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 是全球支持和推廣Token Engineering 的重要社群之一，致力於創建和維護一個可持續的生態系統，並透過其論壇和其它資源為社區成員提供支援和協作平台。
此專案利用強化學習與基於agent 的建模與模擬技術，優化代幣生態系中的bonding curve 機制。透過探索並回應不同PAMM & SAMM bonding curve 組合下的潛在惡意策略，專案旨在顯著提升代幣系統的經濟安全性。此外，該計畫也致力於推動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，為建立更安全且永續的代幣生態系統鋪路。
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關鍵作用。透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，透過觀察greedy Machine Learning agents 的行為，識別系統部署到真實環境後用戶可能發生的行為，透過比較真實行為與預期行為之間的差異來不斷優化機制設計。他們也將這項理念應用於Ocean 協議的bonding curve 研究。然而遺憾的是，該專案最終並沒有大規模落地，目前找不到任何可供參考或運行的專案程式碼。
自2023 年起，BCRG (Bonding Curve Research Group) 對bonding curve 進行了較為全面的研究、開發、教育和應用，特別是在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、假設分析等更深層的研究之中。
我們團隊長期專注於Token Engineering 領域的探索，致力於以agent-based modeling and simulation 解決複雜系統的設計與最佳化問題。
1.2 專案簡介
在本提案中，我們旨在繼承Incentive AI 的理念，透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，並透過進一步的比較分析與行為空間探索，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，縮小預期行為和真實行為之間的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（eg Uniswap）和混合型（eg 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機率高低，並透過模擬結果直觀展示惡意策略對系統造成的後果，盡可能透過實驗探索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 的高級帳號贊助，將藉助這先進的建模模擬平台，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. 此方法具有普適性，可落地，可重複使用，可能對整個代幣生態系的經濟安全有一定的幫助；
III.得益於Holobit 這項強大工具，本模型能夠被大眾讀懂、會用、可驗證。
-
計畫的短期目標
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.為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經濟安全性的建議。
-
計畫的長期目標
透過結合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為Token Engineer，從而為「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
借助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、漏洞風險及最佳化方案）。
3. 使命和價值觀對齊
-
便捷：Holobit 支援公開分享，且建模邏輯簡單，做到了視覺化與直覺化，確保人人都能閱讀、會用、可驗證。因此，本模型得以作為公共物品開放，所有人均可存取與測試，如已給出的Terra/ LUNA 生態系統案例。
-
教育：透過詳細的模型和模擬教程，專案可以幫助大眾深入了解bonding curve 的工作原理及其在代幣生態系統中的關鍵作用；透過agent-based modeling and simulation，專案可以向大眾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，如果可以透過此模型將這套方法論與工具在社群中推廣普及，則可以進一步推動Token Engineering 的普及、發展與實踐應用。
-
透明：只有大眾能讀懂才算真正的透明，本模型不涉及程式碼，透過Holobit 工具將建模機制和實驗過程視覺化。透過建模與實驗，不只將模型的機制透明，也進一步將機制設計的風險透明，並給出了具體的修復意見。
-
社群驅動：社群可以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、成長等的研究。更重要的是，這套方法論與工具還可以復用在其它協議上，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」成為可能，我們可以匯集群體智慧的力量建構起更反脆弱、可持續的代幣生態系統。