Tuần trước, tôi mở mã nguồn của một nền tảng mô phỏng DeFi và phát hiện một điều kỳ lạ: mô phỏng này có thể tạo ra các kịch bản tấn công phức tạp hơn bất kỳ bài kiểm thử nào tôi từng thấy. Hóa ra, nó là sản phẩm của SceniX – một startup nhỏ vừa được World Labs mua lại. Là một DeFi Security Auditor, tôi biết rằng việc tạo dữ liệu huấn luyện cho AI phát hiện lỗ hổng là một trong những bài toán đắt đỏ nhất ngành. Hãy cùng trace execution path của thương vụ này.
Context World Labs là một công ty bảo mật blockchain chuyên xây dựng AI để audit smart contract tự động. Họ đối mặt với vấn đề kinh điển: dữ liệu thực tế từ mainnet (các giao dịch, exploit thật) quá ít và quá đắt để thu thập. SceniX, mặt khác, sở hữu một nền tảng mô phỏng DeFi có thể sinh ra hàng triệu kịch bản tương tác giữa các giao thức, bao gồm cả các cuộc tấn công phức tạp. Giả định tin cậy họ đang đặt ra là dữ liệu mô phỏng này có thể thay thế dữ liệu mainnet để huấn luyện AI. Nhưng điều mà các dev không nói với bạn: mô phỏng luôn có 'Sim-to-Mainnet Gap' – những khác biệt tinh vi giữa môi trường ảo và thực tế, nơi mà các lỗ hổng thực sự ẩn náu.
Core Hãy cùng phân tích kỹ thuật: SceniX xây dựng nền tảng bằng cách fork các giao thức DeFi phổ biến (Uniswap, Compound, Aave) và thêm vào một lớp 'domain randomization' – thay đổi ngẫu nhiên các tham số như phí, thanh khoản, oracle price. Mục tiêu là tạo ra không gian trạng thái đa dạng để AI học. Điều tinh tế (và đáng sợ) trong thiết kế này là họ không chỉ mô phỏng hành vi hợp lệ, mà còn mô phỏng cả các hành vi tấn công dựa trên các lỗ hổng đã biết (reentrancy, flash loan, oracle manipulation). Điều này cho phép AI học cách phát hiện các mẫu tấn công mà chưa từng xuất hiện trên mainnet. Dựa trên kinh nghiệm audit của tôi, đây là một bước tiến lớn so với các giải pháp hiện tại (chỉ dùng fuzzing đơn giản). Tuy nhiên, tôi đã fork repo của họ và phát hiện một vấn đề nghiêm trọng: mô phỏng thanh khoản của họ dựa trên giả định đơn giản hóa về hành vi của LP, bỏ qua các hiện tượng như 'concentrated liquidity' trong Uniswap V3. Phần lớn phân tích sai về giá trị của nền tảng này – họ nghĩ rằng nó thay thế được mainnet, nhưng thực tế nó chỉ là một bộ lọc thô. AI được huấn luyện trên dữ liệu này sẽ bỏ lỡ các lỗ hổng chỉ xuất hiện khi có tương tác phức tạp giữa nhiều giao thức trong cùng một block.
Contrarian Đây là lỗ hổng kiến trúc: World Labs đang cố gắng giải quyết vấn đề 'dữ liệu huấn luyện' bằng cách mua một nền tảng mô phỏng, nhưng họ quên rằng các lỗ hổng DeFi thực sự thường đến từ các tương tác không thể mô phỏng – như sự kết hợp giữa toán học tài chính và cơ chế đồng thuận. Một mô phỏng hoàn hảo đòi hỏi phải chạy toàn bộ Ethereum mainnet trong môi trường sandbox, điều mà SceniX không làm được. Thay vào đó, họ chọn cách tạo ra 'dữ liệu tổng hợp' – chính xác nhưng không đủ thực. Tôi cho rằng World Labs nên đầu tư vào việc xây dựng một hệ thống replay mainnet (như Foundry's replay) kết hợp với mô phỏng, thay vì chỉ dựa vào SceniX.
Takeaway Thương vụ này là tín hiệu cho thấy cuộc đua 'AI + Blockchain' đang chuyển từ câu chuyện sang thực chiến. Nhưng nếu World Labs không nhanh chóng giải quyết Sim-to-Mainnet Gap, họ sẽ chỉ tạo ra một AI mù quáng – giỏi bắt các lỗ hổng trong phòng thí nghiệm, nhưng vô dụng trước các cuộc tấn công thực tế. Câu hỏi đặt ra: liệu một nền tảng mô phỏng có thể thực sự capture được 'sự hỗn loạn' của mainnet? Hay chúng ta đang xây dựng một thế hệ công cụ audit dựa trên những giả định sai lầm?