IOSG Ventures: 새로운 DeFi에 대한 심층 탐구, 데이터의 잠재력 활용
원저자: Momir, IOSG Ventures
스마트 계약은 환경과 상호 작용하는 능력이 부족하여 제한적이며, 이는 분산 애플리케이션(dApp)의 잠재력을 제한합니다. 점점 더 복잡한 기능을 달성하기 위해 DeFi 프로토콜에는 두 가지 옵션이 있습니다: 플레이어가 다양한 시나리오를 개인화할 수 있는 유연한 설계를 채택하거나, 오라클, 키퍼와 같은 오프체인 인프라에 의존하여 외부 종속성을 도입할 수 있습니다. , 또는 오프체인 계산 — 간단한 사용자 경험을 유지합니다.
최근 DeFi가 고장난 이유와 이를 해결하는 방법 - 1부: Oracle-less 프로토콜이라는 제목의 시사점 있는 기사에서 Dan Elitzer는 공격 벡터를 최소화하기 위해 외부 종속성이 없는 DeFi 기본 요소의 사용을 옹호했습니다. 제3자 기관에 대한 신뢰의 필요성을 제거하려는 아이디어입니다. 그러나 의존성이 없는 DeFi 생태계는 전문화에 대한 요구 사항이 더 높습니다. 대부분의 사용자는 Uniswap v3에서 마켓 메이커가 되거나 외부 종속성 없이 프로토콜의 담보 품질을 평가할 시간, 전문 지식 또는 리소스가 부족하며 참여하려면 신뢰할 수 있는 중개자에 의존해야 합니다.
따라서 종속성 제로에 대한 탐구는 우리를 다시 원점으로 되돌리거나 더 나쁘게는 비전문가 사용자가 복잡한 엔터티를 신뢰하거나 과도기적 스마트 계약에 자금을 예치하도록 강요하여 불안감을 증가시킬 수 있습니다. 외부 종속성을 완전히 제거하기 위해 싸우기보다는 외부 종속성을 더욱 엄격하게 조사하고 잠재적인 블랙 스완 시나리오를 제한하는 등 보다 실용적인 접근 방식을 고려하십시오. 우리는 어느 정도 의존도가 불가피하며 심지어 산업 발전에 매우 중요하다는 점을 인식해야 합니다.
잘 알려진 DeFi 프로젝트 중에서 Uniswap의 초기 버전은 종속성 제로 달성에 가장 가깝습니다. 그러나 최근 Uniswap v4가 도입되면서 해당 분야를 발전시키기 위한 고도의 모듈식 접근 방식(후크)으로의 전환이 입증되었습니다.
데이터 프리미티브
외부 종속성에 대한 논의는 외부 데이터와 상호 작용하는 스마트 계약의 기능을 중심으로 이루어집니다. 오늘날 데이터 상호 작용은 제한된 범위(주로 주요 암호화폐 가격 포함)에도 불구하고 오프체인 정보에 액세스하기 위해 오라클에 의존하는 경우가 많습니다.
점점 더 많은 활동이 블록체인으로 마이그레이션됨에 따라 풍부한 온체인 데이터를 사용하여 메커니즘 설계를 알고리즘적으로 투명하게 향상시킬 수 있습니다. 그러나 온체인 데이터의 투명성에도 불구하고 이를 스마트 계약과 통합하는 것은 쉬운 일이 아닙니다. 의미 있는 데이터를 읽고 처리하고 전달하려면 정교하고 신뢰할 수 있는 인프라가 필요합니다. 결과적으로 개발자는 데이터 요구 사항을 충족하기 위해 기존 도구에 의존하는 경우가 많습니다. 그러나 대부분의 기존 데이터 솔루션은 Web 2.0 프레임워크에 기반을 두고 있으며 훨씬 더 많은 Web 3.0 기본 프로토콜은 제공하는 데이터의 정확성을 보장할 수 없습니다.
다각형 Sushi-Matic 하위 그래프에서 전송되는 부정확한 데이터에 대한 Sushiswap 토론
스마트 계약이 수십억 달러의 예금을 관리할 수도 있다는 점을 고려할 때, 신뢰할 수 있는 API 소스에 직접 연결하는 것은 바람직하지도 실용적이지도 않습니다. 이러한 의존은 블록체인 생태계의 분산된 특성을 약화시킬 수 있기 때문입니다.
변조 방지 데이터 솔루션 구축
우리의 투자 철학은 변조 방지 데이터가 차세대 DeFi 프로토콜의 초석이 될 것이라는 근본적인 믿음을 중심으로 이루어집니다. 그러나 데이터 변조 방지를 달성하는 것은 간단한 작업이 아니며 이를 경제적으로 실현 가능하게 만들기 위해서는 복잡한 인프라와 광범위한 최적화가 필요합니다.
이러한 맥락에서 Space and Time은 변조 방지 데이터 인프라 구축의 선구자가 되었습니다. 핵심 부분은 관계형 데이터베이스에서 데이터를 쿼리하기 위해 특별히 설계된 SNARK 증명보다 향상된 SQL 증명입니다. 이 접근 방식은 쿼리와 해당 기본 데이터가 변조되지 않았음을 보장합니다. 또한 RPC 호출을 통해 아카이브 노드에서 데이터를 검색할 때 데이터 유효성을 보장합니다.
다른 잘 알려진 무신뢰 데이터 기본 프로젝트에는 Nil Foundation, Axiom, Brevis, Herodotus 등이 포함되지만 이에 국한되지는 않습니다.
변조 방지 데이터는 DeFi 프로토콜의 새로운 지평을 열어 기능의 경계를 넓혀 업계의 추가 성장과 혁신을 촉진합니다.
아래에서는 다음과 같은 경우 데이터 기반 프로토콜 설계 최적화에 대해 설명합니다.
1. 개인화된 사용자 경험
2. 자체 매개변수화 프로토콜
3. 프로토콜 경제
4. 적격 액세스
1. 개인화된 사용자 경험
기술 비즈니스 세계에서는 사용자에게 맞춤형 서비스를 제공하는 것이 일반적입니다. 그러나 스마트 계약(본질적으로 일부 비즈니스 논리를 나타내는 코드 문자열)은 사용자 경험을 통합하는 경우가 많으며 이는 종종 열악한 사용자 경험과 동일합니다. 예를 들어, 일부 대출 플랫폼에서 사용자 A는 초보자이고 사용자 B는 장기 계약 사용자이며 사용자 C는 베테랑 거래입니다. 이러한 차별화 부족은 사용자 행동을 설명하는 데 실패하고 사용자 지속성을 강화하고 긍정적인 행동을 장려하며 자본 활용을 최적화할 수 있는 기회를 놓치게 됩니다.
프로토콜은 사용자 행동을 식별하고 그에 따라 조정하는 데 기득권을 가지고 있습니다. 예를 들어, 신용 등급을 활용하여 실적이 좋은 고객에게 더 저렴한 신용 또는 낮은 모기지 금리를 제공합니다. 이러한 프로젝트는 자연스럽게 획일적인 용어를 사용하는 플랫폼의 사용자를 끌어들일 것입니다. 또한 이 접근 방식은 사용자에게 더 유리한 조건을 얻기 위해 좋은 행동을 수행하도록 암시적인 인센티브를 제공합니다.
SoFi와 같은 회사가 통합을 거부하여 시장 점유율을 얻는 핀테크 측면에서 생각하면 DeFi dApp도 배울 수 있습니다. 예를 들어 SoFi는 학자금 대출 시장에서 시장 비효율성을 발견했습니다. 스탠포드 졸업생은 졸업 후 고임금 일자리를 얻을 가능성이 더 높음에도 불구하고 다른 대출자와 동일한 대출 이자율이 부과되었습니다. SoFi는 사용자의 위험 프로필을 더 잘 반영하기 위해 요율을 조정함으로써 주목할만한 성공을 거두었습니다.
마찬가지로, DeFi 공간에서도 우리는 사용자 위험을 금리와 담보에 포함시키는 프로토콜을 혁신할 수 있는 기회를 구상하고 있습니다. 그러나 기존의 과거 데이터에만 기초하여 대출을 과소담보하지 않도록 주의해야 하며, 이는 게임 이론이 변경되면 관련이 없게 됩니다.
Spectral 및 Cred Protocol과 같은 프로젝트가 온체인 데이터로부터 신용 점수 모델을 구축하려고 시도하고 있다는 점은 언급할 가치가 있습니다. 그러나 이러한 프로젝트는 모두 중앙 집중식 데이터베이스에서 실행되므로 제공하는 데이터와 모델이 중앙 집중식 데이터에서 제공되고 쉽게 변조될 수 있는 한 주요 DeFi 프로토콜이 API에 연결될 가능성은 거의 없습니다. 대신, 이러한 프로젝트가 변조 방지 솔루션을 채택하면 광범위한 혁신적인 애플리케이션을 지원하는 유비쿼터스 DeFi 신용 오라클이 될 가능성이 있습니다.
2. 자체 매개변수화 프로토콜(거버넌스 개입 최소화)
많은 DeFi 프로토콜은 여전히 오프체인 컨설팅 회사가 지시하는 수동 거버넌스 프로세스에 의존하여 매개변수를 조정합니다. 예를 들어 AAVE는 프로토콜 위험 매개변수를 모니터링하고 안내하기 위해 외부 컨설팅 회사에 막대한 비용을 지불합니다.
그러나 이 접근 방식은 다음과 같은 몇 가지 문제를 야기합니다.
1. 실시간 지원 부족: 시스템이 변화하는 시장 상황이나 새로운 위험에 대응하는 능력이 부족합니다.
2. 수동 시스템: 사람의 개입에 의존하면 프로토콜 매개변수를 조정할 때 대기 시간 문제와 잠재적인 비효율성이 발생합니다.
3. 오프체인 엔터티에 대한 신뢰: 외부 컨설팅 회사에 대한 의존은 추천에 사용되는 방법론과 투명성에 대한 우려를 불러일으킵니다.
이러한 정적 접근 방식은 AAVE에 대한 공격에서 노출되었으며, 빌린 토큰의 유동성을 더 잘 반영하는 적절한 대출 매개변수를 사용했다면 피할 수 있었던 불량 부채로 이어졌습니다. 또한, 대출 프로토콜에서 순환 토큰을 담보로 사용하는 데 따른 위험이 적절하게 해결되지 않았습니다.
이러한 제한 사항을 해결하려면 프로젝트가 실시간, 자동화, 투명, 무신뢰 설계로 전환되어야 합니다. 예를 들어, 대출 프로토콜은 공간 및 시간과 같은 인프라를 활용하여 데이터를 실시간으로 모니터링할 수 있습니다. 이를 통해 담보, 차용 매개변수 및 기타 주요 매개변수를 동적으로 조정할 수 있습니다.
마찬가지로 거래소는 변동성 또는 비영구적 손실을 기반으로 역동적인 수수료 구조를 도입할 수 있습니다. Uniswap v3의 많은 유동성 풀은 LP를 동적으로 충전할 수 없기 때문에 지속 가능한 운영을 달성하기 어렵습니다. Uniswap v4의 Hook 또는 Valantis의 모듈을 사용하면 동적 수수료가 가능합니다.
또한 수집자는 기본 프로토콜의 변화하는 위험과 보상에 적응하기 위해 인적 노동과 고정 수수료로부터 자유로울 수 있습니다. Spool과 Solity 간의 협력은 이러한 방향으로 나아가는 단계이며, Soity는 빅 데이터 접근 방식을 사용하여 풀의 위험 보상을 분석합니다.
3. 프로토콜 경제
데이터 기반 접근 방식은 프로젝트가 적격 사용자와 인센티브를 공유할 수 있는 DeFi의 프로토콜 경제 및 토큰 경제 모델을 향상시킬 수 있는 잠재력을 가지고 있습니다.
예를 들어, 사용자 충성도와 충성도를 찾는 DEX 애그리게이터는 지정된 수의 트랜잭션을 실행하고 최소 트랜잭션 볼륨에 도달하는 등 특정 조건을 충족하는 사용자에게 슬리피지 혜택을 할당할 수 있습니다.
이러한 인센티브는 얼리 어답터에게 큰 인센티브를 제공하고, 사용자 기반 내에서 충성도를 구축하며, 기존 사용자에게 직접 인센티브를 제공하여 자신의 인구 내에서 프로토콜 사용을 촉진합니다.
4. 적격 액세스
블록체인은 허가가 필요하지 않지만 선택의 자유도 허용합니다. 여러 경우에 애플리케이션 계층에서 허가된 액세스를 통해 프로토콜이 악의적인 행위에 사용되지 않도록 하거나 의도한 사용자 기반과 효과적으로 상호 작용할 수 있습니다.
예를 들어 Tornado Cash와 같은 개인 정보 보호 프로토콜은 자금 세탁이나 기타 불법 활동에 사용될 수 있기 때문에 규제 기관의 감시를 받습니다. 자금 세탁을 방지하기 위해 프로토콜 개발자는 악의적인 행위자가 플랫폼과 상호 작용하는 것을 방지하기 위한 조치를 취할 수 있습니다.
또한 시장 조성자에게는 거래 상대방에 대한 지식이 매우 중요하지만 이러한 정보는 종종 dex에 제공되지 않습니다. 데이터를 사용하여 실제 사람의 증거를 구축하는 것이 가능하다고 가정하면 DEX는 봇이 아닌 주소만 상호 작용하도록 허용할 수 있으므로 이러한 문제도 해결할 수 있습니다.
검증 가능한 컴퓨팅의 필요성
이전 섹션에서 논의한 내용은 무신뢰 데이터 기본 요소와의 통합을 통해 완전히 구현될 수 있습니다. 그러나 통계 계산이나 기계 학습을 수행하려면 추가 리소스가 필요한 경우도 있습니다. 예를 들어 신용 점수 프로그램은 변조 방지 데이터를 활용할 수 있지만 신용 점수를 생성하려면 여전히 기계 학습 알고리즘이 필요합니다.
또는 위험 오라클의 맥락에서 특정 토큰의 순환 공급, 볼륨, 거래 수, 보유자 수, TGE 이후 시간 등에 대한 데이터에 액세스하는 것은 적절한 담보 및 대출 요소를 결정하는 데 중요합니다. 하지만 머신러닝 기술은 이 데이터를 기반으로 정확한 계산을 수행해야 합니다.
source：https://chainml.substack.com/p/web3-needs-ai-to-realize-its-potential
더 복잡한 계산이 필요한 DeFi의 다른 영역에는 다음이 포함되지만 이에 국한되지는 않습니다.
수익률 집계자: 기본 프로토콜의 수익률과 위험을 추정하고 최적의 할당을 찾습니다.
포트폴리오 최적화: 사전 결정된 기준에 따라 대상 포트폴리오 할당을 계산하고, 기술 지표에 따라 방향 노출을 변경합니다.
탈중앙화 파생상품 거래: 시스템적 리스크 관리, 자본 비용 조정, 파생상품 가격 책정 등
고급 거래 실행 알고리즘
유동성 금고 시장 형성 논리
정보센터
ChainML과 같은 프로젝트는 특별히 구축된 합의 메커니즘을 통해 검증 가능한 오프체인 계산 계층을 제공함으로써 이러한 요구를 해결합니다. 분산 기계 학습 컴퓨팅 계층을 구축하는 다른 것에는 GenSyn, Together.xyz, Akash 등이 포함되지만 이에 국한되지는 않습니다.
마찬가지로, ZKML은 ZK 증명이 계산을 온체인에서 확인할 수 있는 간결한 증명으로 압축하거나 해당 모델의 속성을 공개하지 않고 특정 모델의 사용을 보여줄 수 있는 흥미로운 기회를 제공합니다. Modulus Labs, Giza 및 기타 ZK 프로젝트 등이 있습니다.
요약하다
요약하다
변조 방지 데이터, 고급 컴퓨팅 성능, 데이터 중심 의사 결정의 융합은 DeFi 생태계에서 새로운 혁신을 열고 효율성을 향상하며 사용자 만족도를 높일 수 있는 잠재력을 가지고 있습니다. 이 기사는 온체인 데이터 기본 요소를 기반으로 수행할 수 있는 최적화에 중점을 두고 있지만, 우리는 zk 증명을 통해 다양한 오프체인 데이터를 통합함으로써 제공되는 기회에 대해서도 마찬가지로 낙관적입니다. 우리는 데이터가 온체인 및 오프체인 상호 운용성을 향상시키고 분산형 금융과 기존 금융 시스템 간의 통합을 촉진할 것이라고 믿습니다.
업계가 계속 발전함에 따라 프로토콜은 새로운 기술을 수용하고, 주요 프로젝트와 협력하며, 투명성과 신뢰성을 우선시해야 합니다. 이는 DeFi의 강력하고 지속 가능한 미래를 구축할 수 있을 뿐만 아니라 DeFi가 글로벌 금융에 미치는 영향에도 기여합니다. 이 비전은 광범위한 영향을 미칠 수 있는 가능성을 제공합니다.
면책조항: Space and Time, ChainML, Nil Foundation 및 Solity는 IOSG 포트폴리오입니다.
참고자료:
Crypto x AI: https://messari.io/report/growing-synergies-in-ai-and-crypto?referrer=all-research
ecosystem: https://twitter.com/Louissongyz/status/165808735477367193
