Embora a integração da IA e do DeFi prometa eficiência e inteligência sem precedentes, também introduz uma série de riscos e controvérsias éticas. Da manipulação de mercado ao escrutínio regulatório, o caminho para um sistema financeiro verdadeiramente descentralizado e justo está repleto de desafios. Nesta segunda parte da nossa análise, examinaremos estas questões críticas e exploraremos como o setor pode superá-las para alcançar um crescimento sustentável.

Riscos e Controvérsias Éticas

4,1 Manipulação de Mercado e Risco Sistémico

Ressonância do Algoritmo de IA Desencadeando Flash Crashes

A ressonância do algoritmo de IA pode tornar-se um catalisador para flash crashes de mercado, especialmente em mecanismos altamente dependentes da estabilidade algorítmica. Os algoritmos de IA são comumente usados na previsão de preços, gestão de risco, alocação de ativos e outras áreas, mas quando as estratégias de decisão entre vários sistemas de IA são inconsistentes ou interagem, podem experimentar efeitos de ressonância, desencadeando violentas flutuações de mercado ou mesmo flash crashes.

Ataques Adversariais: Amostras de Deceção de IA Visando Protocolos DeFi (como a falsificação de dados de volume de transações)

Com o avanço da tecnologia de IA, os ataques adversariais visando protocolos DeFi tornaram-se mais complexos e perigosos. Ataques adversariais referem-se ao ato de induzir modelos de IA ao erro através de entradas de dados cuidadosamente projetadas, afetando assim as decisões do protocolo DeFi e o comportamento do mercado. No ecossistema DeFi, os modelos de IA são amplamente aplicados na gestão de pools de liquidez, precificação de pares de negociação, avaliação de risco e outras áreas, e a precisão destes modelos é crucial.

Um ataque adversarial típico é a falsificação de dados de volume de transações, interferindo na precificação do mercado e nas decisões de liquidez através de um grande número de transações falsas. Por exemplo, os atacantes podem criar várias contas falsas e realizar transações de baixo custo em grande escala para simular altos volumes de transações para um ativo. Este comportamento pode enganar os modelos de IA, fazendo com que julguem mal o verdadeiro valor dos ativos e as tendências do mercado. Para contratos inteligentes de protocolo DeFi, tais ataques podem levar a configurações incorretas de liquidez e decisões de precificação, exacerbando ainda mais a instabilidade do mercado. Também pode desencadear reações em cadeia, causando vendas massivas de ativos únicos em LPs para obter a sua liquidez e, em seguida, transferi-la rapidamente.

4,2 Dilemas Regulatórios e de Conformidade

Definição da SEC dos EUA das Propriedades de Segurança dos "Tokens de IA" (Comparado ao Caso Ripple)

Em relação a se estes tokens atendem à definição de títulos mobiliários e se precisam seguir os regulamentos de títulos mobiliários correspondentes, podemos fazer suposições olhando para o passado, pois a SEC pode referenciar o caso XRP ao definir as propriedades de segurança dos "tokens de IA".

No caso Ripple, a SEC considerou os tokens XRP da Ripple como títulos mobiliários porque foram vendidos a investidores através de uma oferta inicial de moedas (ICO), e a Ripple Labs conduziu uma série de atividades de marketing durante o processo de vendas para promover a negociação de XRP. Esta decisão indica que a SEC se concentra no método de emissão de tokens e se o token representa uma relação de capital ou dívida com uma empresa ou projeto.

Para "tokens de IA", a SEC pode adotar critérios de julgamento semelhantes. Em particular, se estes tokens de IA forem emitidos através de métodos semelhantes a ICOs ou IEOs e estiverem associados a um projeto ou empresa de IA, a SEC pode considerar que estes tokens têm propriedades de segurança. Isto significa que os detentores de tokens de IA podem ser considerados como tendo algum interesse económico, como direitos à distribuição de receitas do projeto ou valorização do capital através do aumento do valor do token. Por outras palavras, os tokens de IA estão potencialmente sujeitos a sanções da SEC.

Desafios de Combate ao Branqueamento de Capitais: Dificuldades de Rastreamento de Mixers de IA (como versões atualizadas do Tornado Cash)

A tecnologia de IA também está a ser usada para desenvolver ferramentas de mistura mais secretas, como versões atualizadas do Tornado Cash. Esta tecnologia de proteção de privacidade oferece melhores garantias de privacidade para utilizadores legítimos, mas também traz enormes desafios de combate ao branqueamento de capitais (AML) para as agências reguladoras.

Uma questão central com os mixers é como eles tornam os fluxos de fundos extremamente difíceis de rastrear. Mixers como o Tornado Cash usam um modelo de "transação em anel", dispersando fundos por vários endereços e transações antes de os recombinar, quebrando a cadeia de fluxo de fundos. Esta tecnologia pode ocultar mais eficazmente a origem e o destino dos fundos, aumentando consideravelmente a dificuldade para as agências reguladoras rastrearem.

Assim, com o aprimoramento da tecnologia de IA, os mixers podem usar algoritmos mais inteligentes para selecionar dinamicamente vários endereços de retransmissão, alterar automaticamente os caminhos de transação e até prever as tendências do mercado para evitar sistemas de monitorização on-chain. Isto torna as ferramentas tradicionais de análise de blockchain ineficazes. Além disso, os mixers de IA podem ainda adotar moedas de privacidade (como o Monero) como base para ferramentas de transação, aumentando ainda mais o seu anonimato. As agências reguladoras enfrentam desafios de capacidade técnica extremamente elevados ao confrontarem-se com tecnologia de encriptação e esquemas de anonimização tão avançados. As medidas regulatórias tradicionais de combate ao branqueamento de capitais (como as políticas KYC/AML) não conseguem abordar eficazmente as novas ameaças colocadas pelos mixers de IA.

Para enfrentar este desafio, as agências reguladoras precisam de introduzir mais tecnologias de monitorização baseadas na análise de comportamento, usando machine learning e análise de big data para identificar comportamentos anormais e potenciais padrões de transações ilegais.

4,3 Limites Éticos

Teoria da "Floresta Negra": A IA Leva à Gamificação de Soma Zero Completa do DeFi?

A teoria da "Floresta Negra" foi inicialmente proposta por Liu Cixin na série "O Problema dos Três Corpos". A teoria assume que o universo é um ambiente hostil e incerto onde a sobrevivência das civilizações depende de ocultar a sua existência e eliminar outras ameaças potenciais o máximo possível. Dentro desta estrutura teórica, cada civilização no universo está num estado constante de jogo, e qualquer ação que exponha alguém pode trazer consequências catastróficas.

Introduzindo esta teoria no contexto DeFi, a previsão eficiente e a tomada de decisão automatizada da IA permitem que os participantes do mercado obtenham lucros através de estratégias precisas, enquanto outros participantes podem enfrentar perdas. Por exemplo, a negociação de alta frequência orientada por IA pode dificultar que outros participantes acompanhem as mudanças do mercado ou pode manipular com precisão os preços do mercado, fazendo com que os esforços de muitos participantes se transformem, em última análise, em ganhos dos concorrentes. O mecanismo de mercado em tais situações aproxima-se de um jogo de soma zero.

Além disso, com a aplicação de estratégias de otimização de IA e deep learning, o "sigilo" do mercado também pode aumentar, tornando o comportamento do mercado mais difícil de prever. Este jogo ao estilo da "floresta negra" pode colocar pequenos projetos DeFi e novos participantes numa posição muito desvantajosa, pois carecem de recursos suficientes para competir com grandes algoritmos orientados por IA, exacerbando a concentração de riqueza e a distribuição desigual de recursos.

Portanto, a IA de facto tem o potencial de tornar a competição no ecossistema DeFi cada vez mais acirrada, tendendo para a gamificação de soma zero, especialmente quando muitos participantes do mercado adotam estratégias algorítmicas e de negociação automatizadas semelhantes.

Código Aberto vs. Código Fechado: Contradições Entre o Black-Boxing do Modelo Numerai e a Governança da Comunidade

Numerai é uma plataforma de hedge fund descentralizada que combina IA e criptomoeda, atraindo cientistas de dados globais para submeter modelos através da participação de código aberto na previsão de mercado. Mas à medida que o projeto se desenvolveu, mais pessoas começaram a concentrar-se na questão do "black-boxing" dos modelos. À medida que estes modelos se tornam gradualmente mais complexos e envolvem altos níveis de otimização algorítmica, a implementação específica e os processos de treino dos modelos tornam-se frequentemente menos fáceis de entender e explicar completamente. Isto envolve como equilibrar a transparência da tecnologia e a estrutura de governação do projeto entre código aberto e fechado.

Em plataformas como a Numerai, os modelos de código aberto podem permitir que alguns participantes os ataquem através de engenharia reversa ou comportamento malicioso. À medida que a tecnologia de IA continua a desenvolver-se, algoritmos cada vez mais complexos podem ser "black-boxed", o que significa que os seus processos de tomada de decisão não podem ser totalmente apresentados de forma transparente à comunidade, levando a problemas de confiança.

Por outro lado, os modelos de código fechado podem proteger eficazmente os segredos comerciais e a propriedade intelectual dos modelos, ajudando a reduzir o risco de os modelos serem copiados ou adulterados maliciosamente. Para projetos como o Numerai, o código fechado pode garantir a segurança e o valor comercial dos seus modelos de IA.

Este fenómeno de "black-boxing" entra em conflito com os princípios da comunidade de código aberto. A intenção original do código aberto é permitir que todos participem e auditem o sistema, mas os modelos black-boxed impedem que os membros da comunidade compreendam totalmente os mecanismos de funcionamento por trás dos algoritmos, levando potencialmente a contradições de governação e crises de confiança.

Perspetivas Futuras e Recomendações Estratégicas

5,1 Tendências de Integração de Tecnologia

Autonomia

A tendência central do DeFAI futuro está a passar da automação para a autonomia, impulsionada por agentes autónomos. Estas entidades inteligentes orientadas por IA rompem as limitações das regras tradicionais e possuem a capacidade de analisar continuamente os dados on-chain, entender a dinâmica do mercado e executar estratégias complexas, como otimizar os rendimentos de empréstimos entre protocolos, capturar oportunidades de arbitragem e equilibrar dinamicamente os portfólios de investimento. Melhoram a eficiência do capital e trazem retornos sustentáveis aos protocolos através de operação ininterrupta 24 horas por dia, 7 dias por semana e tomada de decisão precisa, remodelando a forma como o valor flui.

Colaboração Multi-Agente

A principal competitividade do futuro DeFAI passará de agentes inteligentes únicos para redes colaborativas multiagentes. Através da divisão de trabalho e colaboração de grupos de agentes de IA distribuídos (como o desacoplamento de módulos de observação, planejamento e execução), a otimização paralela de estratégias complexas é alcançada. Sistemas colaborativos multiagentes decompõem problemas complexos em subtarefas através da decomposição de tarefas, com cada agente responsável por uma parte específica da subtarefa. Por exemplo: Agentes Observadores rastreiam grandes transferências on-chain e flutuações de LP em tempo real, Agentes de Estratégia geram modelos de hedge e Agentes Executores roteiam automaticamente os caminhos de negociação ideais em várias chains. Enquanto isso, os modos de colaboração também evoluirão, incluindo o modo de rede (cada agente pode se comunicar com todos os outros agentes) e o modo hierárquico (sistemas de agentes multicamadas com supervisores).

5,2 Oportunidades de Investimento

Infraestrutura: zkML usa provas de conhecimento zero para verificar o processo de inferência de modelos de machine learning, permitindo que contratos inteligentes confiem em resultados de computação de machine learning externos sem executar todo o modelo on-chain. Esta será uma camada de infraestrutura chave para a próxima geração de adoção de IA on-chain em larga escala. Projetos potenciais incluem:

Giza

A principal competitividade da Giza reside em sua pilha de tecnologia única e posicionamento no ecossistema. Ao traduzir modelos de machine learning no formato ONNX em programas Cairo e alcançar uma verificação eficiente de inferência on-chain através do ONNX Cairo Runtime desenvolvido internamente, a Giza resolve o desafio de compatibilidade entre modelos complexos e circuitos de conhecimento zero. Seu posicionamento como um marketplace de modelos de IA descentralizado atrai provedores e consumidores de modelos para formar um efeito de rede de dois lados, enquanto se integra profundamente com o ecossistema StarkNet, fortalecendo as barreiras técnicas através de sua infraestrutura ZK de alto desempenho. Como um projeto inicial explorando a comercialização de IA on-chain, a Giza estabeleceu reconhecimento de marca, mas precisa ser cautelosa quanto à sua dependência do crescimento do ecossistema StarkNet.

EZKL

As vantagens da EZKL se concentram na facilidade de uso para desenvolvedores e na otimização de domínio vertical. Ela suporta modelos PyTorch/TensorFlow exportados através de ONNX e compilados em circuitos zkSNARK, diminuindo significativamente as barreiras de migração para desenvolvedores. Seu desempenho é excelente (como completar provas de modelo MNIST em 2 segundos), aumentando a praticidade através do gerenciamento otimizado de memória e design de circuito. A EZKL é ativa na comunidade de desenvolvedores, adotada por vários projetos de hackathon (como o AI Coliseum) e acelera a iteração através de toolchains de código aberto (como o suporte ao backend Halo2). Focando na verificação de inferência de deep learning, ela otimiza especificamente a implementação de circuito de funções de ativação não lineares (como ReLU) e se integra profundamente com sistemas de prova Plonkish (como Halo2), lidando eficientemente com computações de ML usando a funcionalidade de lookup. No entanto, ela precisa abordar a potencial concorrência de ferramentas ZK gerais (como Risc Zero).

Giza e EZKL representam dois caminhos da infraestrutura zkML: Giza constrói barreiras através do posicionamento no mercado vertical e da ligação ao ecossistema (como StarkNet), adequado para o layout de longo prazo da comercialização de modelos de IA; EZKL se torna a escolha preferida para cenários de modelos leves (como oráculos DeFi) com maturidade de toolchain e vantagens de desempenho. Ambos precisam superar a perda de precisão de quantização e os desafios de aceleração de hardware, mas o ecossistema pioneiro e a especialização técnica construíram barreiras de curto prazo para eles. A competição futura dependerá da velocidade de iteração da tecnologia e das capacidades de expansão do ecossistema.

Camada de Aplicação: Comparado aos investimentos na camada de infraestrutura, os investimentos na camada de aplicação são mais difíceis de selecionar. O mercado ainda está explorando o product-market fit (PMF) de AI+Crypto, e os produtos lançados no mercado estão constantemente sendo eliminados e atualizados. Com o avanço da infraestrutura cripto e da IA no mundo Web2, mais aplicações serão lançadas no mercado para testes. Atualmente, DeFi + execução de linguagem natural parece ser uma direção relativamente madura. O projeto líder nesta área é Griffain.

Griffain é construído em Solana, permitindo que os usuários realizem as operações on-chain correspondentes através de chat em linguagem natural com IA. Atualmente, é o framework mainstream na área, recebendo reconhecimento da indústria e múltiplos aspectos de integração, com produtos sendo continuamente atualizados. No entanto, seu preço está sendo testado. Este também é um problema comum para outros projetos AI+Crypto em termos de investimento, nomeadamente receber muita atenção e entrada de capital no curto prazo, criando um descompasso entre o valor de mercado e o valor intrínseco do produto. Pode agora levar um tempo relativamente longo para corrigir. Uma UI suave de alta qualidade e uma rápida velocidade de integração de novas APIs são fundamentais para consolidar sua posição de liderança.

5,3 Estratégias para Desenvolvedores e Usuários

Como Participar da Economia de Agentes de IA: Da Contribuição de Dados de Treinamento ao Compartilhamento de Lucros de Estratégia

Em plataformas DeFi orientadas por IA, os dados de treinamento são cruciais para o treinamento de modelos de IA. Usuários e desenvolvedores podem participar da economia de agentes de IA, fornecendo datasets de alta qualidade.

Um caso simples de economia de IA é o seguinte, com o mercado composto por usuários, provedores de estratégia e desenvolvedores:

Usuários: Podem contribuir com seus próprios dados de transação, dados de comportamento de mercado e até mesmo dados de preço de ativos. Esses dados podem ajudar os modelos de IA a entender melhor as tendências do mercado, as flutuações de preços e os fatores de risco, melhorando suas capacidades de previsão e eficácia de negociação. Os usuários como contribuidores de dados normalmente recebem certas recompensas ou participação nos lucros com base na quantidade e qualidade dos dados que fornecem, ganhando recompensas em tokens.

Provedores de estratégia: Podem ganhar uma parte dos lucros da execução da estratégia, compartilhando ou vendendo suas estratégias na plataforma. Os agentes de IA podem obter lucros através de negociação automatizada, arbitragem, mineração de liquidez e outras estratégias.

Desenvolvedores: Podem criar plataformas de agentes de estratégia de IA e implementar essas estratégias através de agentes de IA. Os desenvolvedores podem obter receita de taxas, formando um ecossistema multi-win.

Proteção de Risco para Usuários Comuns: Guia de Sobrevivência DeFi Sob Manipulação de IA

Como usuários comuns, embora as informações e os recursos disponíveis sejam limitados, eles ainda podem mitigar alguns riscos através de métodos viáveis.

Investimento Diversificado:

Uma estratégia de mitigação de risco para todos os fins, os usuários comuns podem evitar concentrar todos os seus ativos em um único protocolo DeFi. Um sistema de IA pode impulsionar o preço de um mercado DeFi em uma determinada direção e, se o investimento de um usuário depender completamente de uma única plataforma DeFi, ele pode sofrer perdas em larga escala em um curto espaço de tempo. O investimento diversificado pode efetivamente espalhar o risco, reduzindo as perdas potenciais quando uma única estratégia falha.

Usando Ferramentas de Monitoramento de IA para Avaliação de Risco:

Os usuários comuns podem usar ferramentas de monitoramento de IA lançadas no mercado para avaliação e monitoramento de risco em tempo real. Muitas plataformas de terceiros fornecem ferramentas de avaliação de risco orientadas por IA que podem ajudar os usuários a identificar riscos potenciais e fazer ajustes, analisando dados de mercado e condições de ativos do usuário. Por exemplo, algum monitoramento pode detectar prontamente anomalias de mercado, vendas em larga escala, compras e outros comportamentos, permitindo que os usuários capturem riscos potenciais.

Integração de IA e DeFi: Além dos Jogos On-Chain do AlphaGo (II)