Token Engineering Commons 2024春季资助项目介绍

本文将介绍一个获得 2024 年春季 Token Engineering Commons (TEC) 资助的创新项目。该项目旨在利用强化学习和基于 agent 的建模与仿真技术，优化代币生态系统中的 bonding curve 机制。

项目背景

bonding curve 作为代币生态系统的重要组成部分，在控制代币价格波动、提供流动性、动态化代币供应等方面发挥着关键作用。通过数学化代币生态系统中多个元素的关系，bonding curve 为代币生态系统的"工程控制"开辟了新的可能性。

早在 2018 年，就有团队提出将 AI-agent 用于机制优化的理念，通过观察机器学习 agents 的行为来识别系统部署后可能出现的用户行为，并通过比较真实行为与预期行为之间的差异来优化机制设计。然而，这一理念尚未得到广泛应用。

自 2023 年起，Bonding Curve Research Group (BCRG) 对 bonding curve 进行了全面研究，特别是在 PAMM（Primary Automated Market Maker）与 SAMM（Secondary Automated Market Maker）的联合研究上。但由于资源限制，BCRG 尚未深入探索恶意策略、渗透测试等更深层次的研究。

项目概述

本项目旨在通过经强化学习训练的 AI-agent 探索不同 PAMM 和 SAMM bonding curve 组合下潜在攻击者的恶意策略。通过比较分析与行为空间探索，项目团队将寻找相对稳定和优质的 bonding curve 参数组合，以优化协议的机制设计，缩小预期行为和真实行为之间的差距，降低代币生态系统的经济安全风险。

具体而言，项目将选取四种常见的 PAMM bonding curve 类型（Linear、Exponential、Power 和 Sigmoid）以及两种常见的 SAMM bonding curve 类型（恒定乘积和混合型），形成 8 种组合方案。项目团队将采用 agent-based modeling and simulation 方法进行实验，利用 AI-agent 探索每种方案的潜在恶意策略集合及其发生概率，并通过模拟结果展示恶意策略对系统造成的影响，从而探索出科学的恶意攻击应对策略与 bonding curve 机制优化方案。

项目创新点

1. 将强化学习引入 Token Engineering，形成基于 AI-agent 与 agent-based modeling and simulation 的协议机制优化方法。

2. 该方法具有普适性、可落地性和可复用性，有望对整个代币生态系统的经济安全产生积极影响。

3. 借助先进的建模仿真平台，使模型易于理解、使用和验证。

项目目标

短期目标：

1. 利用 AI-agent 探索不同 bonding curve 组合下的潜在恶意策略，识别风险并探索应对策略与机制优化方案。
2. 为 bonding curve 研究提供科学严谨的方法论。
3. 从 bonding curve 角度提出提高代币生态系统经济安全性的建议。

长期目标： 通过推广结合 AI 的 Agent-based modeling and simulation 方法和 Token Engineering，使更多人能成为 Token Engineer，为构建去中心化、反脆弱和可持续的代币生态系统奠定基础，推动 Token Engineering 理论和实践的发展。

预期成果

1. 一个引入 AI-agent 的代币经济链下模拟模型，包含 8 种 PAMM 与 SAMM 组合的实验方案。模型将完全透明，易于理解、使用和验证。

2. 一份基于 AI-agent 探索的研究报告，详细说明不同 bonding curve 组合下的潜在恶意攻击策略，包括建模流程、实验内容、漏洞风险及优化方案。

项目价值

1. 便捷性：模型将作为公共物品开放，所有人均可访问与测试。

2. 教育价值：通过详细的模型和仿真教程，帮助大众深入了解 bonding curve 的工作原理及其在代币生态系统中的作用。

3. 透明度：通过可视化工具将建模机制和实验过程透明化，使大众能够理解模型机制和潜在风险。

4. 社区驱动：社区成员可以基于此模型进行各种实验，并将研究成果公开，实现社区驱动的自监管。

5. 与 Token Engineering 原则对齐：通过普及这套方法和工具，使更多人能够参与代币工程，共同构建更加反脆弱、可持续的代币生态系统。