IOSG Ventures: exploración en profundidad de New DeFi, desbloqueando el potencial de los datos

Autor original: Momir, IOSG Ventures

Los contratos inteligentes están limitados porque carecen de la capacidad de interactuar con el entorno, lo que limita el potencial de las aplicaciones descentralizadas (dApps). Para lograr funciones cada vez más complejas, los protocolos DeFi tienen dos opciones: pueden adoptar un diseño flexible, como que los jugadores puedan personalizar varios escenarios; o pueden introducir dependencias externas, confiando en una infraestructura fuera de la cadena, como Oracle, Keepers. , o computación fuera de la cadena, para mantener una experiencia de usuario simple.

En un artículo reciente que invita a la reflexión titulado "Por qué DeFi no funciona y cómo solucionarlo — Parte 1: protocolos sin Oracle", Dan Elitzer aboga por el uso de primitivas DeFi sin dependencias externas para minimizar los vectores de ataque. La idea es eliminar la necesidad de confiar en instituciones de terceros. Sin embargo, un ecosistema DeFi de dependencia cero tendrá requisitos más altos para la especialización. La mayoría de los usuarios carecen del tiempo, la experiencia o los recursos para convertirse en creadores de mercado en Uniswap v3, o evaluar la calidad de la garantía en el protocolo sin dependencias externas, y tienen que depender de intermediarios confiables para participar.

Por lo tanto, la búsqueda de cero dependencias puede llevarnos de vuelta al punto de partida o, peor aún, obligar a los usuarios no expertos a confiar en entidades complejas o depositar fondos en contratos inteligentes de transición, lo que aumenta la inseguridad. En lugar de luchar para eliminar por completo las dependencias externas, considere enfoques más pragmáticos, como poner las dependencias externas bajo un escrutinio más estricto y limitar los posibles escenarios de cisne negro. Debemos reconocer que cierto grado de dependencia es inevitable e incluso crucial para el desarrollo de la industria.

Entre los proyectos DeFi más conocidos, la primera versión de Uniswap estuvo más cerca de lograr cero dependencias. Sin embargo, la reciente introducción de Uniswap v4 demuestra un cambio hacia un enfoque altamente modular ("Hooks") para hacer avanzar el campo.

Primitivas de datos

Las discusiones sobre las dependencias externas giran en torno a la capacidad de los contratos inteligentes para interactuar con datos externos. Hoy en día, las interacciones de datos a menudo se basan en oráculos para acceder a información fuera de la cadena, aunque en un alcance limitado (principalmente incluidos los precios de las principales criptomonedas).

A medida que más y más actividades migran a la cadena de bloques, se puede utilizar una gran cantidad de datos valiosos en la cadena para mejorar el diseño del mecanismo de forma algorítmica y transparente. Sin embargo, a pesar de la transparencia de los datos en cadena, integrarlos con contratos inteligentes no es una tarea fácil. Leer, procesar y entregar datos significativos requiere una infraestructura sofisticada y confiable. Como resultado, los desarrolladores a menudo confían en las herramientas existentes para sus necesidades de datos. Sin embargo, la mayoría de las soluciones de datos existentes se basan en marcos Web 2.0, e incluso más protocolos nativos Web 3.0 no pueden garantizar la precisión de los datos que proporcionan.

Discusión de Sushiswap sobre el envío de datos inexactos desde Polygon Sushi-Matic Subgraph

Teniendo en cuenta que los contratos inteligentes pueden incluso administrar miles de millones de dólares en depósitos, no es deseable ni práctico que se conecten directamente a una fuente API confiable, ya que esta dependencia socavaría la naturaleza descentralizada del ecosistema blockchain.

Cree una solución de datos a prueba de manipulaciones

Nuestra filosofía de inversión gira en torno a la creencia fundamental de que los datos a prueba de manipulaciones serán la piedra angular de la próxima generación de protocolos DeFi. Sin embargo, lograr la resistencia a la manipulación de los datos no es una tarea sencilla y requiere una infraestructura compleja y amplias optimizaciones para que sea económicamente viable por diseño.

En este contexto, Space and Time se ha convertido en pionera en la construcción de una infraestructura de datos a prueba de manipulaciones. Una parte clave son sus pruebas de SQL, una mejora sobre las pruebas de SNARK diseñadas específicamente para consultar datos de bases de datos relacionales. Este enfoque proporciona garantías de que la consulta y sus datos subyacentes no han sido manipulados. Además, proporciona garantías de validez de datos al recuperar datos de nodos de archivo a través de llamadas RPC.

Algunos otros proyectos primitivos de datos sin confianza conocidos incluyen, entre otros, Nil Foundation, Axiom, Brevis, Herodotus, etc.

Los datos a prueba de manipulaciones abren nuevos horizontes para los protocolos DeFi, permitiéndoles ampliar los límites de la funcionalidad, impulsando un mayor crecimiento e innovación en la industria.

A continuación, analizamos la optimización del diseño del protocolo basado en datos cuando:

1. Experiencia de usuario personalizada

2. Protocolo de autoparametrización

3. Economía de protocolo

4. Acceso calificado

1. Experiencia de usuario personalizada

En el mundo empresarial técnico, es habitual ofrecer a los usuarios servicios a medida. Sin embargo, los contratos inteligentes (esencialmente, cadenas de código que representan alguna lógica comercial) a menudo unifican la experiencia del usuario, lo que a menudo equivale a una experiencia de usuario deficiente. Por ejemplo, en algunas plataformas de préstamos, el usuario A es un novato, el usuario B es un usuario de acuerdo a largo plazo y el usuario C es una transacción veterana. Esta falta de diferenciación no tiene en cuenta el comportamiento del usuario y pierde oportunidades para mejorar la adherencia del usuario, incentivar el comportamiento positivo y optimizar la utilización del capital.

Los protocolos tienen un interés personal en identificar el comportamiento del usuario y ajustarse en consecuencia. Por ejemplo, aprovechando las calificaciones crediticias, ofreciendo crédito más barato o tasas hipotecarias más bajas a clientes con buen desempeño. Tal proyecto atraerá naturalmente a los usuarios de plataformas con términos uniformes. Además, este enfoque brinda a los usuarios incentivos implícitos para realizar un buen comportamiento a fin de obtener condiciones más favorables.

Pensando en términos de fintech, donde empresas como SoFi ganan cuota de mercado al negarse a unificarse, las dApps de DeFi también pueden aprender. Por ejemplo, SoFi encontró una ineficiencia de mercado en el mercado de préstamos estudiantiles, donde a los graduados de Stanford se les cobraban las mismas tasas de interés de préstamos que a otros prestatarios, aunque era más probable que consiguieran trabajos bien remunerados después de graduarse. SoFi ha tenido un éxito notable al ajustar las tarifas para reflejar mejor los perfiles de riesgo de los usuarios.

Del mismo modo, en el espacio DeFi, visualizamos una oportunidad para innovar protocolos que tengan en cuenta el riesgo del usuario en las tasas de interés y la garantía. Sin embargo, se debe tener cuidado de no subcolateralizar los préstamos basándose únicamente en los datos históricos existentes, que se vuelven irrelevantes cuando cambia la teoría del juego.

Vale la pena mencionar que proyectos como Spectral y Cred Protocol están tratando de construir modelos de calificación crediticia a partir de datos en cadena. Sin embargo, todos estos proyectos se ejecutan en bases de datos centralizadas, por lo que, siempre que los datos y los modelos a los que sirven provengan de datos centralizados y puedan manipularse fácilmente, es poco probable que los principales protocolos DeFi se conecten a sus API. En cambio, si estos proyectos adoptan soluciones a prueba de manipulaciones, tienen el potencial de convertirse en omnipresentes oráculos crediticios de DeFi, impulsando una gama de aplicaciones innovadoras.

2. Protocolos de autoparametrización (minimización de la intervención de la gobernanza)

Muchos protocolos DeFi aún se basan en procesos de gobierno manual, a menudo dirigidos por firmas consultoras fuera de la cadena, para ajustar sus parámetros. AAVE, por ejemplo, paga mucho a firmas consultoras externas para monitorear y guiar los parámetros de riesgo del protocolo.

Sin embargo, este enfoque crea varios problemas:

1. Falta de soporte en tiempo real: el sistema carece de la capacidad de responder a las condiciones cambiantes del mercado oa los riesgos emergentes.

2. Sistemas manuales: la dependencia de la intervención humana presenta problemas de latencia y posibles ineficiencias al ajustar los parámetros del protocolo.

3. Confianza en entidades fuera de la cadena: La dependencia de firmas consultoras externas plantea preocupaciones sobre la transparencia y la metodología utilizada para hacer recomendaciones.

Este enfoque estático quedó expuesto en un ataque a AAVE, lo que generó deudas incobrables que podrían haberse evitado con parámetros de préstamo adecuados que reflejen mejor la liquidez de los tokens prestados. Además, los riesgos de usar tokens en circulación como garantía en los protocolos de préstamo no se han abordado adecuadamente.

Para abordar estas limitaciones, los proyectos deben hacer la transición a diseños en tiempo real, automatizados, transparentes y sin confianza. Por ejemplo, los protocolos de préstamo podrían aprovechar la infraestructura como Space and Time para monitorear datos en tiempo real. Esto les permitirá ajustar dinámicamente la garantía, los parámetros de préstamo y otros parámetros clave.

Del mismo modo, los intercambios podrían introducir estructuras de tarifas dinámicas basadas en la volatilidad o pérdidas temporales. Muchos fondos de liquidez en Uniswap v3 son difíciles de lograr una operación sostenible, principalmente porque no pueden cargar LP dinámicamente. Con Hook of Uniswap v4 o el módulo de Valantis, las tarifas dinámicas son posibles.

Además, los agregadores pueden estar libres de trabajo humano y tarifas fijas para adaptarse a los riesgos y recompensas cambiantes del protocolo subyacente. La colaboración entre Spool y Solity es un paso en esta dirección, ya que Solity utiliza un enfoque de big data para analizar la relación riesgo-recompensa de los pools.

3. Economía del Protocolo

Un enfoque basado en datos tiene el potencial de mejorar la economía del protocolo y los modelos económicos simbólicos en DeFi, donde los proyectos pueden compartir incentivos con usuarios elegibles.

Por ejemplo, un agregador DEX que busca la permanencia y la lealtad del usuario, puede asignar beneficios de deslizamiento a los usuarios que cumplen ciertas condiciones, como ejecutar una cantidad específica de transacciones y alcanzar un volumen mínimo de transacciones.

Dichos incentivos incentivan en gran medida a los primeros usuarios, generan lealtad dentro de la base de usuarios y brindan incentivos directamente a los usuarios existentes para promover el uso del protocolo dentro de su propia población.

4. Acceso calificado

Si bien blockchain tiene una naturaleza sin permisos, también permite la libertad de elección. En múltiples casos, el acceso autorizado en la capa de la aplicación puede garantizar que el protocolo no se utilice para hacer el mal o interactuar efectivamente con la base de usuarios prevista.

Por ejemplo, los protocolos de privacidad como Tornado Cash están bajo el escrutinio de los reguladores porque pueden usarse para el lavado de dinero u otras actividades ilegales. Para evitar el lavado de dinero, los desarrolladores de protocolos pueden tomar medidas para evitar que los malos actores interactúen con sus plataformas.

Además, para los creadores de mercado, el conocimiento de las contrapartes es extremadamente valioso, pero dicha información a menudo no está disponible para los dex. Suponiendo que es posible usar datos para crear pruebas de personas reales, los DEX solo pueden permitir que interactúen direcciones que no sean bots, entonces este tipo de problema también se puede resolver.

Requisitos para el cálculo verificable

Lo que se discutió en la sección anterior se puede implementar completamente a través de la integración con primitivas de datos sin confianza. Sin embargo, otros requerirán recursos adicionales para realizar cálculos estadísticos o aprendizaje automático. Por ejemplo, los programas de calificación crediticia pueden aprovechar los datos a prueba de manipulaciones, pero aún requieren algoritmos de aprendizaje automático para generar calificaciones crediticias.

O en el contexto de un oráculo de riesgo, tener acceso a los datos sobre el suministro circulante, el volumen, el recuento de transacciones, el número de titulares, el tiempo transcurrido desde el TGE, etc. de un token en particular es fundamental para determinar los factores de préstamo y garantía apropiados. Sin embargo, las técnicas de aprendizaje automático deben realizar cálculos precisos sobre la base de estos datos.

fuente:

Otras áreas en DeFi que requieren cálculos más complejos incluyen, entre otras:

• Agregador de ingresos: calcule los ingresos y los riesgos del protocolo subyacente y encuentre la asignación óptima.
• Optimización de la cartera: calcule la asignación de la cartera objetivo en función de criterios predeterminados, cambie la exposición direccional en función de indicadores técnicos, etc.
• Intercambio descentralizado de derivados: gestión de riesgos sistémicos, ajuste de costos de capital, precios de derivados, etc.
• Algoritmo avanzado de ejecución comercial
• Lógica de creación de mercado de la bóveda de liquidez
• Biblioteca de limpieza

Proyectos como ChainML abordan esta necesidad al proporcionar una capa de computación fuera de la cadena verificable, impulsada por un mecanismo de consenso especialmente diseñado. Otros que crean capas informáticas de aprendizaje automático distribuido incluyen, entre otros, GenSyn, Together.xyz, Akash, etc.

Del mismo modo, ZKML presenta una oportunidad interesante en la que las pruebas ZK pueden comprimir los cálculos en pruebas sucintas que se pueden verificar en cadena o demostrar el uso de un modelo en particular sin revelar sus propiedades. Como Modulus Labs, Giza y otros proyectos ZK.

Sin embargo, implementar el aprendizaje automático en ZK es actualmente muy costoso, lo que dificulta la implementación práctica. Si bien la aceleración de hardware y la optimización de circuitos pueden mejorar el rendimiento en el futuro, se espera que las demandas computacionales de la IA crezcan a un ritmo más rápido, lo que hace que ZKML se limite a métodos informáticos de nicho que no se pueden adaptar a los modelos de IA de última generación. Por lo tanto, enfoques como el enfoque pesimista basado en el consenso o el enfoque optimista basado en pruebas de fraude que ofrecen proyectos como ChainML pueden ser la mejor oportunidad para integrar los últimos algoritmos de inteligencia artificial en la Web 3.0.

Resumir

La fusión de datos a prueba de manipulaciones, potencia informática avanzada y toma de decisiones basada en datos tiene el potencial de desbloquear nuevas innovaciones, mejorar la eficiencia y la satisfacción del usuario en el ecosistema DeFi. Si bien este artículo se centra en las optimizaciones que se pueden realizar sobre las primitivas de datos en cadena, somos igualmente optimistas sobre las oportunidades que se presentan al integrar varios datos fuera de la cadena a través de pruebas zk. Creemos que los datos mejorarán la interoperabilidad dentro y fuera de la cadena y promoverán la integración entre las finanzas descentralizadas y los sistemas financieros tradicionales.

A medida que la industria continúa evolucionando, el protocolo debe adoptar tecnologías emergentes, cooperar con proyectos líderes y priorizar la transparencia y la confianza, lo que no solo puede construir un futuro sólido y sostenible para DeFi, sino también contribuir al impacto de DeFi en el mercado financiero global. Esta visión ofrece la posibilidad de tener un impacto de largo alcance.

Descargo de responsabilidad: Space and Time, ChainML, Nil Foundation y Solity son carteras IOSG.

referencias:

Cripto x IA:

ZKML:

ecológico: