만트라 (OM)의 몰락과 인공 지능 (AI)이 90% 토큰 충돌을 막을 수 있었던 이유

몇 시간 안에이 자산은 시가 총액이 60 억 달러에서 약 5 억 달러로 급락했습니다.

The fall of Mantra (OM), the native token of the layer-1 real-world asset blockchain Mantra, shook the crypto market on April 13. Within hours, the asset saw its market cap plunge from over $6 billion to around $500 million.

Layer-1 Real-World Asset Blockchain Mantra의 기본 토큰 인 Mantra (OM)의 추락은 4 월 13 일에 암호화 시장을 흔들었다. 몇 시간 안에이 자산은 시가 총액이 60 억 달러에서 약 5 억 달러로 급락했다.

In a market already scarred by billion-dollar collapses, the collapse of Mantra’s native asset proved yet again that hacks aren’t the only enemy to the industry—crypto has been crippled by negligence. The team behind Mantra blamed “forced liquidations” for the 90% token crash, which is only half of the story.

이미 10 억 달러 규모의 붕괴로 인해 상처를 입은 시장에서, 만트라의 기본 자산의 붕괴는 해킹만이 산업에 대한 유일한 적이 아니라는 것을 다시 입증했다. Mantra의 팀은 90%의 토큰 충돌로“강제 청산”을 비난했으며, 이는 이야기의 절반에 불과했습니다.

As more data surfaces, it’s becoming clear that the collapse wasn’t just a case of unfortunate timing or high market volatility. It was a preventable disaster that had many catalysts, like overleveraged positions, weak liquidity, and various gaps in its automated risk management systems.

더 많은 데이터 표면으로 인해 붕괴가 불행한 타이밍이나 높은 시장 변동성의 경우가 아니라는 것이 분명해지고 있습니다. 자동화 된 위험 관리 시스템의 과잉 위치, 약한 유동성 및 다양한 격차와 같은 많은 촉매제가있는 예방 가능한 재난이었습니다.

Ironically, artificial intelligence, the technology that crypto evangelists have been praising over the last three years, could have predicted, flagged, and even prevented this crash, had it been implemented properly.

아이러니하게도, 암호화 전도자들이 지난 3 년 동안 칭찬해온 기술인 인공 지능은 제대로 구현 된 경우 예측, 신고 및 심지어 이러한 충돌을 예측하고, 신고하고, 심지어 예측할 수 있었을 수도 있습니다.

AI-driven liquidity stress testing

AI 중심 유동성 스트레스 테스트

The problem with traditional financial stress testing is that it is designed for stable, regulated markets and conventional assets like stocks and bonds, where extreme volatility is rare. Cryptocurrencies, on the other hand, operate in a different reality where wild price swings and sudden liquidity crashes are pretty common and part of the market game. Legacy risk frameworks that rely on historical patterns fail to capture these shocks.

전통적인 금융 스트레스 테스트의 문제점은 매우 변동성이 드물 인 안정되고 규제 된 시장 및 주식 및 채권과 같은 기존 자산을 위해 설계되었다는 것입니다. 반면에 cryptocurrencies는 야생 가격 변동과 갑작스런 유동성 충돌이 시장 게임의 일부인 다른 현실에서 작동합니다. 역사적 패턴에 의존하는 레거시 위험 프레임 워크는 이러한 충격을 포착하지 못합니다.

AI-driven stress testing offers a dynamic alternative. Instead of relying on static historical data, machine learning models adapt to real-time conditions, analyzing market sentiment, on-chain metrics, and liquidity patterns.

AI 구동 응력 테스트는 역동적 인 대안을 제공합니다. 기계 학습 모델은 정적 역사 데이터에 의존하는 대신 실시간 조건에 적응하고 시장 감정, 온 체인 지표 및 유동성 패턴을 분석합니다.

A new method called kurtosis-based stress testing focuses on reducing the risk of extreme outlier losses, precisely the “fat tail” events that characterize crypto market failures. This technique can help firms in “less predictable, high-impact” events like the recent Mantra and the 2022 Terra (LUNA) crashes. During the Terra collapse in 2022, traditional risk models failed because they didn’t anticipate how quickly a stablecoin de-peg could spiral into a $60 billion wipeout.

kurtosis 기반 스트레스 테스트라는 새로운 방법은 극심한 특이 치 손실의 위험을 줄이는 데 중점을 둡니다. 이 기술은 최근 Mantra 및 2022 Terra (LUNA) 충돌과 같은 "예측 가능하고 영향력이 높은"이벤트에 기업을 도울 수 있습니다. 2022 년 테라 붕괴 중에, 전통적인 위험 모델은 Stablecoin de-Peg가 600 억 달러 규모의 와이프 아웃으로 얼마나 빨리 나선형을 선보일 수 있는지 예상하지 못했기 때문에 실패했습니다.

The research shows that portfolios designed to reduce extreme risk swings delivered a 491% return with the kurtosis model, beating the simpler ‘buy-and-hold’ approach at 426% and even outperforming those built around traditional Sharpe ratio strategies, with a 384% return.

이 연구에 따르면 극도의 위험 스윙을 줄이기 위해 설계된 포트폴리오는 쿠르토 시스 모델과 함께 491%의 수익을 제공하여 426%의 더 간단한 '구매 및 보유'접근 방식을 제압하고 전통적인 Sharpe 비율 전략을 중심으로 구축 된 것보다 384%의 수익을 올렸습니다.

A high kurtosis value indicates a higher probability of extreme volatility. In crypto, these events aren’t anomalies—they’re part of the landscape.

첨도 값이 높으면 극도의 변동성 확률이 높음을 나타냅니다. 암호화에서 이러한 사건은 이상이 아니며, 그들은 풍경의 일부입니다.

Mantra’s exposure to thin weekend liquidity and token concentration could have been flagged well in advance with AI-powered stress testing methods, offering stakeholders a window to act before catastrophe struck.

Mantra의 주말 유동성 및 토큰 농도에 대한 노출은 AI 기반 스트레스 테스트 방법으로 미리 표시 될 수 있었으며, 스테이크 보유자에게 재앙이 발생하기 전에 행동 할 창을 제공합니다.

Tracking and flagging movements with AI

AI와의 추적 및 플래그 이동

Blockchain’s transparency is its greatest strength, yet monitoring millions of transactions manually is impossible. This is where AI excels. Autonomous AI agents can continuously scan on-chain activity and flag unusual patterns that might indicate impending market manipulation, all without the need for human involvement.

블록 체인의 투명성은 가장 큰 강점이지만 수백만 건의 거래를 수동으로 모니터링하는 것은 불가능합니다. AI가 탁월한 곳입니다. 자율 AI 에이전트는 온쇄 활동을 지속적으로 스캔하고 인간의 참여없이 임박한 시장 조작을 나타낼 수있는 특이한 패턴을 플래그 할 수 있습니다.

In Mantra’s case, blockchain data analyzed after the crash revealed telling signs. Just days before the collapse, a wallet linked to Laser Digital reportedly transferred 6.5 million OM tokens to another wallet, which then sent them to OKX, where they were liquidated. An AI monitoring system could have detected these movements in real time, issuing immediate alerts to exchanges, regulators, and the broader community.

Mantra의 경우 충돌 후 블록 체인 데이터가 분석 된 징후가 밝혀졌습니다. 붕괴 직전, 레이저 디지털에 연결된 지갑은 650 만 명이 다른 지갑으로 옮긴 후 OKX로 보냈다. AI 모니터링 시스템은 이러한 움직임을 실시간으로 감지하여 교환, 규제 기관 및 더 넓은 커뮤니티에 즉각적인 경고를 발행 할 수있었습니다.

AI agents can distinguish routine market behavior from potential manipulations since they don’t just track transactions but also build behavioral profiles across wallet networks.

AI 에이전트는 거래를 추적 할뿐만 아니라 지갑 네트워크에서 행동 프로파일을 구축하기 때문에 일상적인 시장 행동을 잠재적 조작과 구별 할 수 있습니다.

Predicting order book vulnerabilities

주문서 취약점 예측

Perhaps the most direct way AI could have prevented the Mantra crash is through sophisticated order book analysis. Order books reveal the true health of a market, but their complexity demands more than just surface-level analysis.

아마도 AI가 Mantra 충돌이 정교한 주문서 분석을 거치는 것입니다. 주문서는 시장의 진정한 건강을 보여 주지만 복잡성은 단순한 표면 수준 분석 이상의 요구를 요구합니다.

Deep learning models, particularly Convolutional Neural Networks and Long Short-Term Memory networks, have proven to deliver promising results in forecasting price movements based on order book data. One study found that temporal CNNs can predict Bitcoin (BTC) price shifts with up to 76% accuracy.

딥 러닝 모델, 특히 Convolutional Neural Networks 및 긴 단기 메모리 네트워크는 주문서 데이터를 기반으로 가격 변동을 예측하는 유망한 결과를 제공하는 것으로 입증되었습니다. 한 연구에 따르면 시간적 CNN은 비트 코인 (BTC) 가격이 최대 76%의 정확도로 이동할 수 있습니다.

AI-driven analysis of market depth would have highlighted the risk of significant slippage from large sell orders—conditions ripe for a cascading price collapse. Consequently, these models could have exposed Mantra’s fragility by identifying dangerously thin order books during weekend trading hours.

시장 깊이에 대한 AI 중심 분석은 대규모 판매 주문으로 인한 상당한 미끄러질 위험을 강조했을 것입니다. 결과적으로,이 모델들은 주말 거래 시간 동안 위험한 얇은 주문서를 식별함으로써 Mantra의 취약성을 노출시킬 수 있습니다.

With the help of AI and deep learning models, crypto firms can implement dynamic safeguards like circuit breakers triggered by sharp price drops and structural weaknesses in liquidity to flag or prevent situations similar to Mantra.

AI 및 딥 러닝 모델의 도움으로 암호화 회사는 유동성의 급격한 가격 하락과 유동성의 구조적 약점으로 인해 유동성이 유동적 인 상황에 따라 유동성 약점과 같은 동적 보호 장치를 구현할 수 있습니다.

Building a resilient crypto ecosystem with AI

AI로 탄력성 암호화 생태계 구축

While blockchain technology promises decentralization and transparency, it remains vulnerable without advanced AI-powered risk management systems that can process millions of transactions and flag suspicious patterns. The collapse of high-profile assets like Mantra and Terra has proven the need for these systems.

블록 체인 기술은 탈 중앙화와 투명성을 약속하지만 수백만 건의 거래를 처리하고 의심스러운 패턴을 플래그 할 수있는 고급 AI 구동 위험 관리 시스템 없이는 취약점을 유지합니다. Mantra 및 Terra와 같은 유명 자산의 붕괴는 이러한 시스템의 필요성을 입증했습니다.

Financial institutions with crypto exposure must prioritize

암호화 노출이있는 금융 기관은 우선 순위를 정해야합니다