深入探讨AI驱动下的bonding curve组合风险

Elaine和Jeryme | 作者

Sissi@TEDAO | 译者

译者导读：

本文介绍了获得2024年春季Token Engineering Commons（简称“TEC”）资助的一个创新项目。TEC是一个致力于推进Token Engineering的全球社区，通过其论坛和其他资源支持社区成员的协作与发展。这个项目通过强化学习和基于agent的建模与仿真技术，优化了代币生态系统中的bonding curve机制。项目旨在通过探索不同PAMM和SAMM bonding curve组合下的潜在恶意策略，提升代币系统的经济安全性，同时推动Token Engineering的普及与实践，帮助构建更安全、可持续的代币生态系统。

1. 提案详情

1.1 背景概述

bonding curve是代币生态系统的核心部分，它在控制代币价格波动、提供流动性和动态调节代币供应方面起着关键作用。通过数学化代币生态系统中各元素的关系，bonding curve为代币生态系统的“工程控制”提供了可能。

早在2018年，IncentiveAI团队就提出使用AI-agent来优化机制的想法，通过观察贪婪的机器学习代理的行为，预测用户在真实环境中的行为，并通过比较真实与预期行为的差异来优化机制设计。他们曾将这一方法应用于Ocean协议的bonding curve研究，但遗憾的是，该项目最终未能大规模实施，目前也找不到任何可供参考的代码。

自2023年起，BCRG（Bonding Curve Research Group）对bonding curve进行了全面研究、开发、教育和应用，尤其是在PAMM（Primary Automated Market Maker）和SAMM（Secondary Automated Market Maker）的联合研究上。然而，由于资源限制，BCRG尚未深入探索恶意策略、渗透测试和假设分析等方面。

我们的团队长期致力于Token Engineering领域的探索，利用基于agent的建模与仿真技术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，我们继承了IncentiveAI的理念，通过强化学习训练的AI-agent来探索不同PAMM和SAMM bonding curve组合下的潜在攻击策略。我们将通过比较分析和行为空间探索，寻找相对稳定和优质的bonding curve参数组合，优化协议的机制设计，缩小预期行为与真实行为之间的差距，降低代币生态系统的经济安全风险。

具体来说，我们选择了Linear、Exponential、Power和Sigmoid四种常见的PAMM bonding curve类型，以及恒定乘积（如Uniswap）和混合型（如Curve）两种常见的SAMM bonding curve类型，形成了8种组合方案。我们将使用基于agent的建模与仿真方法进行实验，通过AI-agent探索每种方案的潜在恶意策略集合及其发生概率，并通过模拟结果展示恶意策略对系统的影响，探索出相对科学的恶意攻击应对策略和bonding curve机制优化方案。

此外，我们获得了Holobit的高级账号赞助，将利用这一先进的建模仿真平台，全面透明地展示我们的模型搭建细节和实验过程。

可能的创新点

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

II. 这种方法具有普适性、可落地性和可复用性，可能对整个代币生态系统的经济安全产生积极影响；

III. 得益于Holobit这一强大工具，本模型能够被大众理解、使用和验证。

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，识别各种机制组合下的风险，并探索相应的风险应对策略和机制优化方案；

II. 为bonding curve的发展提供一套科学严谨的研究方法；

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

项目的长期目标

通过结合AI的Agent-based modeling and simulation方法的普及与Token Engineering的推广，使得人人都有可能成为Token Engineer，为以社区驱动的方式构建更加反脆弱和可持续的代币生态系统打下坚实基础，进一步推广Token Engineering，并加速其理论和实践层面的发展。

2. 预期成果

借助Holobit工具进行基于agent的建模，预计将交付以下成果：

一个引入AI-agent的代币经济链下模拟模型，包含8种PAMM与SAMM组合的实验方案。模型完全透明，人人都能理解、使用和验证；

一份基于AI-agent探索出的不同PAMM与SAMM bonding curve组合下的潜在恶意攻击策略的研究报告（包括建模流程、实验内容、漏洞风险及优化方案）。

3. 使命和价值观对齐

便捷：Holobit支持公开分享，且建模逻辑简单，实现了可视化与直觉化，确保人人都能理解、使用和验证。因此，本模型可以作为公共物品开放，所有人均可访问与测试，如已经给出的Terra/LUNA生态系统案例。

教育：通过详细的模型和仿真教程，项目可以帮助大众深入了解bonding curve的工作原理及其在代币生态系统中的关键作用；通过agent-based modeling and simulation，项目可以向大众展示如何分析和处理复杂系统中的动态关系和潜在风险。这种技能是广泛适用的，也是研究Token Engineering的关键技能。如果可以通过此模型将这套方法论与工具在社区中推广普及，则可以进一步推动Token Engineering的普及、发展与实践应用。

透明：只有大众能理解才算真正的透明，本模型不涉及代码，通过Holobit工具将建模机制和实验过程可视化。通过建模与实验，不仅将模型的机制透明化，还进一步将机制设计的风险透明化，并给出了具体的修复意见。

社区驱动：社区可以fork此模型进行各种各样的实验，不仅限于bonding curve，还可用于治理、增长等的研究。更重要的是，这套方法论与工具还可以复用在其他协议上，每个人都可以在社区中公开自己的研究成果，披露某个代币生态系统的漏洞与可优化之处，真正实现社区驱动的自监管。

与Token Engineering原则对齐：当掌握这套方法和工具之后，人人可以基于这些技能进行协议的经济安全审计。因此，“去中心化地完成代币工程”成为可能，我们可以汇集群体智慧的力量构建起更加反脆弱、可持续的代币生态系统。