AI驱动的Bonding Curve组合风险深度探索

Elaine, Jereyme｜作者

Sissi@TEDAO｜译者

译者导读：

本译文将介绍获得 2024 年春季 Token Engineering Commons（简称 “TEC” ）资助的创新提案。TEC 是全球支持和推进 Token Engineering 的重要社区之一，致力于创建和维护一个可持续的生态系统，并通过其论坛和其它资源为社区成员提供支持和协作平台。

该项目利用强化学习和基于 agent 的建模与仿真技术，优化**生态系统中的 bonding curve 机制。通过探索并应对不同 PAMM & SAMM bonding curve 组合下的潜在恶意策略，项目旨在显著提升**系统的经济安全性。此外，该项目还致力于推动 Token Engineering 的普及与实践，让更多人能够理解并参与这项前沿技术，为构建更为安全和可持续的**生态系统铺平道路。

1. 提案详情1.1 背景概述

bonding curve 是**生态系统不可或缺的组成部分，它在控制**价格波动、提供必要流动性、动态化**供应等方面发挥着关键作用。通过将**生态系统中多个元素的关系数学化，bonding curve 也打开了**生态系统“工程控制”的大门。

早在 2018 年，IncentiveAI 团队就提出了将 AI-agent 用于机制优化的理念，通过观察 greedy Machine Learning agents 的行为，识别系统部署到真实环境后用户可能发生的行为，通过比较真实行为与预期行为之间的差异来不断优化机制设计。他们还将这一理念应用于 Ocean 协议的bonding curve 研究之中。然而遗憾的是，该项目**并没有大规模落地，且目前找不到**可供参考或运行的项目代码。

自 2023 年起，BCRG (Bonding Curve Research Group) 对 bonding curve 进行了较为**的研究、开发、教育和应用，尤其是在 PAMM （Primary Automated Market Maker）与 SAMM （Secondary Automated Market Maker） 的 bonding curve 联合研究上。但根据 BCRG 在 Modeling & Simulating bonding curves 中的描述，可能由于资源的限制，目前还没有进入到恶意策略探索、渗透测试、假设分析等更深层次的研究之中。

我们团队长期专注于 Token Engineering 领域的探索，致力于用 agent-based modeling and simulation 来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，我们旨在继承 Incentive AI 的理念，通过经强化学习训练的AI-agent 去探索不同 PAMM 和 SAMM bonding curve 组合下潜在攻击者的恶意策略，并通过进一步的比较分析与行为空间探索，寻找相对稳定与优质的 bonding curve 参数组合，以此不断优化协议的机制设计，缩小预期行为和真实行为之间的 gap，****生态系统的经济安全风险。

具体来讲，在 PAMM bonding curve 的选择上，我们选取最常见的 Linear、Exponential、Power 和 Sigmoid 四种类型；在 SAMM bonding curve 的选择上，我们选取最常见的恒定乘积（e.g Uniswap）和混合型（e.g Curve）两种类型，由此产生 8 种 PAMM 与 SAMM 的组合方案。我们将采用 agent-based modeling and simulation 的方法进行实验，利用 AI-agent 探索出每种方案的潜在恶意策略集合以及各自发生的概率高低，并通过模拟结果直观展示恶意策略对系统造成的后果，尽可能通过实验探索出相对科学的恶意攻击应对策略与 bonding curve 机制优化方案。

同时，我们申请到了 Holobit 的**账号赞助，将借助这一先进的建模仿真平台，全透明我们的模型搭建细节及整个实验过程。

可能的创新点

I. 将强化学习引入 Token Engineering，形成一套基于 AI-agent 与 agent-based modeling and simulation 的协议机制优化方法；

II. 该方法具有普适性，可落地，可复用，可能对整个**生态系统的经济安全有**的帮助；

III.得益于 Holobit 这一强大工具，本模型能够被大众读懂、会用、可验证。

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，识别出各种机制组合下的可能风险，并探索出相应的风险应对策略与机制优化方案；

II.为 bonding curve 的发展提供一套相对科学严谨的研究方法；

III.根据实验结果，从 bonding curve 角度提出若干提高**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，从而为“以 community-driven 的方式去**化地构建更加反脆弱和可持续的**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 agent-based 建模，预计交付以下成果：

一个引入 AI-agent 的**经济链下模拟模型，包含 8 种 PAMM 与SAMM 组合的实验方案。同时，模型**透明，人人都能读懂、会用、可验证；

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，做到了可视化与直觉化，确保人人都能读、会用、可验证。因此，本模型得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**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**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：只有大众能读懂才算真正的透明，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，不止将模型的机制透明，还进一步将机制设计的风险透明，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**于bonding curve，还可用于治理、增长等的研究。更重要的是，这套方**与工具还可以复用在其它协议上，每个人都可以在社区中公开自己的研究成果，披露某个**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去做协议的经济安全审计。因此“去**化地完成**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**生态系统。