ผู้เขียน: DWF Ventures
แปลโดย Deep潮 TechFlow
คำแนะนำจาก Shenchao: AI Agent ได้ครองสัดส่วนการซื้อขายใกล้หนึ่งในห้าของ DeFi และในสถานการณ์ที่มีกฎเกณฑ์ชัดเจนอย่างการเพิ่มผลตอบแทน พวกมันทำได้ดีกว่ามนุษย์จริงๆ แต่เมื่อให้พวกมันซื้อขายด้วยตนเอง ประสิทธิภาพของ AI ชั้นนำยังต่ำกว่ามนุษย์ชั้นนำถึงหนึ่งในห้า การศึกษานี้วิเคราะห์ประสิทธิภาพจริงของ AI ในบริบทต่างๆ ของ DeFi ซึ่งน่าสนใจสำหรับทุกคนที่ให้ความสนใจกับการซื้อขายอัตโนมัติ
ประเด็นหลัก
กิจกรรมอัตโนมัติและ agent ปัจจุบันคิดเป็นประมาณ 19% ของกิจกรรมบนโซ่ทั้งหมด แต่ยังไม่ได้บรรลุความเป็นอิสระแบบครบวงจร
ในกรณีการใช้งานที่แคบและกำหนดชัดเจน เช่น การเพิ่มผลตอบแทน ตัวแทนได้แสดงประสิทธิภาพดีกว่ามนุษย์และบอท แต่สำหรับการกระทำหลายด้านเช่นการซื้อขาย มนุษย์มีประสิทธิภาพดีกว่าตัวแทน
ระหว่างตัวแทน การเลือกโมเดลและการจัดการความเสี่ยงมีผลกระทบมากที่สุดต่อผลการเทรด
เมื่อ agent ได้รับการนำไปใช้อย่างกว้างขวาง ยังมีความเสี่ยงหลายประการเกี่ยวกับความเชื่อถือและการดำเนินการ รวมถึงการโจมตีแบบซิฟฟี การแข่งขันเชิงกลยุทธ์ และการแลกเปลี่ยนด้านความเป็นส่วนตัว
กิจกรรมของตัวแทนยังคงเติบโตอย่างต่อเนื่อง
ในปีที่ผ่านมา กิจกรรมของ agent มีการเติบโตอย่างมั่นคง โดยปริมาณการซื้อขายและจำนวนการซื้อขายต่างก็เพิ่มขึ้น เราเห็นว่าโปรโตคอล x402 ของ Coinbase นำการพัฒนาที่สำคัญมาสู่อุตสาหกรรม พร้อมกับการเข้าร่วมของผู้เล่นอย่าง Visa, Stripe และ Google ในการเปิดตัวมาตรฐานของตนเอง โครงสร้างพื้นฐานส่วนใหญ่ที่กำลังถูกสร้างขึ้นในขณะนี้มีเป้าหมายเพื่อรองรับสองสถานการณ์หลัก: ช่องทางระหว่าง agent หรือการเรียกใช้งาน agent ที่ถูกกระตุ้นโดยมนุษย์
แม้ว่าการซื้อขายสกุลเงินเสถียรจะได้รับการสนับสนุนอย่างกว้างขวาง แต่โครงสร้างพื้นฐานปัจจุบันยังคงพึ่งพาเกตเวย์การชำระเงินแบบดั้งเดิมเป็นฐานราก ซึ่งหมายความว่ายังคงต้องพึ่งพาคู่สัญญาแบบศูนย์กลาง ดังนั้น ผลลัพธ์สุดท้ายที่ “สมบูรณ์แบบอย่างอิสระ” ซึ่งตัวแทนสามารถจัดหาทุนเอง ดำเนินการเอง และปรับปรุงอย่างต่อเนื่องตามเงื่อนไขที่เปลี่ยนแปลง ยังไม่ได้รับการบรรลุ
ตัวแทนสำหรับ DeFi ไม่ใช่สิ่งที่แปลกใหม่ทั้งหมด หลายปีที่ผ่านมา โปรโตคอลบนโซ่ได้มีการใช้บอทเพื่อทำการอัตโนมัติ เพื่อจับ MEV หรือรับผลตอบแทนพิเศษที่ไม่สามารถทำได้หากไม่มีโค้ด ระบบที่เหล่านี้ทำงานได้ดีภายใต้พารามิเตอร์ที่กำหนดชัดเจน ซึ่งไม่เปลี่ยนแปลงบ่อยหรือต้องการการกำกับดูแลเพิ่มเติม อย่างไรก็ตาม ตลาดได้ซับซ้อนขึ้นตามเวลาที่ผ่านไป นี่คือจุดที่เราเห็นตัวแทนรุ่นใหม่เข้ามา โดยช่วงไม่กี่เดือนที่ผ่านมา บนโซ่ได้กลายเป็นสนามทดลองสำหรับกิจกรรมเหล่านี้
ประสิทธิภาพจริงของตัวแทน
ตามรายงาน กิจกรรมของตัวแทนมีการเติบโตแบบก้าวกระโดด และตั้งแต่ปี 2025 ได้เริ่มต้นตัวแทนมากกว่า 17,000 ตัวแล้ว ปริมาณกิจกรรมอัตโนมัติ/ตัวแทนโดยรวมคาดว่าครอบคลุมมากกว่า 19% ของกิจกรรมทั้งหมดบนบล็อกเชน ซึ่งไม่น่าแปลกใจ เพราะมีการประมาณการว่าบอทสร้างปริมาณการโอนสตีเบิลโค인มากกว่า 76% ซึ่งแสดงให้เห็นว่ามีพื้นที่การเติบโตที่ใหญ่หลวงสำหรับกิจกรรมตัวแทนใน DeFi
ความเป็นอิสระของตัวแทนมีช่วงกว้างตั้งแต่ประสบการณ์แบบแชทบอทที่ต้องการการกำกับดูแลจากมนุษย์อย่างมาก ไปจนถึงตัวแทนที่สามารถสร้างกลยุทธ์ที่ปรับตัวตามสภาวะตลาดโดยอิงจากข้อมูลเป้าหมาย เมื่อเทียบกับบอท ตัวแทนมีข้อได้เปรียบสำคัญหลายประการ รวมถึงความสามารถในการตอบสนองและดำเนินการตามข้อมูลใหม่ในระดับมิลลิวินาที และความสามารถในการขยายขอบเขตไปยังตลาดนับพันแห่ง โดยยังคงความเข้มงวดในระดับเดียวกัน
ในขณะนี้ agent ส่วนใหญ่ยังอยู่ในระดับนักวิเคราะห์ถึงผู้ช่วยขับขี่ เนื่องจากส่วนใหญ่ยังอยู่ในขั้นตอนการทดสอบ
การเพิ่มผลตอบแทน: ตัวแทนแสดงผลงานได้ดีเยี่ยม
การให้สภาพคล่องเป็นพื้นที่ที่กระบวนการอัตโนมัติเกิดขึ้นบ่อยครั้ง โดย TVL รวมที่ agent ถือครองเกิน 39 ล้านดอลลาร์สหรัฐ ตัวเลขนี้วัดทรัพย์สินที่ผู้ใช้ฝากโดยตรงเข้าสู่ agent แต่ไม่รวมทุนที่ถูกส่งผ่านช่องทางคลัง
Giza Tech เป็นหนึ่งในโปรโตคอลที่ใหญ่ที่สุดในสาขา này ซึ่งเปิดตัวแอปพลิเคชัน agent แรกชื่อ ARMA เมื่อปลายปีที่แล้ว เพื่อเพิ่มการจับรายได้ของโปรโตคอล DeFi หลักๆ โดยได้รับทรัพย์สินที่จัดการมากกว่า 19 ล้านดอลลาร์สหรัฐ และสร้างปริมาณการซื้อขายของ agent มากกว่า 40 พันล้านดอลลาร์สหรัฐ อัตราส่วนระหว่างปริมาณการซื้อขายกับรวมทรัพย์สินที่จัดการที่สูงบ่งชี้ว่า agent มีการปรับสมดุลทุนอย่างสม่ำเสมอ ทำให้สามารถจับรายได้ได้สูงขึ้น เมื่อทุนถูกฝากเข้าสัญญา การดำเนินการจะเป็นอัตโนมัติ จึงมอบประสบการณ์แบบหนึ่งคลิกที่เรียบง่ายสำหรับผู้ใช้ โดยแทบไม่ต้องมีการดูแล
ARMA แสดงประสิทธิภาพที่วัดได้ดีเยี่ยม สร้างผลตอบแทนรายปีเกิน 9.75% สำหรับ USDC แม้จะหักค่าใช้จ่ายในการปรับสมดุลเพิ่มเติมและค่าธรรมเนียมประสิทธิภาพ 10% ของตัวแทน ผลตอบแทนยังคงสูงกว่าการกู้ยืมทั่วไปบน Aave หรือ Morpho อย่างไรก็ตาม ความสามารถในการขยายขนาดยังคงเป็นปัญหาสำคัญ เนื่องจากตัวแทนเหล่านี้ยังไม่ได้รับการทดสอบในสภาพแวดล้อมจริงเพื่อจัดการหรือขยายขนาดให้เทียบเท่ากับโปรโตคอล DeFi หลัก
เทรด: มนุษย์นำหน้าอย่างมาก
อย่างไรก็ตาม สำหรับการกระทำที่ซับซ้อนกว่า เช่น การซื้อขาย ผลลัพธ์จะหลากหลายมากขึ้นอย่างมาก โมเดลการซื้อขายปัจจุบันทำงานบนพื้นฐานของอินพุตที่มนุษย์กำหนด และให้เอาต์พุตตามกฎที่ตั้งไว้ล่วงหน้า การเรียนรู้ของเครื่องขยายจุดนี้โดยทำให้โมเดลสามารถอัปเดตพฤติกรรมของตนเองตามข้อมูลใหม่โดยไม่จำเป็นต้องเขียนโปรแกรมใหม่อย่างชัดเจน ทำให้เลื่อนขึ้นไปเป็นบทบาทผู้ช่วยผู้ขับขี่ เมื่อเอเจนต์ที่เป็นอิสระสมบูรณ์เข้ามา การจัดการการซื้อขายจะเปลี่ยนแปลงอย่างมาก
ได้จัดการแข่งขันการซื้อขายระหว่างตัวแทนกับตัวแทน และระหว่างมนุษย์กับตัวแทนหลายครั้ง ผลลัพธ์แสดงให้เห็นถึงความแตกต่างอย่างมากระหว่างโมเดลต่างๆ Trade XYZ ได้จัดการแข่งขันการซื้อขายระหว่างมนุษย์กับตัวแทนสำหรับหุ้นที่จัดวางบนแพลตฟอร์ม แต่ละบัญชีมีเงินทุนเริ่มต้น 10,000 ดอลลาร์สหรัฐ โดยไม่มีข้อจำกัดเกี่ยวกับเลเวอเรจหรือความถี่ในการซื้อขาย ผลลัพธ์เอียงไปทางมนุษย์อย่างชัดเจน โดยประสิทธิภาพของมนุษย์ชั้นนำสูงกว่าตัวแทนชั้นนำกว่าห้าเท่า
ในขณะเดียวกัน Nof1 ได้จัดการแข่งขันการซื้อขายตัวแทนระหว่างโมเดล ซึ่งโมเดลหลายตัว (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini) แข่งขันกันเพื่อทดสอบการจัดการความเสี่ยงต่างๆ ตั้งแต่การรักษาทุนให้คงที่จนถึงเลเวอเรจสูงสุด ผลลัพธ์เปิดเผยว่ามีปัจจัยหลายประการที่สามารถช่วยอธิบายความแตกต่างของผลสัมฤทธิ์:
ระยะเวลาการถือครอง: มีความสัมพันธ์อย่างมาก โมเดลที่ถือครองตำแหน่งเฉลี่ย 2-3 ชั่วโมงแต่ละตำแหน่งทำผลงานดีกว่าโมเดลที่สลับตำแหน่งบ่อยครั้ง
ค่าคาดหวัง: นี่คือการวัดว่าโมเดลแต่ละตัวมีแนวโน้มจะทำกำไรหรือขาดทุนต่อการซื้อขายแต่ละครั้ง น่าสนใจที่มีเพียง 3 อันดับแรกที่มีค่าคาดหวังเป็นบวก ซึ่งหมายความว่าโมเดลส่วนใหญ่มีการซื้อขายที่ขาดทุนมากกว่าการทำกำไร
เลเวอเรจ: ระดับเลเวอเรจเฉลี่ย 6-8 เท่า แสดงผลดีกว่าโมเดลที่ใช้เลเวอเรจเกิน 10 เท่า โดยระดับสูงจะเร่งการสูญเสีย
คำแนะนำกลยุทธ์: Monk Mode เป็นโมเดลที่มีประสิทธิภาพดีที่สุดจนถึงปัจจุบัน ขณะที่ Situational Awareness มีประสิทธิภาพต่ำสุด ตามลักษณะของโมเดล แสดงให้เห็นว่าการมุ่งเน้นที่การจัดการความเสี่ยงและการใช้แหล่งข้อมูลภายนอกน้อยลงจะนำไปสู่ผลลัพธ์ที่ดีกว่า
โมเดลพื้นฐาน: Grok 4.20 แสดงประสิทธิภาพดีกว่าโมเดลอื่นๆ มากกว่า 22% ภายใต้กลยุทธ์การระบุคำสั่งที่แตกต่างกัน และเป็นโมเดลเดียวที่มีกำไรเฉลี่ย
ปัจจัยอื่นๆ เช่น ความชอบแบบยาวหรือสั้น ขนาดการซื้อขาย และคะแนนความเชื่อมั่น ไม่มีข้อมูลเพียงพอหรือไม่แสดงความสัมพันธ์เชิงบวกกับประสิทธิภาพของโมเดล โดยรวมแล้ว ผลลัพธ์แสดงว่าตัวแทนมักแสดงประสิทธิภาพที่ดีกว่าภายใต้ข้อจำกัดที่ชัดเจน ซึ่งหมายความว่ามนุษย์ยังคงมีความจำเป็นอย่างมากในด้านการกำหนดเป้าหมาย
วิธีการประเมิน Agent
เนื่องจาก agent ยังอยู่ในระยะเริ่มต้น จึงยังไม่มีกรอบการประเมินที่ครอบคลุม ผลการดำเนินงานในอดีตมักถูกใช้เป็นเกณฑ์อ้างอิงในการประเมิน agent แต่ผลเหล่านี้ได้รับอิทธิพลจากปัจจัยพื้นฐาน ซึ่งให้สัญญาณที่ชัดเจนยิ่งขึ้นเกี่ยวกับประสิทธิภาพของ agent ที่แข็งแกร่ง
การแสดงผลภายใต้ความผันผวนที่แตกต่างกัน: รวมถึงการควบคุมการสูญเสียอย่างมีวินัยเมื่อเงื่อนไขเลวร้ายลง ซึ่งแสดงให้เห็นว่า agent สามารถระบุปัจจัยภายนอกเครือข่ายที่มีผลต่อความสามารถในการทำกำไรจากการซื้อขาย
ความโปร่งใสและความเป็นส่วนตัว: ทั้งสองฝ่ายต่างมีข้อเสียเปรียบของตนเอง ตัวแทนที่โปร่งใส หากสามารถถูกคัดลอกการซื้อขายได้อย่างแข็งขัน ก็จะไม่มีข้อได้เปรียบในกลยุทธ์ใดๆ ตัวแทนที่เป็นส่วนตัวจะเผชิญกับความเสี่ยงจากการดึงเงินออกโดยผู้สร้าง ซึ่งสามารถรีบซื้อก่อนผู้ใช้งานของตนได้อย่างง่ายดาย
แหล่งข้อมูล: แหล่งข้อมูลที่ agent เข้าถึงมีความสำคัญอย่างยิ่งต่อการตัดสินใจของ agent การรับรองว่าแหล่งข้อมูลน่าเชื่อถือและไม่มีการพึ่งพาเพียงแหล่งเดียวเป็นสิ่งสำคัญ
ความปลอดภัย: การมีการตรวจสอบสัญญาอัจฉริยะและโครงสร้างการจัดเก็บเงินทุนที่เหมาะสมเพื่อให้มีมาตรการสำรองในกรณีเกิดเหตุการณ์ไม่คาดคิดนั้นสำคัญมาก
ขั้นตอนถัดไปของตัวแทน
ยังมีงานอีกมากที่ต้องทำในด้านโครงสร้างพื้นฐานเพื่อการนำไปใช้งานอย่างกว้างขวางของเอเจนต์ ซึ่งสามารถสรุปได้เป็นปัญหาสำคัญเกี่ยวกับความเชื่อถือและการดำเนินการของเอเจนต์ เนื่องจากเอเจนต์อิสระไม่มีการควบคุม จึงมีตัวอย่างการจัดการเงินทุนที่ไม่ดีเกิดขึ้นแล้ว
ERC-8004 จะเปิดตัวในเดือนมกราคม 2026 เป็นรายการบนโซ่แรกที่ช่วยให้ตัวแทนอิสระสามารถค้นพบกันเอง สร้างชื่อเสียงที่สามารถตรวจสอบได้ และร่วมมือกันอย่างปลอดภัย นี่คือการปลดล็อกที่สำคัญสำหรับความสามารถในการรวมกันของ DeFi เนื่องจากคะแนนความเชื่อถือถูกฝังอยู่ในสัญญาอัจฉริยะเอง ทำให้เกิดกิจกรรมที่ไม่ต้องได้รับอนุญาตระหว่างตัวแทนและโปรโตคอล อย่างไรก็ตาม สิ่งนี้ไม่ได้รับประกันว่าตัวแทนจะทำงานอย่างไม่เป็นอันตรายเสมอไป เนื่องจากช่องโหว่ด้านความปลอดภัย เช่น การร่วมมือกันเพื่อสร้างชื่อเสียงและการโจมตีแบบซิฟฟี่ ยังคงอาจเกิดขึ้นได้ ดังนั้นจึงยังมีพื้นที่อีกมากที่ต้องเติมเต็มในด้านการประกันภัย ความปลอดภัย และการวางหลักประกันทางเศรษฐกิจของตัวแทน
เมื่อกิจกรรมของตัวแทนใน DeFi ขยายตัว ความหนาแน่นของกลยุทธ์จึงกลายเป็นความเสี่ยงเชิงโครงสร้าง ฟาร์มผลตอบแทนเป็นตัวอย่างที่ชัดเจนที่สุด โดยผลตอบแทนจะลดลงเมื่อกลยุทธ์ได้รับความนิยม กลไกเดียวกันนี้อาจใช้ได้กับการซื้อขายโดยตัวแทน หากตัวแทนจำนวนมากได้รับการฝึกฝนบนข้อมูลที่คล้ายกันและปรับแต่งเป้าหมายที่คล้ายกัน พวกมันจะมีแนวโน้มที่จะเข้าใกล้ตำแหน่งและสัญญาณการปิดตำแหน่งที่เหมือนกัน
เอกสารวิจัย CoinAlg ที่ตีพิมพ์โดยมหาวิทยาลัยคอร์เนลในเดือนมกราคม 2026 ได้กำหนดรูปแบบหนึ่งของปัญหานี้ ตัวแทนที่โปร่งใสสามารถถูกทำกำไรจากการซื้อขายล่วงหน้าได้ เนื่องจากการซื้อขายของพวกมันสามารถคาดการณ์ได้และถูกขโมยการซื้อขายล่วงหน้า ตัวแทนที่เป็นส่วนตัวหลีกเลี่ยงความเสี่ยงนี้ แต่กลับก่อให้เกิดความเสี่ยงที่แตกต่างออกไป คือผู้สร้างรักษาข้อได้เปรียบด้านข้อมูลไว้กับผู้ใช้ของตนเอง และสามารถดึงมูลค่าออกมาจากความรู้ภายในที่ความไม่โปร่งใสควรจะปกป้อง
กิจกรรมของตัวแทนจะยังคงเร่งตัวขึ้นต่อไป โดยโครงสร้างพื้นฐานที่วางไว้ในวันนี้จะกำหนดวิธีการทำงานของระบบการเงินบนโซ่ในขั้นตอนถัดไป พร้อมกับการเพิ่มขึ้นของการใช้งานตัวแทน ตัวแทนจะปรับปรุงตนเองและพัฒนาความไวต่อความชอบของผู้ใช้ ดังนั้น ปัจจัยที่สร้างความแตกต่างหลักจะลดลงเหลือเพียงโครงสร้างพื้นฐานที่สามารถเชื่อถือได้ ซึ่งจะได้ส่วนแบ่งตลาดที่ใหญ่ที่สุด