디파이(DeFi)의 인공지능
글: DEFI EDUCATION
번역: 백화블록체인
트위터에서 보셨을 수도 있겠지만, 우리는 현재 AI / LLM 분야에 매우 관심이 많다. 아직 연구 가속화 측면에서 개선할 점이 많지만, 그 잠재력은 충분히 확인하고 있다.
대규모 언어 모델(LLM)의 등장은 암호화폐 분야에서 비기술적 참여자들이 이 산업과 소통하고, 이해하며 기여하는 방식을 근본적으로 변화시키고 있다.
예전에는 프로그래밍을 못하면 완전히 길을 잃기 쉬웠다. 이제 chatGPT 같은 대규모 언어 모델이 복잡한 프로그래밍 언어와 일상 언어 사이의 갭을 메우고 있다. 이는 중요한데, 암호화폐 분야가 주로 전문 기술을 갖춘 인력들에 의해 주도되어 왔기 때문이다.
이해되지 않는 부분이 있거나 어떤 프로젝트가 고의로 시스템의 진실을 흐리고 있다고 생각된다면, chatGPT에 물어보면 빠르고 거의 무료로 답변을 얻을 수 있다.
DeFi는 금융 접근성을 민주화하고 있고, 대규모 언어 모델은 DeFi에 대한 접근성을 민주화하고 있다.
오늘의 글에서는 우리가 생각하기에 대규모 언어 모델이 DeFi에 미칠 수 있는 영향에 대해 몇 가지 아이디어를 제시하고자 한다.
1. DeFi 보안성
우리가 지적했듯이, DeFi는 마찰과 간접 비용을 줄이고, 대규모 팀을 효율적인 코드로 대체함으로써 금융 서비스를 변화시키고 있다.
우리는 이미 DeFi의 방향성을 자세히 설명했다. DeFi는 다음과 같다:
-
마찰 비용 감소 —— 연료비(fuel fee)는 궁극적으로 하락할 것이다
-
실물 공간이 없고 오직 코드만 있기 때문에 간접 비용 감소
-
수천 명의 은행원을 100명의 프로그래머로 대체함으로써 인건비 감소
-
누구나 금융 서비스(예: 대출 및 마켓 메이킹)를 제공할 수 있도록 함
-
중개인이 필요 없는 더 간소화된 운영 모델이다.
DeFi에서는 '거래 상대방 리스크(counterparty risk)'가 소프트웨어 보안 리스크로 대체된다. 사용자의 자산을 보호하고 거래를 촉진하는 코드와 메커니즘은 자금을 훔치고 악용하려는 외부 위협으로부터 지속적으로 노출되어 있다.
AI, 특히 LLM은 스마트 계약의 개발과 감사를 자동화하는 데 핵심적인 역할을 할 수 있다. 코드베이스를 분석하고 패턴을 식별함으로써 AI는 시간이 지남에 따라 취약점을 발견하고 스마트 계약의 성능을 최적화할 수 있으며, 이는 인간의 실수를 줄이고 DeFi 프로토콜의 신뢰성을 높이는 데 기여한다. 알려진 취약점과 공격 벡터의 데이터베이스와 계약을 비교함으로써 LLM은 리스크 구간을 부각시킬 수 있다.
LLM이 이미 실용적이며 받아들여지는 솔루션으로 자리 잡은 한 분야는 테스트 스위트 작성 지원이다. 단위 테스트 작성은 지루할 수 있지만, 소프트웨어 품질 보증의 중요한 부분이며, 시장 출시 속도가 빠른 탓에 종종 소홀히 다뤄진다.
그러나 이에겐 '암흑면'도 존재한다. LLM이 코드 감사를 도울 수 있다면, 해커가 오픈소스 암호화 세계에서 코드를 악용하는 방법을 찾는 것도 도울 수 있다는 것이다.
다행히도 암호화 커뮤니티에는 화이트햇 해커들이 넘쳐나며, 리스크 완화에 도움이 되는 보상 제도(bounty system)도 잘 갖춰져 있다.
사이버 보안 전문가들은 '혼란을 통한 보안(security through obscurity)'을 주장하지 않는다. 오히려 공격자가 이미 시스템의 코드와 취약점을 알고 있다고 가정한다. AI와 LLM은 특히 비프로그래머에게 있어 규모 기반의 불안전한 코드 자동 탐지에 도움을 줄 수 있다. 매일 배포되는 스마트 계약의 수는 인간이 감사할 수 있는 수준을 훨씬 초과한다. 때때로 경제적 기회(예: 마이닝)를 포착하기 위해, 테스트를 기다리지 않고 새롭고 인기 있는 계약과 상호작용해야 할 필요가 있다.
이럴 때 Rug.AI 같은 플랫폼이 유용하다. Rug.AI는 알려진 코드 취약점에 대해 새 프로젝트를 자동 평가해 준다.
아마도 가장 혁신적인 면은 LLM이 코드 작성을 도울 수 있다는 점일 것이다. 사용자가 요구사항을 기본적으로 이해하고 있다면, 자연어로 원하는 바를 설명할 수 있고, LLM은 이를 기능적 코드로 변환할 수 있다.
이는 블록체인 기반 애플리케이션을 만드는 진입 장벽을 낮추어, 더 넓은 범위의 혁신가들이 생태계에 기여할 수 있게 한다.
하지만 아직 초기 단계일 뿐이다. 개인적으로 우리는 LLM이 완전히 새로운 프로젝트보다는 코드 재구성이나 초보자에게 코드의 동작을 설명하는 데 더 적합하다고 느낀다. 모델에 컨텍스트와 명확한 사양을 제공하는 것이 중요하며, 그렇지 않으면 '쓰레기 입력 = 쓰레기 출력(garbage in, garbage out)' 현상이 발생할 수 있다.
LLM은 또한 스마트 계약 코드를 자연어로 번역함으로써 프로그래밍을 모르는 사람들도 도울 수 있다. 아마 당신은 프로그래밍을 배우고 싶지 않을 수도 있지만, 자신이 사용하는 프로토콜의 코드가 프로토콜의 약속과 일치하는지를 확인하고 싶을 것이다.
단기적으로 LLM이 고품질 개발자를 완전히 대체할 수 있을 것이라고는 의심하지만, 개발자들은 LLM을 활용해 자신의 작업을 추가로 검증할 수 있다.
결론? 우리 모두에게 암호화폐는 더 간단하고 안전해졌다. 다만 LLM에 너무 의존하지는 말아야 한다. 때때로 LLM은 자신감 있게 잘못된 답변을 내놓기도 한다. LLM이 코드를 전면적으로 이해하고 예측하는 능력은 여전히 발전 중이다.
2. 데이터 분석과 인사이트
암호화폐 분야에서 데이터를 수집할 때 언젠가는 Dune Analytics를 접하게 된다. 아직 들어보지 않았다면, Dune Analytics는 주로 이더리움 블록체인 및 기타 관련 블록체인에 초점을 맞춰 데이터 분석 시각화를 생성하고 게시할 수 있는 플랫폼이다. DeFi 지표를 추적하는 데 유용하고 사용자 친화적인 도구다.
Dune Analytics는 이미 GPT-4 기능을 갖추고 있어 자연어로 쿼리를 설명할 수 있다.
쿼리가 어렵거나 쿼리를 생성하고 편집하고 싶을 경우, chatGPT에 도움을 요청할 수 있다. 같은 대화에서 일부 샘플 쿼리를 제공하면 성능이 더 좋아지며, chatGPT의 작업을 검증하기 위해 스스로 배우려는 노력도 여전히 필요하다. 그러나 이는 학습하면서 질문하는 좋은 방법이며, 마치 멘토에게 묻듯이 chatGPT에 물어볼 수 있다.
LLM은 비기술적 암호화폐 참여자의 진입 장벽을 크게 낮춘다.
그러나 인사이트 측면에서는 LLM이 독창적인 통찰을 제공하는 데 실망스럽다. 복잡하고 이성적인 금융 시장에서 LLM이 정답을 줄 것으로 기대하지는 말라. 직관과 감각에 의존하는 사람이라면, LLM이 기대에 훨씬 못 미친다는 것을 알게 될 것이다.
그러나 우리는 하나의 유효한 용도를 발견했다 —— 명백한 사항을 놓쳤는지 확인하는 것이다. 드러나지 않은 혹은 주류와 반대되는 통찰을 통해 실제로 수익을 창출하는 것은 거의 불가능하다. 이는 놀랄 일이 아니다. (만약 누군가 초고수익을 가져오는 AI를 개발했다면, 그것을 광범위한 대중에게 공개하지는 않을 것이다.)
3. '디스코드 관리자의 소멸?'
암호화폐 분야에서 인기 있는 프로젝트에 열광하면서도 요구가 다양하고 변화무쌍한 사용자 그룹을 관리하는 것은 가장 과소평가되고 고통스러운 작업 중 하나다. 많은 동일한 일반적인 질문들이 반복되며, 때로는 끊임없이 반복된다. 이는 LLM으로 쉽게 해결할 수 있는 고통점처럼 보인다.
LLM은 메시지가 자기 홍보(스팸)인지 여부를 감지하는 데서도 어느 정도 정확도를 보여주었다. 우리는 이것을 악성 링크(또는 다른 해킹 행위) 탐지에도 활용할 수 있기를 기대한다. 수천 명의 활성 멤버를 관리하고 정기적으로 정보를 게시하는 바쁜 디스코드 그룹을 운영하는 것은 정말 어려우므로, LLM 기반의 디스코드 봇이 도움이 되기를 기대한다.
4. '기발한 상상'
암호화폐 분야에서 흔히 등장하는 밈(meme) 중 하나는 인기 있는 밈을 기반으로 화폐를 출시하는 것이다. 이것은 DOGE, SHIB, PEPE처럼 오랫동안 생명력을 가진 밈에서부터, 당일 트렌드 키워드를 기반으로 한 시간 안에 사라지는 무작위 화폐(대부분 사기이며, 우리는 참여를 피한다)까지 다양하다.
트위터 파이어호스 API(Twitter Firehose API)에 접근할 수 있다면 실시간으로 암호화폐에 대한 감정을 추적하고, LLM을 훈련시켜 트렌드를 식별한 후 인간이 미묘한 차이를 해석하도록 할 수 있다. 간단한 응용 예로, 바이러스적 순간이 나타날 때 감성 분석에 기반하여 밈 화폐를 출시할 수 있다.
어쩌면 여러 소셜미디어 채널에 걸쳐 인기 있는 암호화폐 인플루언서 일부를 모니터링하는 '가난한 사람의 감성 크롤러(poor man's sentiment crawler)'를 구축하는 방법이 있을지도 모른다. 이 경우 '로켓 추진'형 API 데이터 소스의 비용과 대역폭 문제를 처리할 필요가 없다.
LLM은 온라인 풍자와 패러디를 해석하여 진정한 통찰을 도출하는 등 맥락을 깊이 이해하는 데 매우 적합하다. 이 LLM 동맹은 대부분의 활동이 암호화 트위터에서 이루어지는 암호화 산업과 함께 진화하고 배우게 될 것이다. 암호화 산업은 공개 토론 포럼과 오픈소스 기술을 통해 LLM이 시장 기회를 포착할 수 있는 독특한 환경을 제공한다.
그러나 고의적인 소셜미디어 조작에 속지 않기 위해서는 이 기술이 더욱 정교해져야 한다. 인공적인 잔디 뿌리 운동, 미공개 스폰서십, 웹 봇넷 등이 그것이다. 다른 글에서 우리는 일부 조직이 FTX/Alameda 관련 암호화 프로젝트의 가치를 높이기 위해 소셜미디어를 의도적으로 조작했음을 시사하는 흥미로운 제3자 연구 보고서를 다룬 바 있다.
NCRI 분석에 따르면, FTX 상장 코인 언급과 관련된 온라인 토론에서 로봇과 유사한 계정이 상당한 비중(약 20%)을 차지했다.
이러한 로봇과 같은 활동은 데이터 샘플 내 다수의 FTX 코인 가격을 예고했다.
FTX의 프로모션 이후, 이러한 코인들의 활동은 시간이 지남에 따라 점점 더 비현실적으로 변했다. 비현실적이고 로봇 같은 댓글의 비율이 꾸준히 증가하여 전체 토론량의 약 50%를 차지하게 되었다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
