Mirror World 如何借助 AI Asset Agents (AAA) 發現 Alpha？

生命以負熵為食，AI 以熵減為生。

World Store 的誕生：借助 AI Asset Agents (AAA) 對抗 Crypto 的熵增

當前區塊鏈的發展正高速走向一個熵增的階段，各種 Layer1/Layer2 生態的出現，伴隨著跨越在不同生態當中的不同類別資產的增長，以及各類智能合約及協議的誕生，這都為整個區塊鏈的系統帶來了極高的複雜性。並且在此過程當中，這些基礎的複雜性進一步帶來了終端用戶的高操作門檻：跨鏈的資產結算與購買，找到與發現分佈在不同生態當中的優質資產，法幣到 Crypto 的入金等等。我們可以看到的是，這一切問題的本質都指向了這些關鍵詞"無序，混亂以及高複雜度"。

Generated By DALL·E

這就為我們提供了一個非常有趣的視角，即從熱力學以及系統熵增的角度來看待整個區塊鏈系統。當然，這在科學的解釋上並不嚴格準確，但不可否認的多了個視角來重新理解當前區塊鏈的發展。

我們都知道在孤立系統/封閉系統當中，其熵總會不斷的增大，即呈現出從有序走向無序的狀態。正如上述所述，我們所觀察到的區塊鏈的系統當中，也正在發生以及經歷這樣的狀態。當前沒有出現任何消費級的應用，沒有更多的外部系統用戶進入，這樣的系統將會更加的孤立，而最終走向我們都知道的結局，"熱寂"。

所以，為了引入更多的"外部系統"用戶來對抗熵增，系統當中的已有參與者也提出以及開發了各種工具和服務來降低用戶操作的複雜性，從而來降低進入這個行業的準入門檻。但不得不承認的是，這些單體工具的出現進一步地導致了各個生態的孤立，並給用戶帶來了海量信息篩選的成本以及產品之間切換使用的高成本。

由於一個新興生態當中的信息量和總的複雜性是很高的，但是現有的工具沒有做到降低信噪比的功能，所以用戶即使瞄準了一個生態，也經常存在 "踏空"，沒有捕獲到最直接的價值。例如，用戶在 EVM 眾多的生態或是在非 EVM 的生態當中，仍會錯過一些符合自己興趣或投資偏好但仍未關注的資產。又或是用戶為了執行一筆關鍵交易，在最優路由的選擇過程當中消耗了太多的時間，導致錯過了一些最優的交易時間。

上述問題其實存在愈發簡單的解法，因為隨著 AI Agent 的發展與成熟，其最大的作用就是來幫助用戶處理在海量信息下的降維，尋找最優解決方案，幫助用戶捕獲到最核心的價值。AI 存在的本身便是在混亂的系統當中帶來理性的秩序，為系統帶來熵減。

Mirror World 深刻意識到了該路徑實現的必要性，通過創建 AI Asset Agents，圍繞用戶的核心目標和利益來發現優質資產，依據用戶的鏈上行為數據，基於 AI Asset Agents 實現最優的路由選擇，降低用戶的購買以及交易成本。AAA 從海量的資產類別當中進行個性化的最優推薦，同時幫助用戶處理任意貨幣，到任意資產，在任意生態中的結算。

而以上的結論和願景，是我們過去兩年在實際參與"資產分發"以及"資產結算"的過程當中經過深刻思考後得到的總結，也催生出了 Mirror World 即將在 12.18 推出的新產品，World Store。

World Store Alpha Version

1/ World Store 的邏輯大腦：AI Asset Agents（AAA）

正如上述所說，World Store 的誕生，就是對上述問題的直接回應。World Store 將結合 AI Asset Agents 的能力，有效解決用戶面臨的信息過載和交易複雜性問題，提供一個更加直觀且高效的資產發行以及交易體驗。

在 World Store 當中，用戶可以找到根據自己興趣以及偏好所推薦的各類資產，並且能夠以自己熟悉的法幣或 Crypto 支付方式對該資產進行購買與結算。

基於用戶的鏈上資產和交互所推薦的資產

AI Asset Agents 作為 World Store 的邏輯大腦，將會利用自然語言處理（NLP）和機器學習來理解用戶的需求和偏好，並根據其鏈上交互記錄，以及資產持有信息，來推薦相關的資產和數字內容。同時，在此基礎之上結合 LLMs 來進一步構建和豐富推薦系統的實現，以達到傳統的推薦系統無法快速實現的特定效果。

TALLRec Framework

在與傳統推薦算法的對比上，LLMs 因為蘊含了大規模網絡語料庫中挖掘出的豐富知識，這使得它們能夠補充傳統推薦系統所依賴的用戶行為數據。傳統算法主要依賴用戶行為數據進行推薦，而 LLMs 可以結合世界知識和用戶交互數據進行更全面的推薦。其次，LLMs 在零次或僅少量示例的情況下就能適應新的領域，這使得它們能夠在有限的任務特定數據（比如錢包的交易數據）下進行推薦，而傳統算法通常需要大量的特定領域數據來進行推薦。

另外，LLMs 可以用於多種推薦任務，如順序推薦、評分預測、解釋生成等，從而實現統一的推薦框架，而傳統算法通常需要針對不同任務構建不同的模型。並且，LLMs 具有交互性和反饋機制，可以提高用戶體驗並增強模型的可解釋性。AI Asset Agents 可以通過對話交互的方式更深入地了解用戶的需求，甚至在交互中不斷調整推薦策略。用戶可以通過對話提出具體的要求或反饋，AI Asset Agents 則根據這些信息優化推薦結果。

User Profile Generated with AI Asset Agents (AAA)

AI Asset Agents 可以通過機器學習不斷從用戶交互中學習，從而改進其推薦算法。這意味著隨著時間的推移，推薦系統會變得越來越適應用戶的個人偏好。

2/ World Store 的執行引擎：AI 資產結算中心

在資產交易與結算的執行方面，World Store 通過集成不同的入金支付服務商、跨鏈服務提供商和 DEX 等，為用戶提供了一個統一支付以及結算的中心：World Store。用戶所有與支付以及資產結算的相關操作都可以在 World Store 當中一站式完成，並且在操作過程當中，AI Asset Agents 會根據用戶的選擇推薦最優的執行路由，從而降低用戶交互的複雜性以及交易過程當中的執行成本。

目前，World Store 已經能夠支持超過 150 個國家，超過 50 個不同的本地支付方式以及 10 條以上不同的主流區塊鏈網絡進行法幣入金，並已經集成了 23 條區塊鏈，15 個 Bridge 以及 28 個 DEX 以支持用戶實現任意 Token 在任意網絡下的兌換。

Global Asset Checkout

讓我們設想這樣的一種場景：遊戲 NFT 部署在 Polygon 上，而作為玩家，雖然在 Polygon 的網絡環境下通過錢包進行了遊戲登錄，但由於 Token 布在其他的區塊鏈網絡當中，就導致其在實際遊戲的體驗過程當中，由於跨鏈等操作複雜性的问题，沒辦法在應用內對該遊戲資產進行直接的購買。但是，可以預見的是，在集成了 World Store 之後，用戶或玩家便可輕鬆的用自己在任意網絡下的資產進行該遊戲商品的購買與結算。

另外，隨著用戶對 World Store 的使用，這些用戶的交互數據也會被進一步的 Feed 到 AI Asset Agents 當中來提高算法的推薦質量，而作為對用戶資產交互行為以及算法訓練的獎勵，我們推出了 Points System 來進行用戶側的激勵。

以上所有的功能除了能夠直接在 World Store 的資產購買流程當中體驗到，Mirror World 還會面向所有的應用開發者提供開放的 API 以及 Widget 集成服務，致力於幫助更多的應用項目方解決資產結算複雜以及商業化困難等問題。

Get Supported List of Fiat

3/ World Store 的獎勵中心：Points System

如上，為了對用戶的交易行為以及為算法提供數據訓練行為的進一步支持，我們也會為所有參與產品交互的用戶提供相應的激勵措施，以鼓勵其資產交互行為，所以我們便推出了 Points System。

通過 Raffle Ticket 可以在 World Store 12.18 發布時兌換 Lucky Draw

在 Points System 的設計當中，用戶只要通過 World Store 交易資產，即可帶來潛在的獎勵。類似信用卡的積分機制，每當用戶進行相應的資產購買或兌換，都能夠獲得對應的積分獎勵。

而該積分則將作為 Mirror World 後續運營過程當中判斷用戶活躍度、參與度以及貢獻度的重要依據，並在未來一系列的產品發布，Tokenomics 設計以及社區空投等過程當中，直接派發相應的權益和獎勵。

寫在最後

World Store 與 AI Asset Agents 的結合，旨在為更多的用戶帶來全新的交互體驗，降低區塊鏈資產的交互門檻，提升資產的使用以及優質資產的發現，最後為整個區塊鏈系統帶來熵減。

隨著 LLMs 和區塊鏈的發展與成熟，我們不可避免的進入到了技術加速的這趟列車當中，而這趟瘋狂加速的列車將帶領大家在即將來臨的加密牛市當中，發現 Alpha。