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

Original by: DWF Ventures

Bahasa asli: TecFlow Deep Tide

Perkenalan:Agen AI telah menghitung hampir seperlima dari perdagangan DeFi, dan memang telah memenangkan seorang pria dalam skenario yang jelas dari keuntungan mengoptimalkan. Tapi itu perdagangan bebas. Top AI adalah kurang dari seperlima dari manusia top. Studi ini terurai kinerja AI nyata dalam skenario DeFi yang berbeda dan layak untuk dilihat oleh semua yang bersangkutan dengan transaksi otomatis。

Elemen inti

aktivitas automatisasi dan agen saat ini menghitung sekitar 19 persen dari semua kegiatan berantai, namun otonomi yang benar tetap sulit dipahami。

dalam sempit dan baik-didefinisikan menggunakan seperti kembali teroptimasi, agen telah menunjukkan kinerja unggul untuk manusia dan bot. tapi manusia melakukan lebih baik daripada anggen untuk berbagai tindakan, seperti perdagangan。

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

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

Agen, pertumbuhan aktivitas berkelanjutan

Ada peningkatan aktivitas yang stabil selama setahun terakhir, baik dalam volume dan volume. Kami melihat bahwa protokol Coinbase x402 menyebabkan perkembangan besar, dan pemain seperti Visa, Stripe dan Google bergabung dalam memperkenalkan standar mereka sendiri. Sebagian besar infrastruktur saat ini di bawah pembangunan dirancang untuk melayani dua jenis adegan: hubungan antara kemarahan atau panggilan agen dipicu oleh manusia。

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

Agen tidak sepenuhnya baru untuk DeFi. Selama bertahun-tahun, telah ada otomatisasi melalui bot dalam protokol rantai untuk menangkap Mevis atau untuk mendapatkan keuntungan berlebih yang tidak dapat dicapai tanpa kode. Sistem ini beroperasi dengan baik di bawah parameter yang didefinisikan dengan baik yang tidak berubah sering atau membutuhkan pengawasan tambahan. Namun, pasar telah menjadi lebih kompleks dari waktu ke waktu. Di sinilah kita melihat generasi baru dari kemarahan memasuki, dan beberapa bulan terakhir telah menjadi laboratorium untuk aktivitas semacam ini。

Pertunjukkan Agen yang sebenarnya

Menurut laporan, aktivitas kemarahan telah meningkat secara eksponensial dan sejak 2025 lebih dari 17.000 angen telah dimulai. Total aktivitas otomatis / agen diperkirakan mencakup lebih dari 19 persen dari semua aktivitas berantai. Hal ini tidak mengejutkan 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。

Agen otonomi berkisar dari pengalaman robotik obrolan yang membutuhkan pengawasan manusia yang tinggi untuk kemarahan yang dapat mengembangkan strategi untuk beradaptasi dengan kondisi pasar berdasarkan input target. Dibandingkan dengan bot, marah memiliki beberapa keuntungan kunci, termasuk kemampuannya untuk menanggapi dan menerapkan informasi baru dalam milidetik dan kemampuannya untuk memperluas cakupan ke ribuan pasar sambil mempertahankan kekakuan yang sama。

kebanyakan agen masih di analis ke tingkat co-pilot, karena kebanyakan dari mereka masih pada tahap pengujian。

Optimisasi keuntungan: kinerja Agen

Penyesuaian likuiditas adalah daerah di mana otomatisasi telah sering terjadi, dan kemarahan memiliki total lebih dari $390 juta di TVL. Angka ini mengukur aset secara langsung disimpan oleh pengguna dalam kemarahan, termasuk ibukota rute lemari besi。

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

ARMA menampilkan keunggulan terukur, menghasilkan tingkat pembatalan pengembalian lebih dari 9.75 persen untuk USDC. Bahkan mempertimbangkan biaya penyeimbangan tambahan dan biaya kinerja 10 persen untuk orang yang marah, laju pengembalian melebihi rata-rata pinjaman Aave atau Morpho. Meskipun demikian, skalabilitas tetap menjadi masalah kunci, karena agen-agen ini belum pernah diuji lapangan untuk mengelola atau memperpanjang lingkup perjanjian utama DeFi。

Manusia memimpin banyak

namun, untuk operasi yang lebih kompleks seperti transaksi, hasilnya jauh lebih beragam. model transaksi saat ini dijalankan berdasarkan masukan yang didefinisikan manusia dan menyediakan keluaran menurut aturan yang telah ditentukan sebelumnya. mesin belajar memperluas hal ini dengan mengaktifkan model untuk memperbarui perilaku mereka berdasarkan informasi baru tanpa perlu untuk pemrograman ulang terlihat dan mendorong ke peran ko- pilot. sebagai gabungan amarah otonom sepenuhnya, pola transaksi akan berubah secara dramatis。

Beberapa kompetisi telah diadakan antara dan antara kemarahan dan antara manusia, dan hasilnya menunjukkan perbedaan yang signifikan antara model. Perdagangan XYZ mengadakan kompetisi kemanusiaan untuk agen untuk saham pada platformnya. Setiap akun memiliki pendanaan awal sebesar $10.000 dan tidak ada batas pada frekuensi leverage atau transaksi. Hasilnya sangat bias terhadap manusia, yang melakukan di atas lima kali lebih dari di atas。

Pada saat yang sama, Nof1 menyelenggarakan kompetisi agen perdagangan antara model, yang memungkinkan beberapa model (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini) untuk bersaing satu sama lain untuk menguji profil risiko berbeda mulai dari pertahanan modal ke pengaruh maksimum. Hasilnya mengungkapkan beberapa faktor yang dapat membantu menjelaskan perbedaan dalam kinerja:

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

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

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

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

Model dasar: Grok 4.20 tampil jauh lebih baik daripada model lain dalam strategi petunjuk yang berbeda 22% atau lebih dan hanya model laba rata-rata。

faktor lain, seperti preferensi multi- ruang, ukuran transaksi dan tingkat kepercayaan diri, tidak memiliki cukup data atau terbukti relevansi positif untuk kinerja model. secara keseluruhan, hasil menunjukkan bahwa agen cenderung tampil 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. pertunjukkan sejarah sering digunakan sebagai benchmark untuk menilai kemarahan, tetapi mereka dipengaruhi oleh faktor-faktor yang mendasari yang memberikan tanda-tanda kuat kinerja marah yang kuat。

Kinerja di bawah berbagai fluktuasi:ini termasuk kontrol kehilangan disiplin ketika kondisi memburuk, yang menunjukkan bahwa angen mampu mengidentifikasi faktor-faktor yang mendasarinya yang mempengaruhi keuntungan transaksi。

Transparansi dan privasi:kedua belah pihak memiliki perdagangan sendiri-off. agen transparan, jika mereka dapat secara proaktif direplikasi, pada dasarnya tidak strategis. agen swasta terkena risiko ekstraksi internal oleh pencipta, yang dengan mudah dapat lari dari pengguna sendiri。

Sumber:angent diakses sumber data sangat penting untuk menentukan bagaimana marah membuat keputusan. itu penting untuk memastikan bahwa sumber yang kredibel dan bahwa tidak ada ketergantungan tunggal。

Keamanan:Sangat penting untuk memiliki audit kontrak cerdas dan tepat hosting dana struktur untuk memastikan langkah-langkah cadangan dalam insiden Angsa Hitam。

Berikutnya Agen

masih banyak yang harus dilakukan dalam hal infrastruktur untuk adopsi kemarahan skala besar. hal ini dapat dikaitkan dengan isu-isu kunci sekitarnya kepercayaan dan implementasi. tidak ada pagar untuk tindakan otonom dan telah ada contoh manajemen keuangan miskin。

ERC-8004 datang online pada bulan 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 portfolio DeFi karena nilai 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, sebagai celah keamanan seperti kolusi dan serangan penyihir mungkin masih terjadi. Oleh karena itu, masih ada banyak ruang untuk mengisi daerah asuransi, keamanan, dan janji ekonomi marah。

Saat DeFi memperluas aktivitasnya, kemacetan taktis menjadi resiko struktural. Ladang Gain adalah yang paling jelas mendahului, dan kembali berkurang karena strategi menyebar. Dinamika yang sama dapat diterapkan pada transaksi yang marah. Jika sejumlah besar delegasi kereta dan mengoptimasi target serupa pada data yang sama, mereka berkumpul pada posisi yang sama dan sinyal keluar serupa。

Koran CoinAlg yang diterbitkan oleh Universitas Cornell pada bulan Januari 2026 memformalkan versi isu tersebut. Anent transparan dapat diatur karena transaksi mereka dapat diprediksi dan dapat dijarah. Agen swasta menghindari risiko ini, tapi memperkenalkan risiko yang berbeda, yaitu pencipta mempertahankan keuntungan informasi atas penggunanya sendiri dan dapat mengekstrak nilai dari pengetahuan internal yang dimaksudkan untuk dilindungi oleh opasitas。

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