การปรับเปลี่ยนรูปแบบการเล่นเกมบนเครือข่าย: โปรเจ็กต์เรือธงของ Monad อย่าง aPriori ใช้ AI เพื่อปฏิวัติการซื้อขายอย่างไร และเปิดตัวโปรแกรมการสนับสนุนข้อมูลในเวลาเดียวกัน

อ่านบทความนี้ใน 21 นาที

“ความเร็วในการทำธุรกรรมไม่ใช่จุดสิ้นสุด ความยุติธรรมและประสิทธิภาพคือรากฐานของ DeFi”

ที่มา: aPriori

ด้วยการสนับสนุนอย่างสำคัญจากสถาบันชั้นนำอย่าง Pantera Capital, YZi Lab และ OKX Ventures aPriori กำลังพลิกโฉมหลักการพื้นฐานของการซื้อขายแบบกระจายศูนย์ สมาชิกหลักของโครงการมาจาก Jump, Coinbase, Citadel Securities และ dYdX ด้วยการผสานรวมเทคโนโลยีออนเชนดั้งเดิมเข้ากับประสบการณ์จริงในการซื้อขายความถี่สูงบนวอลล์สตรีท aPriori กำลังสร้างระบบการดำเนินการซื้อขายยุคใหม่บนบล็อกเชนสาธารณะประสิทธิภาพสูง ซึ่งจะเพิ่มโครงสร้างพื้นฐานการซื้อขายที่สามารถแข่งขันได้อย่างแท้จริงลงใน DeFi

aPriori กำลังพลิกโฉมกระบวนการซื้อขายแบบออนเชนอย่างสิ้นเชิง: ผ่านตัวรวบรวม DEX ที่ขับเคลื่อนด้วย AI และโมดูลการวางเดิมพันสภาพคล่องที่ขับเคลื่อนด้วย MEV, aPriori ได้ผสานรวมขั้นตอนการสั่งซื้อทั้งหมด ตั้งแต่การวางคำสั่งซื้อ การจับคู่ ไปจนถึงการสร้างผลกำไร เข้ากับระบบนิเวศผลิตภัณฑ์ที่ยั่งยืน หลังจากการเปิดตัว Swapr ตัวรวบรวม DEX ที่ขับเคลื่อนด้วย AI เมื่อสัปดาห์ที่แล้ว aPriori ได้มุ่งเน้นไปที่ "สมองแห่งการจดจำ" ของการซื้อขายแบบออนเชน นั่นคือระบบการแบ่งส่วนการไหลของคำสั่งซื้อ ระบบนี้ผสมผสานการติดฉลากพฤติกรรม การจัดกลุ่มกระเป๋าเงิน การวิเคราะห์ด้วย AI และกลไกการตอบกลับแบบออนเชน เป้าหมายของ aPriori คือการทำให้มั่นใจว่าทุกการซื้อขายได้รับการดำเนินการอย่างชาญฉลาดและยุติธรรมมากขึ้น หลีกเลี่ยง "กระแสคำสั่งซื้อที่เป็นพิษ" เช่น การเก็งกำไรแบบสลิปเพจ และมั่นใจว่าสภาพคล่องจะถูกส่งไปในจุดที่จำเป็นที่สุด สิ่งนี้ไม่เพียงแต่ทำให้การซื้อขายชาญฉลาดขึ้น แต่ยังส่งเสริมให้เกิดกระแสการซื้อขายที่เป็นระเบียบและน่าเชื่อถือมากขึ้นทั่วทั้งตลาดออนเชน "การเข้าใจทุกการซื้อขายคือจุดเริ่มต้นของการดำเนินการอย่างยุติธรรม" การแบ่งส่วน Order Flow เป็นหนึ่งในเทคโนโลยีหลักของ aPriori โดยการวิเคราะห์พฤติกรรมการซื้อขาย ประวัติกระเป๋าเงิน และปฏิกิริยาของตลาด ระบบจะพิจารณาว่าการซื้อขายนั้นเป็นกิจกรรมของผู้ใช้ที่ถูกต้องตามกฎหมาย หรือเป็น "กระแสคำสั่งซื้อขายที่เป็นพิษ" เช่น การเก็งกำไร (Arbitrage) และการซื้อขายแบบ Squeeze ก่อนที่จะเกิดขึ้นจริง เมื่อเทียบกับวิธีการดั้งเดิมที่เพียงแค่ตรวจสอบว่าธุรกรรมเสร็จสมบูรณ์แล้วหรือไม่ วิธีการระบุนี้สามารถกรองความเสี่ยงที่อาจเกิดขึ้นได้เร็วกว่า ช่วยให้ LP มีคู่สัญญาที่ปลอดภัยกว่า และปรับปรุงการเลือกเส้นทางและความยุติธรรมในการดำเนินการ

"เทคโนโลยี + ระบบนิเวศ: ช่วงเวลาที่เหมาะสมสำหรับ Monad"

ระบบนิเวศของเครือข่ายสาธารณะที่แตกต่างกันมีลักษณะข้อมูลที่แตกต่างกัน: Solana มีความเร็วในการทำธุรกรรมสูงและผู้ใช้งานที่ใช้งานอยู่ แต่สัญญาแบบปิดจำนวนมากจำกัดข้อมูลที่มีอยู่สำหรับการฝึกอบรม ในขณะที่ Ethereum และเครือข่าย EVM อื่นๆ แม้จะเปิดรับข้อมูล แต่ก็มีข้อจำกัดด้านประสิทธิภาพ ส่งผลให้พฤติกรรมการซื้อขายโดยทั่วไปค่อนข้างอนุรักษ์นิยมและมีความหนาแน่นของข้อมูลต่ำ

Monad สร้างสมดุลที่หาได้ยากระหว่างประสิทธิภาพและความโปร่งใส โดยผสานรวมปริมาณงานสูงและรูปแบบการซื้อขายเชิงรุกของ Solana เข้ากับสถาปัตยกรรม EVM ที่อ่านง่ายและเปิดกว้าง สิ่งนี้ทำให้ aPriori มีสภาพแวดล้อมที่เหมาะสมสำหรับการสร้างโมเดลการรับรู้กระแสคำสั่งซื้อขายรุ่นต่อไป “ข้อมูลผู้ใช้ไม่ได้เป็นเพียงการมีส่วนร่วมเท่านั้น แต่ยังเกี่ยวกับการฝึกอบรมปัญญาประดิษฐ์สำหรับการซื้อขายรุ่นต่อไป” โครงการสนับสนุนข้อมูลชุมชน: เพื่อฝึก AI ให้สามารถระบุพฤติกรรมการซื้อขายได้อย่างชาญฉลาดยิ่งขึ้น aPriori จึงได้เปิดตัวโครงการสนับสนุนข้อมูลที่ขับเคลื่อนโดยชุมชน ผู้ใช้ทุกคนสามารถช่วยให้โมเดลเข้าใจโลกออนเชนได้ดียิ่งขึ้นโดยทำตามขั้นตอนง่ายๆ ต่อไปนี้

· การผูกกระเป๋าเงิน:เชื่อมต่อที่อยู่กระเป๋าเงินที่ผู้ใช้ใช้บ่อยเพื่อให้เห็นภาพรวมพฤติกรรมของพวกเขาได้ครบถ้วนยิ่งขึ้น;

· Chain ที่รองรับ:Ethereum, BNB Chain, Monad Testnet;

· การซิงโครไนซ์บัญชีโซเชียลมีเดีย:สามารถเชื่อมโยง Twitter, Discord และบัญชีอื่นๆ เพื่อเพิ่มเบาะแสในการระบุตัวตน;

· การเช็คอินและการติดตามงาน:แดชบอร์ดเฉพาะจะแสดงบันทึกการเช็คอิน พฤติกรรมการทำธุรกรรม และความคืบหน้าในการมีส่วนร่วมของผู้ใช้

ข้อมูลนี้ช่วยให้ระบบระบุได้ว่าที่อยู่ใดเป็นของผู้ใช้คนเดียวกัน และมีการดำเนินการที่ประสานกันหรือไม่ ซึ่งช่วยปรับปรุงความสามารถของ AI ในการระบุประเภทและความเสี่ยงของธุรกรรม ฉันจะทราบได้อย่างไรว่าธุรกรรมมีกระแสคำสั่งซื้อขายที่เป็นพิษหรือไม่? ในเครื่องมือหลักของ Swapr ทุกธุรกรรมจะได้รับการประเมินความเสี่ยงโดยใช้แบบจำลอง AI ก่อนการยืนยัน โดยพิจารณาปัจจัยหลักดังต่อไปนี้: · ตัวธุรกรรมเอง: ทิศทางการซื้อ/ขาย เส้นทางสกุลเงิน แก๊ส ค่าธรรมเนียม สลิปเพจ ฯลฯ; · ประวัติที่อยู่: ความถี่ของธุรกรรม พฤติกรรมที่ผ่านมา และการเปลี่ยนแปลงของสินทรัพย์ · ปฏิกิริยาของตลาด: แนวโน้มราคาตั้งแต่ 1 วินาทีถึง 24 ชั่วโมงหลังธุรกรรม · การประเมินความสามารถในการทำกำไร: ธุรกรรมนั้นทำกำไรในช่วงเวลาต่างๆ หรือไม่ และอาจส่งผลเสียต่อ LP หรือไม่ แบบจำลองนี้จะระบุว่าธุรกรรมแต่ละรายการเข้าข่าย "กระแสคำสั่งซื้อขายที่เป็นพิษ" เช่น การเก็งกำไร หรือการซื้อขายแบบบีบ (Squeeze Trading) โดยอาศัยข้อมูลที่ได้เปรียบหรือไม่ และพิจารณาถึงภัยคุกคามที่อาจเกิดขึ้นต่อความยุติธรรมของระบบ"ยิ่งโมเดลซับซ้อนมากเท่าไหร่ ก็ยิ่งดีเท่านั้น ยิ่งเข้าใจการซื้อขายมากเท่าไหร่ ก็ยิ่งมีคุณค่ามากขึ้นเท่านั้น" จากกลไกกฎเกณฑ์สู่เครือข่ายประสาทเทียม AI: aPriori ไม่ได้จำกัดอยู่แค่อัลกอริทึมเดียว แต่ผสานรวมโมเดลแบบดั้งเดิม (XGBoost, LightGBM) เข้ากับโมเดลอนุกรมเวลา (RNN, Transformer) โดยโมเดลแรกประมวลผลข้อมูลที่มีโครงสร้างได้อย่างมีประสิทธิภาพและสามารถตีความได้ ขณะที่โมเดลหลังโดดเด่นในการบันทึกการเปลี่ยนแปลงพฤติกรรมภายในอนุกรมเวลา Swapr ใช้สถาปัตยกรรมแบบรวม ซึ่งโมเดลย่อยต่างๆ เรียนรู้ภายในมิติข้อมูลและกรอบเวลาของตนเอง คะแนนที่รวมกันช่วยให้ตอบสนองต่อพฤติกรรมการซื้อขายที่ซับซ้อนได้อย่างแม่นยำยิ่งขึ้น "ใครกันที่สมรู้ร่วมคิดกับการเก็งกำไรอยู่เบื้องหลังการซื้อขาย" โดยทั่วไปแล้ว การเก็งกำไรไม่ใช่ผลงานของกระเป๋าเงินใบเดียว แต่เป็นความพยายามร่วมกันของหลายที่อยู่ การระบุ "กลุ่มพฤติกรรม" เหล่านี้ ระบบสามารถคาดการณ์กลุ่มการเก็งกำไรที่อาจเกิดขึ้น และป้องกัน "กระแสคำสั่งซื้อขายที่เป็นพิษ" ไม่ให้ส่งผลกระทบต่อ LP

"การทำให้ AI เป็นส่วนสำคัญของการดำเนินการซื้อขาย"

ด้วยข้อมูลการฝึกอบรมที่มีมากมาย ระบบการจดจำของ Swapr จึงกลายเป็นปัจจัยสำคัญที่สร้างความแตกต่างในการกำหนดเส้นทาง DeFi ระบบนี้ไม่เพียงแต่ให้ราคาที่ดีขึ้นเท่านั้น แต่ยังปรับสภาพคล่องแบบไดนามิกเพื่อปกป้องผลประโยชน์ของทั้งผู้ใช้และหุ้นส่วนจำกัด

ผู้ก่อตั้ง Ray เน้นย้ำว่า: "เอนจินการดำเนินการ DeFi ที่แท้จริงต้องเข้าใจ สามารถตัดสินใจ และรู้วิธีปกป้องระบบ เราหวังว่า Swapr จะเป็นพอร์ทัลซื้อขายรายแรกที่ "คิด" ได้"