Laporan DWF: AI adalah lima kali di belakang dalam perdagangan diri sambil mengoptimalkan manusia dalam pendapatan DeFi

oleh: DWF Ventures

Bahasa asli: Teko Teduh Dalam

Pengantar Perjanjian Lama:Agen AI telah memperhitungkan hampir seperlima dari perdagangan DeFi, dan memang telah memenangkan seorang pria dalam skenario yang jelas dari mengoptimalkan keuntungan. Tapi itu perdagangan bebas. AI Top adalah kurang dari seperlima manusia teratas. Studi ini menguraikan kinerja nyata AI dalam skenario DeFi yang berbeda dan layak dilihat oleh semua orang yang peduli dengan transaksi otomatis。

Unsur-unsur teras

otomasi dan kegiatan agen saat ini memperhitungkan sekitar 19 persen dari semua kegiatan berantai, tetapi otonomi akhir-ke-akhir sejati tetap sulit dipahami。

di dalam penggunaan sempit dan didefinisikan dengan baik seperti pengembalian dioptimalkan, agen telah menunjukkan kinerja superior kepada manusia dan bot. tapi manusia lebih baik daripada anggen untuk berbagai tindakan, seperti perdagangan。

para pihak, pemilihan model dan manajemen risiko memiliki dampak terbesar pada kinerja transaksi。

sebagai agen agen yang digunakan dalam skala besar, ada sejumlah risiko yang berkaitan dengan kepercayaan dan penegakan, termasuk serangan penyihir, taktis overcounding dan privasi cek dan keseimbangan。

Agen, pertumbuhan kegiatan yang berkelanjutan

Telah terjadi peningkatan aktivitas yang tetap selama setahun terakhir, baik dalam volume maupun volume. Kami melihat bahwa protokol Coinbase x402 menyebabkan perkembangan besar, dan pemain seperti Visa, Stripe dan Google bergabung untuk memperkenalkan standar mereka sendiri. Sebagian besar infrastruktur yang sedang dibangun dirancang untuk melayani dua jenis adegan: penghubung antara angent atau panggilan agen yang dipicu oleh manusia。

meskipun ada dukungan yang meluas untuk menstabilkan transaksi mata uang, infrastruktur saat ini masih tergantung pada gerbang pembayaran tradisional sebagai tingkat bawah, yang berarti bahwa tetap tergantung pada mitra pusat. dengan demikian, akhir dari " otonomi penuh" yang dapat dibiayai sendiri, dijalankan sendiri dan terus dioptimalkan di bawah perubahan kondisi belum tercapai。

Agen belum sepenuhnya baru untuk DeFi. Selama bertahun-tahun, telah ada otomasi melalui robot dalam protokol rantai untuk menangkap MEV atau untuk mendapatkan keuntungan yang berlebihan yang tidak dapat dicapai tanpa kode. Sistem-sistem ini beroperasi dengan baik di bawah parameter yang didefinisikan dengan baik yang tidak sering berubah atau membutuhkan pemantauan tambahan. Namun, pasar telah menjadi lebih kompleks dari waktu ke waktu. Di sinilah kita melihat generasi baru dari angent masuk, dan beberapa bulan terakhir telah menjadi laboratorium untuk aktivitas semacam ini。

Agen Agen Agen Agen yang sebenarnya kinerja

Menurut laporan, aktivitas angent meningkat secara eksponensial dan sejak tahun 2025 lebih dari 17.000 angent telah diprakarsai. Secara total aktivitas otomatis/agen diperkirakan meliputi lebih dari 19 persen dari semua kegiatan berantai. Hal ini tidak mengherankan karena diperkirakan bahwa lebih dari 76 persen transfer mata uang stabil dihasilkan oleh bot. Ini menunjukkan bahwa ada ruang yang luar biasa untuk pertumbuhan dalam aktivitas DeFi。

Otonomi agen HANO berkisar dari pengalaman robotik chat yang membutuhkan pengawasan manusia yang tinggi terhadap angent yang dapat mengembangkan strategi untuk menyesuaikan diri dengan kondisi pasar berdasarkan masukan target. Dibandingkan dengan bot, angent memiliki beberapa keuntungan kunci, termasuk kemampuannya untuk menanggapi dan mengimplementasikan informasi baru dalam milidetik dan kemampuannya untuk memperluas cakupan ke ribuan pasar sambil mempertahankan kekakuan yang sama。

sebagian besar agen-agen pollin masih pada analis ke tingkat co-pilot, karena sebagian besar masih pada tahap pengujian。

Pengoptimalan manfaat: Kinerja agen

Penyediaan kecairan air adalah area di mana otomatisasi telah menjadi sering, dan angent memegang total lebih dari $ 390 juta di TVL. angka ini mengukur aset yang langsung disimpan oleh pengguna dalam angent, mengecualikan ibu kota rute brankas。

Vienza Giza Tech, salah satu perjanjian terbesar di daerah ini, meluncurkan aplikasi angent ARMA pertama pada akhir tahun lalu untuk meningkatkan penangkapan hasil perjanjian deFi utama. Ia telah menarik lebih dari $19 juta dalam aset manajemen dan telah menghasilkan lebih dari $4 miliar dalam transaksi. Perbandingan tinggi antara volume transaksi dan jumlah total aset dikelola menunjukkan bahwa angent sering menyeimbangkan modal untuk mencapai penangkapan pendapatan yang lebih tinggi. Setelah modal diendapkan ke dalam kontrak, implementasi akan otomatis, sehingga menyediakan pengguna dengan pengalaman satu kunci sederhana, dengan sedikit kebutuhan untuk oversight。

Dia melakukan keunggulan yang terukur, menghasilkan tingkat pengembalian lebih dari 9,75 persen untuk USDC. Bahkan mempertimbangkan biaya balancing tambahan dan 10 persen biaya kinerja untuk angent, tingkat pengembalian melebihi rata-rata pinjaman pada Aave atau Morpho. Terlepas dari hal ini, scalability tetap menjadi masalah kunci, karena agen-agen ini belum menjadi lapangan yang diuji untuk mengelola atau memperpanjang lingkup perjanjian deFi utama。

Manusia memimpin banyak hal

namun, untuk operasi yang lebih kompleks seperti transaksi, hasilnya jauh lebih beragam. model transaksi saat ini dijalankan atas dasar input yang didefinisikan oleh manusia dan menyediakan output sesuai dengan aturan yang telah ditentukan sebelumnya. pembelajaran mesin mesin mesin nutfah memperluas hal ini dengan memungkinkan model untuk memperbarui perilaku mereka atas dasar informasi baru tanpa perlu pemrograman ulang yang terlihat dan mendorongnya ke peran co-pilot. sebagai angent otonom sepenuhnya bergabung, pola transaksi akan berubah drastis。

Beberapa kompetisi yang telah diselenggarakan antara dan antara angent dan antara manusia, dan hasilnya menunjukkan perbedaan yang signifikan antara model. Perdagangan XYZ mengadakan kompetisi antar-manusia untuk saham di platformnya. Setiap akunnya memiliki pendanaan awal sebesar $10,000 dan tidak ada batasan pada pengungkitan atau frekuensi transaksi. Hasil ini sangat berat sebelah terhadap manusia, yang melakukan di atas lima kali lebih banyak daripada di atas。

Pada saat yang bersamaan, Nof1 mengorganisir sebuah kompetisi perdagangan agen antar model, yang memungkinkan beberapa model (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini) untuk bersaing satu sama lain untuk menguji profil risiko yang berbeda yang berkisar dari pelestarian modal hingga maksimal. Hasil ini menyingkapkan beberapa faktor yang dapat membantu menjelaskan perbedaan kinerja:

Waktu Holdout: Ada korelasi yang kuat, dengan rata-rata dua sampai tiga jam per posisi dalam model jauh lebih baik daripada model yang sering kali terbalik。

Harapan: Ukuran ini dari apakah model menguntungkan rata-rata. Menariknya, hanya tiga model pertama yang memiliki harapan positif, yang berarti sebagian besar kerugian model diperdagangkan lebih dari keuntungan。

Leverage: Tingkat leverage yang lebih rendah dari 6-8 kali rata-rata terbukti lebih baik dilakukan daripada model yang berjalan lebih dari 10 kali lipat leverage, dengan tingkat yang lebih tinggi mempercepat kerugian。

Kebijakan tip: Monk Mode adalah model kinerja terbaik sejauh ini, sedangkan kinerja paling sedikit adalah di sektor publik. Berdasarkan karakteristik model, menunjukkan bahwa fokus pada manajemen risiko dan sumber eksternal yang lebih sedikit akan mengarah ke kinerja yang lebih baik。

Model dasar: Grok 4.20 dilakukan secara signifikan lebih baik daripada model lain dalam strategi petunjuk berbeda 22% atau lebih dan merupakan satu-satunya model laba rata-rata。

faktor-faktor lain yang lain, seperti preferensi multi-ruang, ukuran transaksi dan penilaian keyakinan, tidak memiliki data yang cukup atau terbukti ada relevansi positif untuk kinerja model. secara keseluruhan, hasil menunjukkan bahwa agen cenderung melakukan lebih baik dalam batasan yang jelas didefinisikan, yang berarti bahwa manusia masih memiliki kebutuhan yang kuat untuk konfigurasi target。

Bagaimana menilai Agen

sebagai agen masih pada tahap awal, tidak ada kerangka penilaian komprehensif. prestasi historis historical sering digunakan sebagai benchmark untuk menilai angent, tetapi mereka dipengaruhi oleh faktor yang mendasari yang memberikan tanda-tanda yang lebih kuat dari kinerja angent yang kuat。

Prestasi di bawah berbagai fluktuasi:ini termasuk kontrol kehilangan disiplin bila kondisi memburuk, yang menunjukkan bahwa angent mampu mengidentifikasi faktor-faktor yang mendasari yang mempengaruhi profitabilitas transaksi。

Ketelanjangan dan privasi:kedua belah pihak memiliki perdagangan sendiri. agen-agen transparan, jika mereka dapat direplikasi secara proaktif, pada dasarnya kurang strategis. agen private terrible terkena risiko ekstraksi internal oleh pencipta, yang dapat dengan mudah melarikan diri dari penggunanya sendiri。

Sumber:sumber data yang dapat diakses secara berfaedah sangat penting untuk menentukan bagaimana cerdik membuat keputusan. sangat penting untuk memastikan bahwa sumber dapat dipercaya dan bahwa tidak ada ketergantungan tunggal。

Security:Ini penting untuk memiliki audit kontrak yang cerdas dan dana yang sesuai sebagai tuan rumah struktur untuk memastikan tindakan cadangan dalam insiden Black Swan。

Agen Agen Berikutnya

sebagian besar masih harus dilakukan dalam hal infrastruktur untuk adopsi angent berskala besar. ini dapat dikaitkan dengan masalah kunci seputar kepercayaan dan implementasi. tidak ada pagar untuk tindakan otonom dan ada contoh manajemen keuangan yang buruk。

AZO ERC-8004 datang online pada Januari 2026 dan menjadi bentuk pendaftaran pertama dalam rantai, memungkinkan pihak otonom untuk menemukan satu sama lain, membangun reputasi yang dapat diverifikasi dan bekerja sama dengan aman. Ini adalah kunci membuka portofolio DeFi karena skor kepercayaan tertanam dalam kontrak cerdas itu sendiri, memungkinkan aktivitas yang tidak sah antara semut dan protokol. Ini tidak menjamin bahwa angent akan selalu beroperasi dengan cara yang tidak buruk, seperti celah keamanan seperti kolusi dan serangan penyihir mungkin masih terjadi. Oleh karena itu, masih ada banyak ruang untuk mengisi daerah asuransi, keamanan, dan jaminan ekonomi angent。

Saat DeFi memperluas aktivitasnya, kemacetan taktis menjadi risiko struktural. Pertanian gain adalah preseden yang paling jelas, dan pengembalian berkurang seiring dengan penyebaran strategi. Dinamika yang sama mungkin berlaku untuk transaksi angent. Jika sejumlah besar delegasi melatih dan mengoptimalkan target serupa pada data serupa, mereka berkumpul pada posisi yang sama dan sinyal keluar yang serupa。

Coinhalg paper terbitan Universitas Cornell pada Januari 2026 memformalisasi versi terbitan tersebut. Anent transparansi dapat diarbitrasi karena transaksi mereka dapat diprediksi dan dapat dijarah. Agen Private Zagonia menghindari risiko ini, tetapi memperkenalkan risiko yang berbeda, misalnya pencipta mempertahankan keuntungan informasi atas penggunanya sendiri dan dapat mengekstrak nilai dari pengetahuan internal yang dimaksudkan untuk dilindungi oleh kelegapan。

Kegiatan Agen Agensi hanya akan terus mempercepat, dan infrastruktur yang telah diletakkan hari ini akan menentukan bagaimana tahap berikutnya dari rantai keuangan bekerja. Seiring meningkatnya penggunaan agen, mereka akan diulang sendiri dan lebih sensitif terhadap preferensi pengguna. Dengan demikian, faktor diferensial utama akan dikaitkan dengan infrastruktur terpercaya yang akan menerima pangsa pasar terbesar。