#opg $OPG 我一個做市的朋友在Uniswap上跑了兩年ETH/USDC池子，年均收益8個點，跑不贏無風險利率。他試過調手續費檔位、調價格區間、調再平衡頻率——全是手工活，每次調整都在賭方向。
上個月他換了一種做法。把一年的池子歷史數據灌進一個ML模型，讓模型輸出最優的流動性區間和手續費策略。回測結果把之前的手動操作吊起來打——年化從8%推到了14%。
但他沒敢把這個模型部署到生產環境。
原因很諷刺：模型是他自己訓的，代碼是他自己寫的，回測是他自己跑的。但他信不過這套東西——萬一推理時模型被篡改了怎麼辦？萬一輸入數據在傳輸過程中被掉包了怎麼辦？管的是真金白銀的做市池子，出錯一次就能虧掉半年的利潤。
這就是傳統AI和DeFi之間的信任裂縫
讓他去看OpenGradient那篇關於AMM優化的研究文章。不是文章寫得多好，是裏面的邏輯解決了他最怕的那件事——ML模型對AMM池子的每一次優化建議，都在TEE安全區裏運行，附帶一份鏈上可查的證明。建議調手續費到0.3%？你能看到輸入了什麼數據、跑了什麼模型、得出了什麼結論。建議把流動性集中在某個價格區間？同樣的輸入同樣的模型一定得出同樣的結果，任何人都可以復現驗證。
@OpenGradient 官網上還有一篇關於ML風險預測的文章，方向類似——用可驗證AI做鏈上協議的實時風控。清算觸發條件由模型判斷，但每一次判斷都有證明錨定在鏈上。不是"信我的算法"，是"驗我的證明"。
這個方向如果能跑通，DeFi的自動化程度可以往上跳整整一個量級。現在大多數DeFi協議的邏輯是"如果A則B"，簡單到不需要AI。不是因爲AI沒用，是因爲AI不可信。一旦可信問題被解決，鏈上能做的不再是條件判斷，是真正的智能決策。
朋友還沒把模型部署上去。但他已經把OpenGradient那篇AMM優化的文章打印出來貼在工位上了。
上個月他換了一種做法。把一年的池子歷史數據灌進一個ML模型，讓模型輸出最優的流動性區間和手續費策略。回測結果把之前的手動操作吊起來打——年化從8%推到了14%。
但他沒敢把這個模型部署到生產環境。
原因很諷刺：模型是他自己訓的，代碼是他自己寫的，回測是他自己跑的。但他信不過這套東西——萬一推理時模型被篡改了怎麼辦？萬一輸入數據在傳輸過程中被掉包了怎麼辦？管的是真金白銀的做市池子，出錯一次就能虧掉半年的利潤。
這就是傳統AI和DeFi之間的信任裂縫
讓他去看OpenGradient那篇關於AMM優化的研究文章。不是文章寫得多好，是裏面的邏輯解決了他最怕的那件事——ML模型對AMM池子的每一次優化建議，都在TEE安全區裏運行，附帶一份鏈上可查的證明。建議調手續費到0.3%？你能看到輸入了什麼數據、跑了什麼模型、得出了什麼結論。建議把流動性集中在某個價格區間？同樣的輸入同樣的模型一定得出同樣的結果，任何人都可以復現驗證。
@OpenGradient 官網上還有一篇關於ML風險預測的文章，方向類似——用可驗證AI做鏈上協議的實時風控。清算觸發條件由模型判斷，但每一次判斷都有證明錨定在鏈上。不是"信我的算法"，是"驗我的證明"。
這個方向如果能跑通，DeFi的自動化程度可以往上跳整整一個量級。現在大多數DeFi協議的邏輯是"如果A則B"，簡單到不需要AI。不是因爲AI沒用，是因爲AI不可信。一旦可信問題被解決，鏈上能做的不再是條件判斷，是真正的智能決策。
朋友還沒把模型部署上去。但他已經把OpenGradient那篇AMM優化的文章打印出來貼在工位上了。