 2025, Total Value Locked (TVL) dalam protokol DeFi global melampaui $100 miliar, namun masalah seperti inefisiensi pasar dan fragmentasi likuiditas masih belum terpecahkan. Sementara itu, pertumbuhan eksplosif teknologi AI (seperti GPT-4, Llama 2) telah memperkenalkan variabel baru ke DeFi—agen AI. "Robot" on-chain ini tidak hanya dapat menjalankan strategi yang telah ditetapkan tetapi juga secara dinamis mengoptimalkan keputusan melalui pembelajaran mesin dan bahkan terlibat dalam permainan dengan sistem AI lainnya. Namun, revolusi teknologi ini disertai dengan kontroversi tajam: Apakah AI akan mendorong DeFi menuju jurang permainan zero-sum? Bagaimana keadilan dapat dijamin di pasar on-chain?

Di bagian pertama, kita akan melihat secara mendalam kasus ikonik dan mengungkap jalur teknis integrasi AI dan DeFi, dan di bagian kedua, kita akan fokus pada dampak ekonomi dan potensi risiko.

AI Membentuk Ulang Logika Dasar DeFi

1.1 Kebutuhan Evolusioner DeFi

Sejak integrasi teknologi blockchain dengan decentralized finance (DeFi), ekosistem DeFi telah mengalami inovasi dan perkembangan pesat. Pada tahap awal, prinsip inti DeFi adalah "kode adalah hukum," yang berarti semua protokol dan perilaku transaksi dikendalikan oleh smart contract, mengurangi ketergantungan pada perantara. Namun, seiring dengan meluasnya skala pasar dan melonjaknya volume transaksi, kebutuhan DeFi telah berubah, dengan operasi keuangan yang lebih kompleks dan persyaratan strategis yang muncul, mendorong DeFi ke arah yang lebih halus dan cerdas.

High-frequency trading, manajemen likuiditas, dan strategi arbitrase—sangat umum di pasar keuangan tradisional—secara bertahap menembus ranah DeFi. Dengan meningkatnya volatilitas dan kompleksitas pasar, aturan tradisional dan algoritma statis tidak lagi dapat memenuhi permintaan. Pada titik ini, pengenalan AI menjadi kunci untuk memecahkan masalah ini. Melalui deep learning dan algoritma optimasi, AI dapat menganalisis sejumlah besar data pasar secara real-time untuk merumuskan strategi perdagangan dan solusi manajemen likuiditas yang lebih tepat. Selain itu, AI dapat membantu menurunkan hambatan untuk menggunakan proyek DeFi. Melakukan serangkaian interaksi on-chain melalui agen AI menggunakan perintah bahasa alami dapat secara signifikan mengurangi biaya pembelajaran pengguna.

1.2 Efek Sinergis AI dan DeFi

Dengan kemajuan berkelanjutan teknologi AI, bidang DeFi secara bertahap beralih dari murni berbasis kode menjadi model keputusan cerdas berbasis data. AI tidak hanya membantu meningkatkan efisiensi pelaksanaan strategi tetapi juga menemukan peluang dan risiko potensial di pasar melalui analisis data yang mendalam, sehingga meningkatkan tingkat kecerdasan seluruh sistem DeFi.

1.2.1 Keunggulan Informasi: Integrasi Data On-Chain dan Off-Chain

Dalam protokol DeFi tradisional, data pasar terutama berasal dari informasi on-chain, seperti data transaksi blockchain, saldo kumpulan aset, dan status liquidity pool. Namun, pengenalan AI memungkinkan DeFi untuk secara organik menggabungkan data off-chain dengan data on-chain, yang selanjutnya meningkatkan kemampuan prediksi. Misalnya, dengan memperkenalkan oracles untuk menyediakan data harga off-chain dan menganalisis data ini menggunakan teknologi machine learning, AI dapat lebih akurat memprediksi tren harga pasar, sehingga membantu merumuskan strategi perdagangan yang efisien. Keunggulan integrasi informasi ini menjadikan AI sebagai alat teknologi penting dalam protokol DeFi.

1.2.2 Peningkatan Permainan: Otomatisasi MEV

Dalam sistem keuangan terdesentralisasi, Miner Extractable Value (MEV) secara konsisten menjadi topik perhatian yang hangat. MEV mengacu pada pendapatan tambahan yang dapat diperoleh penambang dengan menyesuaikan urutan transaksi dalam sebuah blok. Di masa lalu, ekstraksi MEV terutama bergantung pada strategi dan operasi manual, yang tidak hanya tidak efisien tetapi juga mudah dipengaruhi oleh faktor manusia.

Namun, dengan perkembangan teknologi AI, metode ekstraksi MEV telah berevolusi dari sniping manual tradisional menjadi operasi cerdas otomatis. AI dapat menganalisis data on-chain dalam milidetik dan mengoptimalkan pemesanan transaksi melalui algoritma untuk memaksimalkan pengembalian. Transformasi ini tidak hanya meningkatkan efisiensi tetapi juga mendorong protokol DeFi ke arah yang lebih efisien dan adil. Dengan otomatisasi AI, aturan permainan di pasar DeFi sedang didefinisikan ulang.

1.3 Definisi Jelas DeFAI

DeFAI (DeFi + AI) adalah produk dari integrasi mendalam antara DeFi dan AI, yang bertujuan untuk meningkatkan kecerdasan, pengalaman pengguna, dan efisiensi modal dari ekosistem DeFi. Intinya adalah untuk mencapai pengambilan keputusan otomatis, eksekusi tugas kompleks (seperti perdagangan, optimasi hasil, operasi lintas rantai), dan abstraksi interaksi pengguna (seperti instruksi bahasa alami) melalui agen AI, sehingga menurunkan hambatan untuk penggunaan DeFi dan mengoptimalkan strategi keuangan.

Skenario Aplikasi Inti AI di DeFi

2.1 Eksekusi Operasi yang Digunakan AI

Melalui agregasi berbagai model atau agen AI dan integrasi API dari berbagai aplikasi DeFi, pengguna dapat dengan cepat menjalankan operasi DeFi melalui antarmuka obrolan seperti ChatGPT. Kombinasi DeFAI ini meningkatkan pengalaman pengguna on-chain, menyediakan antarmuka operasi DeFi satu atap. Pengguna tidak perlu lagi menavigasi antara UI yang berbeda untuk menjalankan operasi DeFi, mereka juga tidak perlu mencari dan mempelajari cara menggabungkan berbagai protokol untuk mencapai hasil yang mereka inginkan, seperti menukar 100 SOL ke USDC dan kemudian menyetorkannya ke protokol pinjaman. Pengguna hanya perlu menyampaikan niat mereka melalui obrolan di antarmuka Obrolan.

Kasus: Bankr

Bankr adalah platform berbasis AI yang memanfaatkan teknologi canggih dan terintegrasi dengan penyedia dompet pihak ketiga Privy untuk membuat dompet digital secara aman dan memfasilitasi transaksi blockchain, termasuk perdagangan dan transfer aset digital. (Video demo: https://x.com/bankrbot/status/1893788678776070481)

Kasus: Griffain

Proyek DeFAI (DeFi + AI) berdasarkan blockchain Solana, posisi intinya adalah sebagai mesin agen AI, yang bertujuan untuk menyederhanakan operasi DeFi melalui interaksi bahasa alami, mencapai koneksi tanpa batas antara kebutuhan pengguna dan ekosistem blockchain. Pengguna dapat berinteraksi langsung dengan protokol DeFi melalui instruksi bahasa seperti manusia (seperti "beli SOL senilai 200 USDC" atau "transfer lintas rantai dan stake") tanpa harus mengoperasikan smart contract secara manual atau memahami detail teknis yang mendasarinya.

Griffain menggunakan beberapa Agen khusus secara internal, masing-masing berfokus pada tugas-tugas tertentu:

Agen manajemen Airdrop: Secara otomatis melacak dan mengklaim airdrop yang memenuhi syarat;

Agen optimasi hasil: Menganalisis data on-chain dan secara dinamis menyesuaikan alokasi aset untuk memaksimalkan pengembalian;

Agen manajemen portofolio: Memantau risiko aset dan memberikan saran penyeimbangan kembali;

Riset Token: Menghasilkan laporan berdasarkan informasi on-chain.

2.2 Penilaian Kredit dan Manajemen Risiko

Penilaian kredit dan manajemen risiko di DeFi adalah kunci untuk memastikan stabilitas protokol dan keamanan dana pengguna. Dibandingkan dengan sistem keuangan tradisional, sistem kredit DeFi masih belum sempurna, dengan penilaian kredit pengguna terutama bergantung pada jaminan. Namun, pengenalan teknologi AI memberikan peluang yang lebih inovatif untuk protokol DeFi, terutama dalam penilaian kredit dan pengendalian risiko.

Kasus: Model Penilaian Kredit AI Spectral Finance

Spectral Finance pertama kali memperkenalkan skor Multi-Asset Credit Risk Oracle (MACRO) pada tahun 2022, menggabungkan perilaku on-chain pengguna dengan data riwayat kredit untuk memberikan analisis risiko kredit yang lebih cerdas untuk pasar pinjaman.

Faktor Inti dari Model Skor MACRO

Skor MACRO Spectral Finance mengadopsi data multi-dimensi, termasuk pinjaman, pembayaran kembali, riwayat likuidasi, dan bahkan faktor volatilitas pasar. Data ini diproses secara kuantitatif melalui model machine learning untuk memberikan skor kredit yang tepat kepada pengguna. Skor kredit pengguna didasarkan pada beberapa faktor utama:

Riwayat pinjaman, pembayaran kembali, dan setoran: Perilaku transaksi pengguna pada protokol DeFi, terutama frekuensi dan keandalan pinjaman dan pembayaran kembali.

Riwayat likuidasi: Dampak catatan likuidasi dari alamat dompet lain di dompet pengguna pada penilaian kredit.

Faktor kesehatan: Seperti rasio loan-to-value (LTV) dan penilaian faktor risiko pasar lainnya.

Panjang riwayat dompet dan tren transaksi: Waktu penggunaan dompet dan pola transaksi juga memengaruhi skor kredit.

Volatilitas pasar dan interaksi dengan protokol pinjaman: Frekuensi interaksi dengan protokol DeFi yang berbeda dan volatilitas pasar juga memainkan peran penting dalam penilaian kredit.

Token NFC (Non-Fungible Credit) dan Manajemen Kredit

Untuk lebih mencerminkan dan memanfaatkan kredit pengguna di ekosistem DeFi, Spectral Finance memperkenalkan token Non-Fungible Credit (NFC). Token NFC adalah token ERC721 yang mewakili riwayat transaksi on-chain pengguna. Setiap token NFC membawa skor MACRO pengguna dan dapat menghitung ulang skor saat pinjaman baru dimulai.

Saat ini, Spectral telah beralih ke pengembangan kerangka kerja agen AI dalam whitepaper mereka, meskipun model penilaian kredit AI mereka tetap merupakan eksplorasi yang baik.

2.3 Strategi Otomatis dan Optimasi Hasil

Di pasar DeFi, strategi otomatis dan optimasi hasil (yield) adalah kunci untuk meningkatkan pengembalian (return) pengguna dan mengurangi risiko investasi. Dengan kemajuan berkelanjutan dari teknologi AI dan pembelajaran mesin, beberapa protokol inovatif telah mulai menjajaki bagaimana menggunakan teknologi ini untuk mengotomatiskan keputusan investasi dan alokasi aset untuk mencapai optimasi hasil (yield) yang lebih efisien. ARMA dan Amplifi Lending Agents adalah dua contoh tipikal yang membantu pengguna mencapai pengembalian (return) investasi yang lebih baik di pasar DeFi melalui otomatisasi dan kecerdasan.

Kasus: Protokol Manajemen Aset ARMA

ARMA adalah protokol manajemen hasil (yield) otomatis yang dikembangkan oleh Giza Tech yang berfokus pada aset USDC. ARMA terus memantau dan mengevaluasi peluang di seluruh protokol seperti AAVE, Morpho, Compound, dan Moonwell, secara otomatis mengalokasikan kembali dana ke kumpulan (pool) dengan hasil (yield) tertinggi. Fungsi intinya meliputi realokasi aset otomatis, optimasi hasil (yield), minimalisasi biaya transaksi, dan menjaga keamanan yang kuat serta kontrol pengguna yang lengkap.

Strategi optimasi hasil (yield) ARMA beroperasi melalui beberapa aspek:

Penyeimbangan kembali (rebalancing) otomatis lintas protokol: ARMA menganalisis tingkat pinjaman (lending rate) secara real-time di seluruh protokol pinjaman (lending), mengevaluasi APR, imbalan protokol, imbalan ekosistem, dan biaya transaksi, kemudian secara otomatis mentransfer dana ke kumpulan (pool) yang paling menguntungkan. Penyesuaian dinamis ini memastikan pengguna dapat memaksimalkan pengembalian (return).

Mekanisme compounding cerdas: ARMA secara otomatis mengklaim dan menginvestasikan kembali pendapatan yang terakumulasi, menukar semua token imbalan kembali ke stablecoin asli, memaksimalkan efek compounding. Frekuensi compounding dioptimalkan secara dinamis berdasarkan ukuran posisi, APR, dan biaya transaksi, meningkatkan hasil (yield).

Logika pertukaran token: ARMA menggunakan USDC dan USDT untuk mengakses berbagai peluang hasil (yield). Ketika perbedaan hasil (yield) antara token yang berbeda signifikan, ARMA mengeksekusi pertukaran token untuk mengoptimalkan pengembalian (return). Semua operasi dilakukan melalui protokol DEX terintegrasi, memastikan pengguna dapat menarik token deposit asli mereka kapan saja.

Kasus: Strategi Investasi Amplifi Lending Agents

Amplifi Lending Agents adalah alat optimasi strategi pinjaman (lending) otomatis yang dikembangkan oleh Amplifi.Fi berdasarkan algoritma AI. Protokol ini mengoptimalkan perilaku pinjaman (lending) pengguna dan strategi generasi hasil (yield) di pasar DeFi melalui pembelajaran mendalam dan analisis data. Tujuan utamanya adalah untuk membantu pengguna mencapai pengembalian (return) investasi terbaik di lingkungan pasar yang kompleks melalui alokasi aset cerdas, manajemen risiko, dan optimasi hasil (yield).

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

Fungsi inti Amplifi Lending Agents:

Manajemen aset dinamis (optimasi dan penyeimbangan kembali (rebalancing)): Mesin AI/ML Amplifi terus mengoptimalkan alokasi aset berdasarkan strategi tingkat institusional eksklusif. Secara otomatis mengalokasikan kembali aset ke kumpulan (pool) dengan hasil (yield) tertinggi dan memastikan pengelolaan Bitcoin dan strategi stablecoin yang efektif.

Fungsionalitas lintas rantai (cross-chain): Melalui Polyhedras zkBridge, Amplifi menyediakan likuiditas lintas rantai (cross-chain) tanpa hambatan, dengan pengguna tidak perlu menjembatani (bridge) secara manual atau membayar biaya gas. zkBridge memastikan operasi lintas rantai (cross-chain) yang efisien dan aman, menyederhanakan pengalaman pengguna sekaligus mengurangi risiko.

Abstraksi akun: Amplifi mendukung transaksi bebas gas (ditanggung sponsor) dan login Web2 (seperti Facebook, Gmail, dll.), sehingga memudahkan pengguna untuk membuat dan mengelola dompet. Dengan cara ini, Amplifi menyederhanakan operasi DeFi, memungkinkan pengguna yang tidak terbiasa dengan blockchain untuk berpartisipasi dengan mudah.

Strategi cerdas Amplifi: Mesin AI/ML Amplifi menggabungkan beberapa algoritma optimasi, termasuk algoritma evolusioner, penurunan gradien, dan teori portofolio Markowitz. Strategi ini menyeimbangkan risiko dan pengembalian (return) melalui metode pembobotan dan terus mengoptimalkan alokasi aset untuk memastikan investor mencapai pengembalian (return) terbaik di bawah kondisi pasar yang berbeda.

Strategi optimasi: Amplifi terus mengevaluasi perubahan pasar dan secara dinamis menyesuaikan alokasi aset melalui penerapan komprehensif teknik pembelajaran mesin untuk mempertahankan pengembalian (return) tahunan (APY) yang stabil. Ketika fluktuasi APY melebihi ambang batas yang wajar, sistem secara otomatis memicu strategi realokasi untuk memastikan portofolio selalu dalam keadaan optimal.

Realokasi aset: Dengan memantau perubahan APY pada platform DeFi (seperti AAVE), Amplifi dapat secara otomatis mengalokasikan kembali aset ketika APY berfluktuasi secara signifikan untuk memaksimalkan pengembalian (return) pengguna.

2.4 Analisis Pasar dan Pelacakan Sentimen

Analisis pasar dan pelacakan sentimen AI di DeFi berfokus pada dukungan keputusan berbasis data, dengan kemampuan inti dalam integrasi real-time informasi multi-dimensi dan kuantifikasi risiko pasar. Sistem AI dapat secara bersamaan mengurai perilaku transaksi on-chain (seperti transfer besar, perubahan kumpulan (pool) likuiditas), sentimen media sosial off-chain (seperti sentimen Twitter), dan indikator pasar makro (seperti fluktuasi harga BTC), memprediksi tren volatilitas aset jangka pendek melalui model pembelajaran mesin dan mengidentifikasi sinyal risiko potensial (seperti peringatan kerentanan kontrak atau risiko penipisan likuiditas). Pada saat yang sama, AI menggunakan teknologi pemrosesan bahasa alami untuk menilai peristiwa berita secara emosional, secara dinamis menghasilkan saran alokasi aset atau memicu strategi lindung nilai (hedging) otomatis, membantu pengguna mengurangi asimetri informasi dan meningkatkan efisiensi keputusan di lingkungan pasar yang kompleks.

Kasus: AIXBT

Alat agen AI khusus yang berfokus pada bidang cryptocurrency, mengintegrasikan analisis data real-time dan teknologi pemrosesan bahasa alami untuk memberi pengguna wawasan tren pasar dan dukungan keputusan perdagangan. Ia dapat melacak dan mengurai topik hangat, sentimen pasar, dan indikator utama di Crypto Twitter secara real-time, membantu investor dengan cepat menangkap dinamika industri dan mengidentifikasi peluang investasi potensial. Fungsi inti AIXBT meliputi agregasi data multi-platform, analisis sentimen sosial, dan pembuatan strategi otomatis, khususnya unggul dalam menganalisis tweet dari lebih dari 400 KOL, menyaring informasi bernilai tinggi, dan menghasilkan saran perdagangan yang dapat dieksekusi.

Selain itu, AIXBT memiliki kemampuan interaktif, memungkinkan pengguna untuk berkomunikasi langsung dengannya melalui media sosial untuk mendapatkan laporan analitis yang disesuaikan. Di masa depan, seiring dengan matangnya teknologi agen AI, AIXBT diharapkan dapat lebih menurunkan hambatan untuk berpartisipasi di pasar crypto, mendorong DeFi menuju arah yang lebih cerdas dan otomatis.

Arsitektur Teknis dan Lanskap Kompetitif

3.1 Jalur untuk Model AI On-Chain

Saat ini, arah pengembangan potensial yang paling utama adalah implementasi ringan on-chain. Ini melibatkan pengurangan konsumsi sumber daya on-chain dengan menghitung off-chain dan mendorong hasil dan bukti komputasi. Salah satu pendekatannya adalah zkML.

zkML memverifikasi proses inferensi model pembelajaran mesin melalui bukti tanpa pengetahuan (zero-knowledge proofs) (seperti zkSNARKs), memastikan kebenaran hasil komputasi tanpa mengungkapkan parameter model atau data input. Proses intinya adalah:

Komputasi off-chain: Jalankan model ML off-chain untuk menghasilkan hasil inferensi.

Hasilkan bukti: Gunakan teknologi zk untuk menghasilkan bukti matematis ringkas yang menunjukkan bahwa proses inferensi sesuai dengan model yang telah ditentukan sebelumnya (seperti bobot model, arsitektur) dan belum dirusak.

Verifikasi on-chain: Kirimkan bukti ke blockchain, di mana smart contract memverifikasi legitimasi hasil dengan memverifikasi bukti, tanpa perlu mengeksekusi ulang komputasi.

Mekanisme ini memecahkan masalah biaya tinggi menjalankan model ML secara langsung on-chain (seperti batasan komputasi EVM) sambil memastikan transparansi dan resistensi sensor.

Kasus penggunaan terkait sudah ada, seperti kerangka kerja ZKML Modulus Labs.

Teknologi inti Modulus Labs adalah komputasi off-chain + verifikasi on-chain, dengan fitur kerangka kerja meliputi:

Memverifikasi integritas eksekusi AI: Memastikan hasil inferensi model AI tidak dirusak melalui bukti tanpa pengetahuan (zero-knowledge proofs) (seperti memastikan keaslian output model evaluasi harga NFT). Kasus: Berkolaborasi dengan Upshot untuk menempatkan hasil evaluasi harga NFT yang dihasilkan AI (100 juta per jam) on-chain melalui bukti ZK, mencapai kombinasi "kemampuan AI + keamanan on-chain."

Mekanisme anti-kecurangan: Dalam skenario permainan (seperti AI Arena), memverifikasi konsistensi antara model AI yang dilatih pemain dan model yang sebenarnya digunakan dalam kompetisi, mencegah perilaku curang yang didorong oleh kepentingan ekonomi.

API Terbuka: Menyediakan API "AI anti-rusak" yang memungkinkan pengembang dApp untuk mengintegrasikan fungsionalitas AI yang dapat diverifikasi tanpa mengorbankan keamanan terdesentralisasi.

3.2 Perbandingan Proyek Terkemuka

Di luar lapisan infrastruktur, persaingan di lapisan aplikasi DeFAI sangat ketat. Secara keseluruhan, hambatan produk tidak terlalu tinggi, dan tidak ada protokol aplikasi yang ditemukan memiliki stabilitas dan akurasi produk yang jauh lebih unggul daripada pesaing lainnya. Sementara itu, product-market fit (PMF) dari aplikasi yang ada sedang diuji oleh pengguna. Dalam infrastruktur AI yang berkembang pesat saat ini, aplikasi DeFAI yang lebih efektif dapat muncul kapan saja, menggantikan proyek-proyek terkemuka yang ada.

Saat ini, proyek terkemuka adalah Griffain. Produk mereka memungkinkan pengguna untuk berinteraksi dengan blockchain melalui bahasa alami dan kemudian melakukan operasi DeFi on-chain. Kecepatan pembaruan produk Griffain sangat mengesankan. Mereka saat ini memiliki produk seperti Agent Sniper, Agentic Commerce, agregasi API multi-agen (sistem Energi), dll., yang sudah diluncurkan, dengan arah pembangunan keseluruhan menjadi platform operasi bahasa alami terintegrasi, memungkinkan pengguna untuk menelusuri dan mengoperasikan berbagai informasi on-chain harian melalui jendela obrolan bot.

Seiring dengan terus dibentuknya kembali lanskap DeFi oleh AI melalui arsitektur teknis canggih dan aplikasi inovatif, sangat penting untuk mengenali potensi risiko dan tantangan etika yang menyertai transformasi ini. Pada bagian selanjutnya dari analisis kami, kita akan menyelidiki sisi gelap dari DeFi yang digerakkan oleh AI, menjelajahi risiko sistemik, hambatan regulasi, dan dilema etika yang dapat menentukan masa depan ekosistem yang sedang berkembang ini.