Elaine, Jereyme｜作者

Sissi@TEDAO｜譯者

譯者導讀：

本譯文將介紹獲得 2024 年春季 Token Engineering Commons（簡稱 “TEC” ）資助的創新提案。TEC 是全球支持和推進 Token Engineering 的重要社區之一，致力於創建和維護一個可持續的生態系統，並通過其論壇和其它資源爲社區成員提供支持和協作平臺。

該項目利用強化學習和基於 agent 的建模與仿真技術，優化代幣生態系統中的 bonding curve 機制。通過探索並應對不同 PAMM & SAMM bonding curve 組合下的潛在惡意策略，項目旨在顯著提升代幣系統的經濟安全性。此外，該項目還致力於推動 Token Engineering 的普及與實踐，讓更多人能夠理解並參與這項前沿技術，爲構建更爲安全和可持續的代幣生態系統鋪平道路。

1. 提案詳情

1.1 背景概述

bonding curve 是代幣生態系統不可或缺的組成部分，它在控制代幣價格波動、提供必要流動性、動態化代幣供應等方面發揮着關鍵作用。通過將代幣生態系統中多個元素的關係數學化，bonding curve 也打開了代幣生態系統“工程控制”的大門。

早在 2018 年，IncentiveAI 團隊就提出了將 AI-agent 用於機制優化的理念，通過觀察 greedy Machine Learning agents 的行爲，識別系統部署到真實環境後用戶可能發生的行爲，通過比較真實行爲與預期行爲之間的差異來不斷優化機制設計。他們還將這一理念應用於 Ocean 協議的bonding curve 研究之中。然而遺憾的是，該項目最終並沒有大規模落地，且目前找不到任何可供參考或運行的項目代碼。

自 2023 年起，BCRG (Bonding Curve Research Group) 對 bonding curve 進行了較爲全面的研究、開發、教育和應用，尤其是在 PAMM （Primary Automated Market Maker）與 SAMM （Secondary Automated Market Maker） 的 bonding curve 聯合研究上。但根據 BCRG 在 Modeling & Simulating bonding curves 中的描述，可能由於資源的限制，目前還沒有進入到惡意策略探索、滲透測試、假設分析等更深層次的研究之中。

我們團隊長期專注於 Token Engineering 領域的探索，致力於用 agent-based modeling and simulation 來解決複雜系統的設計與優化問題。

1.2 項目簡介

在本提案中，我們旨在繼承 Incentive AI 的理念，通過經強化學習訓練的AI-agent 去探索不同 PAMM 和 SAMM bonding curve 組合下潛在攻擊者的惡意策略，並通過進一步的比較分析與行爲空間探索，尋找相對穩定與優質的 bonding curve 參數組合，以此不斷優化協議的機制設計，縮小預期行爲和真實行爲之間的 gap，降低代幣生態系統的經濟安全風險。

具體來講，在 PAMM bonding curve 的選擇上，我們選取最常見的 Linear、Exponential、Power 和 Sigmoid 四種類型；在 SAMM bonding curve 的選擇上，我們選取最常見的恆定乘積（e.g Uniswap）和混合型（e.g Curve）兩種類型，由此產生 8 種 PAMM 與 SAMM 的組合方案。我們將採用 agent-based modeling and simulation 的方法進行實驗，利用 AI-agent 探索出每種方案的潛在惡意策略集合以及各自發生的概率高低，並通過模擬結果直觀展示惡意策略對系統造成的後果，儘可能通過實驗探索出相對科學的惡意攻擊應對策略與 bonding curve 機制優化方案。

同時，我們申請到了 Holobit 的高級賬號贊助，將藉助這一先進的建模仿真平臺，全透明我們的模型搭建細節及整個實驗過程。

  • 可能的創新點

I. 將強化學習引入 Token Engineering，形成一套基於 AI-agent 與 agent-based modeling and simulation 的協議機制優化方法；

II. 該方法具有普適性，可落地，可複用，可能對整個代幣生態系統的經濟安全有一定的幫助；

III.得益於 Holobit 這一強大工具，本模型能夠被大衆讀懂、會用、可驗證。

  • 項目的短期目標‍

I. 利用 AI-agent 探索不同 PAMM 和 SAMM bonding curve 組合下的潛在惡意策略，識別出各種機制組合下的可能風險，並探索出相應的風險應對策略與機制優化方案；

II.爲 bonding curve 的發展提供一套相對科學嚴謹的研究方法；

III.根據實驗結果，從 bonding curve 角度提出若干提高代幣生態系統經濟安全性的建議。

  • 項目的長期目標‍

通過結合 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爲 Token Engineer，從而爲“以 community-driven 的方式去中心化地構建更加反脆弱和可持續的代幣生態系統”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

藉助 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、漏洞風險及優化方案）。

3. 使命和價值觀對齊

  • 便捷：Holobit 支持公開分享，且建模邏輯簡單，做到了可視化與直覺化，確保人人都能讀、會用、可驗證。因此，本模型得以作爲公共物品開放，所有人均可訪問與測試，如已經給出的 Terra/ LUNA 生態系統案例。

  • 教育：通過詳細的模型和仿真教程，項目可以幫助大衆深入瞭解 bonding curve 的工作原理及其在代幣生態系統中的關鍵作用；通過agent-based modeling and simulation，項目可以向大衆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，如果可以通過此模型將這套方法論與工具在社區中推廣普及，則可以進一步推動 Token Engineering 的普及、發展與實踐應用。

  • 透明：只有大衆能讀懂纔算真正的透明，本模型不涉及代碼，通過Holobit 工具將建模機制和實驗過程可視化。通過建模與實驗，不止將模型的機制透明，還進一步將機制設計的風險透明，並給出了具體的修復意見。

  • 社區驅動：社區可以 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、增長等的研究。更重要的是，這套方法論與工具還可以複用在其它協議上，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”成爲可能，我們可以彙集羣體智慧的力量構建起更加反脆弱、可持續的代幣生態系統。