在以太坊中利用人工智能 - 开创区块链代理系统的新纪元

  • thogiti
  • 发布于 2024-05-08 13:22
  • 阅读 32

该文章讨论了区块链与人工智能(AI)结合的潜力,特别是在以太坊环境中对于 MEV(矿工可提取价值)供应链管理的应用。文章深入探讨了区块链技术的独特特性如何增强AI智能体的能力,提出了多种利用AI优化区块链操作的方法,如隐私保护拍卖系统和动态交易路由等,展示了技术的广泛前景。

概述

像以太坊这样的公有区块链提供了理想的基础设施,用于人工智能(AI)代理的开发和运营,因为它们独特的特性与去中心化、自治系统的需求完全契合。这些平台不仅支持而且增强了AI代理的能力,促进了一场可能重塑社会和经济结构的技术融合新时代。让我们探讨一下为什么区块链是AI发展的主要舞台,以及它们所提供的深远好处。

Davide Crapis 撰写了一篇关于AI代理在区块链中角色的优秀文章^1。我建议用户阅读这篇文章,以获取更非技术性的主题介绍。

在本文中,我将阐述一些如何探索AI代理设计空间及其编排机制的想法,以及如何在当前的可提取矿工价值(MEV)供应链架构中设计这些AI代理,以在以太坊区块链基础设施中发挥AI的真正潜力。

我在我的ePBS 文章中写过关于PBS和MEV的内容。如果你对这些主题比较陌生,可以从这里开始。

区块链中AI的战略优势

区块链技术与AI的融合正在为先进的去中心化系统铺平道路,这些系统承诺将革命性地改变数字互动。以下是使区块链成为AI代理卓越平台的独特特征,以及这种整合对社会、经济和技术发展的转型好处。

  • 去中心化: 像以太坊这样的区块链本质上是去中心化的,防止任何单一实体控制网络,非常适合无偏见的AI操作。
  • 激励机制: 区块链支持复杂的激励结构,具有原生资产和智能合约,使AI交互的多样经济模型得以实现。
  • 开放性与可组合性: 任何人都可以参与并在区块链平台上开发应用程序,从而允许应用程序之间的无缝互动。
  • 密码学保证: 先进的密码学确保了无与伦比的安全性和隐私性,对于AI的操作,从交易安全到隐私保护计算。
  • 价值对齐: 区块链的透明性有助于通过可追踪和可视的活动将AI行为与人类价值对齐。
  • 安全性: 区块链的安全性适合在高风险环境中部署AI,确保可靠性。
  • 发现: 区块链的开放性使AI代理能够根据可靠的声誉被发现和使用,这些声誉是不可变的。
  • 效率: 区块链减少了对中介的需求,使自主代理能够快速且高效地进行交易和互动。
  • 控制和可编程隐私: 个人可以通过区块链的密码解决方案安全控制他们的AI代理和个人数据。
  • 所有权和公平性: 区块链促进新的集体所有权和治理形式,例如DAO,促进民主决策和公平价值分配。
  • 未来整合: AI和区块链集成的高级阶段可能会导致复杂的AI市场和运营框架,提高服务效率和有效性。
  • 可扩展的治理模型: 诸如直接所有权和DAO等模型提供灵活且包容的方式来管理AI系统,确保公平治理和分配。

改革AI代理在MEV供应链管理中的作用

MEV-Supply-Chain-PBS

图:PBS中的MEV供应链。由Sen Yang提供,arXiv:2405.01329 [cs.CR]

通过将AI整合入以太坊区块链环境,特别是在当前PBS计划中管理MEV供应链,我们可以解决复杂的挑战,并提高区块链操作的效率和安全性。以下是一些旨在优化区块链环境的创新AI驱动应用的详细探讨。

下面我将探讨MEV供应链架构中的一些高层次问题,以及如何使用AI代理构建协调和合作游戏以解决这些挑战。在后续文章中,我将进一步发展这些问题,以理解它们的设计空间、机制设计、价值创造、AI方法和实施细节。

保护隐私的以太坊区块空间分配实时拍卖系统

在以太坊MEV拍卖中,维护竞标者的隐私至关重要。但在当前的MEV-Boost架构中,这种保证较弱。使用安全多方计算(SMPC)或全同态加密(FHE)的AI代理可以管理加密的竞标,以防止泄露和操纵行为。这些AI系统确保只有拍卖系统知道真实的竞标值(在最坏情况下),从而增强拍卖的隐私性和公平性。

问题陈述:
安全进行区块空间分配的拍卖,而不暴露敏感的竞标信息,以维护竞标者的隐私并防止操纵行为。

技术方法:
部署利用安全多方计算(SMPC)或FHE处理竞标的AI代理。AI算法处理加密的竞标,确保竞标值仅在拍卖系统内部揭示(在最坏情况下),而不会透露给其他竞标者。

机制设计:

  • $B = ${ $b_1, b_2, ..., b_n$ }代表一组竞标。
  • AI代理以保护隐私的方式计算$max(B)$。
  • 确保$\forall b_i \in B$,数据是加密和安全的。

所需数据:
区块的加密竞标,Relay APIs拍卖数据,以太坊交易数据以用于拍卖后的验证。

评估标准:

  • 竞标隐私保护。
  • 拍卖的公平性和透明性。
  • 最终确定拍卖结果的时间。

优化潜力:
精炼密码技术和多轮拍卖机制设计,以减少计算开销并提高拍卖效率。

AI协调的区块构建在固定时间间隔内

AI代理可以显著改善如何将交易打包到区块中,并在以太坊的12秒区块时间内进行排序。通过分析待处理交易的内存池,这些代理最大化网络费用并优化区块空间的利用,从而提升整体网络吞吐量。

问题陈述:
为了最大化区块价值和网络吞吐量,需要通过仔细平衡私有数据池和公共内存池来优化在以太坊的12秒区块时间内的交易包含。

技术方法:

  • AI代理:
    AI代理动态分析并从私有数据池和公共内存池中对交易进行排序,以优化网络费用并有效利用区块空间。

数学模型:

  • 交易集:
    让$T{PA}$代表私有数据交易池,让$T{PB}$代表公共内存池交易。
  • 优化函数:
    $f(B) = \max\left(\sum{t \in T{\text{PA}}} \text{fees}(t) + \sum{t \in T{\text{PB}}} \text{fees}(t)\right),$ 其中B是要填充的区块,$T{PA}$和$T{PB}$分别是待包含的私有和公共交易池,而$fees(t)$是给定交易$t$的交易费用。

约束条件:
优化必须符合区块大小和时间约束。

机制设计:

  1. 定义交易集:
    确定区块$B$内的最优交易集$T$。

  2. 优化BB:
    实施一个AI系统,实时学习内存池数据和历史区块数据中的模式,以选择和排序能够最大化网络费用并有效利用区块空间的交易。

数据需求:

  • 实时内存池数据和私有提供者数据。
  • 用于训练和优化AI代理决策过程的历史区块数据。

评估标准:

  • 区块空间利用率:
    测量AI代理如何有效地使用高费用交易填充区块空间。

  • 交易吞吐量:
    确定每个区块处理的交易总数。

  • 平均区块传播时间:
    评估新块在网络中传播所需的时间。

优化潜力:

  • 学习算法:
    实施适应性学习算法,响应网络拥堵和交易费用动态变化。
  • 性能指标:
    根据收集的性能指标不断精炼AI代理的交易选择策略。

集成实时链下数据以增强链上决策

纳入市场趋势和经济指标等链下数据可以显著增强链上决策。AI驱动的系统处理这些实时数据,允许智能合约根据外部经济条件动态调整策略。

问题陈述:
通过将来自链下来源(如中心化交易所、社交媒体和经济指标)的实时数据集成,增强链上交易决策和策略。

技术方法:

  • AI处理:
    利用AI实时分析和处理链下数据。这些AI模型直接集成见解到智能合约中,使链上动态和响应式决策成为可能。

机制设计:

  • 数据集成:
    令$D$代表从各种链下来源收集到的验证的数据点集。
  • AI模型预测:
    AI模型预测链下数据对链上行动的潜在影响并动态推荐策略。

所需数据:

  • 来自各种金融市场和加密货币交易所的实时价格数据。
  • 可能影响交易者情绪的社交媒体趋势。
  • 可能影响市场状况的经济指标。

评估标准:

  • 预测精度:
    评估AI模型基于链下数据预测市场动态的准确性。
  • 响应性:
    测量系统对实时数据变化的反应速度。
  • 交易效率和盈利能力:
    评估数据驱动决策对交易效率和盈利能力的影响。

优化潜力:

  • 数据处理增强:
    改进数据获取和处理算法,以最小化延迟并最大化数据吞吐量。
  • 模型优化:
    不断优化AI模型,以提高预测精度以及响应市场动态的能力。

具体目标和示例

自动化风险管理:

  • 目标: 通过根据链下经济指标探测到的市场状况突然变化,自动调整链上交易头寸以最小化损失。
  • 示例: 如果通过链下数据探测到突发经济衰退,AI模型可以自动在链上启动对冲策略,以保护投资。

动态定价模型:

  • 目标: 利用来自多个交易所的实时价格数据动态调整链上资产价格。
  • 示例: 根据来自中央金融系统的实时数据,自动调整在去中心化交易所的代币化资产定价。

基于情绪分析的交易:

  • 目标: 利用社交媒体趋势来评估市场情绪并预测市场动态。
  • 示例: 使用Twitter数据进行情绪分析,以预期大型加密货币的买入或卖出潮,从而实现预防性链上策略调整。

经济影响预测:

  • 目标: 预测重大经济公告在链上的影响,并将这些预测整合到交易策略中。
  • 示例: 在重大经济报告(如GDP增长率、利率等)发布之前,AI模型可以预测可能的市场反应,并相应调整基于链上的DeFi产品。

链下计算以提高链上效率

AI还可以减少区块链的计算负担。通过在链下执行复杂计算,并使用密码学证明和密码经济安全机制(如EigenLayer^2 和 Ritual^3)将结果整合回链上,我们可以降低交易成本并提高整体网络性能。

问题陈述:
通过利用链下AI驱动的计算来缓解与复杂链上操作相关的高计算负担和成本,同时确保这些计算在重新整合到链上时的完整性和可验证性。

技术方法:

  • 混合架构:
    实施混合架构,AI代理在链下执行重计算。这些计算结果然后通过专门的协议(如EigenLayer AVS ^2或Ritual ^3)进行验证和整合。

机制设计:

  • 链下计算:
    在链下使用AI代理进行计算密集型任务$C$。
  • 密码验证:
    使用密码学证明(如零知识证明或TFHE)在提交到链上时验证$C$结果的完整性。

所需数据:

  • 针对被卸载的计算任务的特定数据,包括AI模型训练和操作所需的参数。

评估标准:

  • 成本降低:
    测量因卸载计算而导致的链上交易成本降低。
  • 验证成功率:
    评估在链上验证链下计算结果的成功率。
  • 网络性能改进:
    评估整体网络性能改善。

优化潜力:

  • 提升密码学证明:
    开发更高效的密码学证明,加强整合链下计算的安全性和可行性。

具体目标和示例

去中心化AI训练:

  • 目标: 在链下执行密集的AI模型训练以降低成本,然后使用密码学证明在链上验证模型的完整性。
  • 示例: 在链下训练一个复杂的神经网络模型,以根据大型数据集预测市场趋势。使用零知识证明在链上部署时验证模型的准确性和完整性。

增强的数据隐私:

  • 目标: 利用链下计算处理敏感数据,确保在链上使用结果时保持隐私。
  • 示例: 在链下处理个人财务数据以进行信用评分,同时保持个人隐私。通过使用Ritual.net在链上验证计算的完整性,以维护数据机密性和确保结果可信性。

资源密集型模拟:

  • 目标: 在链下进行资源密集型模拟,如环境影响评估,以避免过载区块链。
  • 示例: 在链下使用AI模拟复杂的环境模型。使用EigenLayer AVS验证并将模拟结果传递到区块链,以便公开透明和安全访问。

可扩展的机器学习模型:

  • 目标: 通过在链下处理大量计算工作,扩展复杂的机器学习模型。
  • 示例: 在链下开发用于基因组数据分析的大规模机器学习模型。实施密码学协议,确保发现结果能在链上可验证,同时不暴露敏感数据。

MEV场景中的动态交易路由

在可检测到的MEV期间,AI代理可以通过最优路径路由交易,以最小化成本和滑点。通过不断学习网络状态,这些代理实时调整并优化路径。

问题陈述:
通过在MEV机会期间动态路由交易,优化区块链环境中交易执行的效率和盈利能力。

技术方法:

  • AI驱动路由:
    使用AI代理分析当前和预测的市场状态,以动态路由交易。这些代理最小化交易滑点,同时最大化回报,就像传统金融中使用的智能顾问管理投资组合一样。

机制设计:

  • 基于图的建模:
    构建一个图$G$,其中节点表示可能的交易路径,边表示每条路径相关的费用。
  • 成本最小化:
    使用AI驱动的预测分析来最小化路径成本,根据实时和历史数据优化每笔交易的路由。

所需数据:

  • 实时和历史MEV数据。
  • 交易成本指标。
  • 网络延迟测量。

评估标准:

  • 交易执行成功率:
    追踪交易路由在实现最佳执行方面的有效性。
  • 交易成本和滑点的减少:
    测量由于优化路由而在成本效率和滑点减少方面的改善。
  • 用户满意度和系统采纳率:
    评估用户对系统性能的满意度及其用户采纳率。

优化潜力:

  • 持续模型调优:
    定期用新数据更新AI模型,以提高路径预测精度并适应变化的网络条件。

受传统金融智能顾问启发的具体目标和示例

自动化投资组合再平衡:

  • 目标: 实施AI系统,根据变化的MEV格局自动调整基于区块链的资产持仓,类似于传统金融中的智能顾问根据市场变化再平衡投资组合。
  • 示例: 一个AI系统可能会在不同DeFi协议之间自动切换用户的交易路径,以利用不断变化的交易费或收益机会。

税损收割:

  • 目标: 将传统金融中的税损收割概念适应到区块链交易,优化与交易和交换数字资产相关的税务影响。
  • 示例: 开发一个AI机制,识别在数字资产交易上战略性地实现损失以最小化纳税收益的机会。

成本效益的交易执行:

  • 目标: 通过选择避免高Gas费和低交易执行时间的路径,以最小化交易成本,就像传统金融平台找到最佳交易执行路径来节省成本一样。
  • 示例: 一个AI系统在交易时动态地将交易路由到一系列提供最低滑点和Gas费的去中心化交易所(DEXs)或二层(L2s)。

动态滑点管理:

  • 目标: 在高波动环境中管理滑点,利用预测分析选择交易执行的最佳时机和路径。
  • 示例: 在执行大额交易之前,AI评估各个DEX或L2的潜在滑点,并将交易路由到降低市场价格影响的路径上,就像在股票市场中管理大额区块交易一样。

AI驱动的MEV供应链管理

简化MEV供应链涉及优化交易从钱包到提案者的流动。AI代理编排这一流程,确保交易被适当地打包,并根据当前网络状况发送到最合适的构建者。

问题陈述:
通过优化交易从钱包到提案者的流动,简化MEV供应链,减少低效,并最大化盈利。

技术方法:

  • AI编排:
    部署AI代理管理交易流动,确保交易有效地打包并根据当前网络状况和可用的MEV机会,定向到最合适的构建者。

机制设计:

  • 交易集 Ω:
    将$\Omega$视为从发起到区块包含的完整交易集。
  • 优化过程:
    AI优化每个交易$\omega \in \Omega$的路由,以最大化效率和利润。

所需数据:

  • 交易起源数据。
  • 实时网络状态。
  • 构建者性能指标。

评估标准:

  • 供应链效率:
    评估交易供应链的整体效率。
  • 孤儿交易减少:
    测量未能包含在区块中的交易数量的减少。
  • 从MEV提取中获得的盈利:
    评估通过优化MEV提取而获得的利润增加。

优化潜力:

  • 动态编排逻辑:
    基于实时反馈和变化的网络条件不断调整交易路由和构建者选择逻辑。

具体目标和示例

智能构建者推荐系统:

  • 目标: 实施推荐引擎,基于历史和实时数据匹配交易与提供最佳效率和利润潜力的构建者。
  • 示例: AI系统分析构建者的过去性能数据和当前交易特征,推荐一个最有可能为特定交易最大化MEV的构建者。

动态交易路由:

  • 目标: 在MEV供应链中动态地路由交易,实时调整路径以响应网络拥堵和Gas价格波动。
  • 示例: AI代理监控网络状态,并将交易重新路由到最小化费用并优化区块空间利用的渠道,这类似于数据网络中管理网络流量的方式。

预测MEV机会识别:

  • 目标: 使用预测分析来预测即将出现的MEV机会,并主动定位交易以利用这些事件。
  • 示例: 一个AI系统预测不同去中心化交易所间价格差异的潜在套利机会,并自动排队交易以利用这些差异。

基于绩效的构建者排名:

  • 目标: 根据成功率、平均MEV利利益和可靠性等绩效指标,对构建者进行排名。
  • 示例: AI分析性能数据,创建构建者的动态排行榜。交易优先路由到顶级构建者,以提高整体供应链的盈利能力。

AI驱动的区块构建模拟以优化竞标策略

AI可以在虚拟环境中模拟各种区块构建策略。这允许在不影响实时网络稳定性的情况下测试和优化策略,从而实现更有效和高效的区块链操作。

问题陈述:
创建一个模拟环境,允许实验和优化各种区块构建策略,以增强效率和盈利能力,而不会影响实时区块链网络。

技术方法:

  • 虚拟区块链环境:
    开发一个模拟区块链环境,AI代理可以安全地实验不同的区块构建场景,包括不同的竞标策略。

  • AI驱动模拟:
    利用AI控制和调整模拟,在不同的网络条件下测试不同的策略及其结果。

机制设计:

  • 网络模拟 $N$:
    模拟一个具有变量条件的区块链网络,以模拟现实世界场景。

  • 块提案的实验 $\Pi$:
    AI实验不同的块提案策略,以确定哪些能够最大化效率、盈利等相关输出指标。

所需数据:

  • 历史区块链数据,以建立基线行为和趋势。
  • 交易数据集,用于在模拟中填充真实活动。
  • 网络性能指标,以分析不同策略对网络效率和区块传播的影响。

评估标准:

  • 模拟精度:
    评估模拟预测与实际数据之间的接近程度。

  • 策略改进:
    评估各种策略在改善区块构建结果方面的有效性。

  • 采用潜力:
    评估网络参与者采用在模拟中开发的优化策略的潜力。

优化潜力:

  • 模型优化:
    不断优化模拟模型,整合更多的实时数据,使其与实际网络条件更紧密地对齐。

具体目标和示例

简单策略模拟:

  • 目标: 评估在不同网络条件下基于先到先得的简单区块构建策略的性能。
  • 示例: 模拟简单策略在高交易量和低交易量时的表现,评估其对区块利用率和矿工奖励的影响。

自适应策略开发:

  • 目标: 开发一种自适应策略,根据实时网络情况和交易池特征动态调整。
  • 示例: 使用AI模拟和优化一种策略,该策略根据Gas价格、交易规模和预期MEV变化来最大化盈利能力。

最后一刻策略分析:

  • 目标: 测试最后一刻竞标策略在接近区块时间窗口结束时获得更有价值交易的有效性。
  • 示例: 模拟建设者等待最后时刻提交竞标的场景,旨在捕捉在最后时刻出现的高价值交易。

虚张声势策略评估:

  • 目标: 评估虚张声势策略的风险和奖励,其中建设者模拟对某些交易的兴趣,以 manipulate 其他建设者的行为。
  • 示例: 在模拟中实施虚张声势策略,观察其对竞争对手竞标行为的影响,尤其是在MEV丰富的环境中。

自然语言处理和大语言模型简化MEV交互

实施自然语言处理(NLP)和大语言模型(LLM)系统可以让与以太坊的交互变得更加简便。用户可以用自然语言输入指令,这些指令会被翻译成可执行的功能或结构化查询,从而简化用户体验。

问题陈述:
通过实施自然语言接口,增强区块链和与MEV相关的系统的可访问性,将用户指令转换为具体的、可执行的区块链操作。

技术方法:

  • NLP系统实施:
    开发一个由AI驱动的NLP/LLM系统,能够理解和处理用户的自然语言查询,并将其翻译成智能合约函数或交易指令。

  • AI翻译模型:
    利用先进的NLP模型,能够解释用户命令的意图和细节,并将其转化为适当的区块链操作。

机制设计:

  • NLP模型 $M$:
    构建和训练NLP模型,以理解和执行来自自然语言输入的复杂区块链指令。

  • 用户-区块链接口 $I$:
    创建一个接口,作为用户输入和区块链操作之间的桥梁,促进自然语言向智能合约和交易的转换。

所需数据:

  • 用户输入数据,用于训练NLP模型以适应典型用户查询。
  • 代表常见区块链操作的交易模板。
  • 语言模型训练集,以提高NLP模型理解区块链特定术语和操作的能力。

评估标准:

  • 易用性和可访问性:
    评估NLP系统如何改善用户与区块链系统互动的体验。

  • 命令翻译和执行的准确性:
    测量NLP系统解读和执行用户命令的精确性。

  • 用户参与度和系统吞吐量:
    评估用户采纳率和系统在处理多个并发查询时的效率。

优化潜力:

  • 扩展语言模型:
    不断增强NLP模型,覆盖更广泛的查询,并提高上下文理解能力,更好地处理复杂和微妙的用户请求。

具体目标和示例

简单交易命令:

  • 目标: 允许用户通过简单的命令执行基本交易,例如购买代币。
  • 示例: 用户说:"我想以不高于每单位$20的价格购买500个ABC代币",系统将其翻译为一个监控价格的智能合约功能,并在规定条件内执行购买。

投资计划命令:

  • 目标: 使用户能够通过对话输入设置复杂的条件投资计划。
  • 示例: 用户指定:"我想在接下来的六个月内,每月投资1000美元到以太坊二层项目中",AI系统将按要求调度和管理这些投资。

质押和委托命令:

  • 目标: 通过自然语言促进质押和委托偏好的配置。
  • 示例: 用户命令:"我希望将我的$ETH与EigenLayer重新质押,并委托给AVSs,目标是年收益率至少10%,风险因子低于5%",NLP系统根据这些参数设置质押。

专为个人建设者配置的高级设置:

  • 目标: 允许个人建设者使用对话语言配置和部署智能合约或参与复杂的MEV策略。
  • 示例: 建设者可能指定:"部署一个在价格差异超过0.5%时进行去中心化交易所套利的合约",NLP接口将其翻译为一个智能合约设置。

面向高级建设者的复杂策略制定:

  • 目标: 通过详细的自然语言指令促进复杂的交易和投资策略的开发。
  • 示例: 一个高级建设者可以指示:"创建一个基于实时Gas价格和代币波动指数调整的动态对冲策略",系统将把这一调整转化为一系列智能合约功能。

去中心化的AI市场以实现动态MEV策略

创建去中心化的市场,使AI驱动的MEV策略能够安全且透明地交易,从而促进强大的交易环境。在这里,策略都是数字化的并进行交易,智能合约确保交易的完整性和合规性。

问题陈述:
开发一个去中心化平台,用户可以在这里安全透明地交换AI驱动的MEV策略,促进尖端链上交易技术的高效市场。

技术方法:

  • 链上市场:
    构建一个链上市场,AI生成的MEV策略被数字化,允许参与者之间进行安全且透明的交易。

  • 智能合约集成:
    实施智能合约,处理策略Token的创建、交易和执行,确保交易的完整性并提供争议解决机制。

机制设计:

  • 市场结构(S):
    设计一个市场结构支持安全交易策略Token$\tau$,利用链上技术提高安全性和透明性。

  • 智能合约的强制执行:
    使用智能合约强制交易、处理争端,并管理每个策略Token的生命周期。

所需数据:

  • 每个策略的详细性能数据以通知潜在买家。
  • 用户评分和评论以促进信任和透明度。
  • 综合交易历史以确保可追溯性和问责制。

评估标准:

  • 市场流动性和交易量:
    评估市场流动性和交易量,以确保健康的交易环境。

  • 用户满意度和信任:
    通过调查和参与指标衡量用户在市场中的满意度和信任度。

  • 合规性和安全性:
    评估市场内交易的合规性和安全性。

优化潜力:

  • 功能更新和用户界面增强:
    根据用户反馈和新兴市场趋势,定期更新市场功能和用户界面,以提高可用性和功能性。

具体目标和示例

由AI代理驱动的专业预测市场:

  • 目标: 开发预测市场,AI代理不断分析并更新各种MEV场景的可能性,创建一个动态的市场来下注这些结果。
  • 示例: AI代理在未来区块的MEV机会中运营一个预测市场,允许用户根据AI对可能情景的预测进行下注。

AI驱动的策略开发与数字化:

  • 目标: 使AI系统开发和细化MEV策略,然后将其数字化并在市场上出售。
  • 示例: 一个AI系统创建一个针对去中心化交易所的先进套利策略,该策略被数字化为数字资产。用户可以通过智能合约购买、出售或许可该策略。

用户驱动的策略定制与交易:

  • 目标: 允许用户定制现有的AI策略并在市场中交易这些修改。
  • 示例: 用户将AI生成的策略修改得更符合自己的交易风格和风险容忍度,然后将这条改进后的策略作为独特的Token在平台上出售。

合规性和监控工具:

  • 目标: 集成工具以监控并确保市场中的金融法规合规。
  • 示例: 实施由AI驱动的监控系统,自动检查所有策略Token是否符合相关法规,并标记潜在问题。

参考文献

  • 原文链接: github.com/thogiti/thogi...
  • 登链社区 AI 助手,为大家转译优秀英文文章,如有翻译不通的地方,还请包涵~
点赞 0
收藏 0
分享
本文参与登链社区写作激励计划 ,好文好收益,欢迎正在阅读的你也加入。

0 条评论

请先 登录 后评论
thogiti
thogiti
https://thogiti.github.io/