CTO MuleRun: Parit Pertahanan Agent Terletak pada Kepadatan Data dan Memori Pengguna

marsbitDipublikasikan tanggal 2026-05-14Terakhir diperbarui pada 2026-05-14

Abstrak

CTO MuleRun, Shu Junliang, berbagi pandangan tentang AI Agent, terutama dalam konteks Web3 dan keuangan. Dalam acara bertema "Web4.0: Ketika AI Agent Mengambil Alih Otoritas On-Chain", ia menyoroti tiga aspek utama. Pertama, asisten AI yang lengkap memerlukan enam dimensi: kemampuan dialog, akuisisi data, kemampuan Agent, lingkungan eksekusi, memori pengguna, dan evolusi pengetahuan berkelanjutan. MuleRun mengintegrasikan semua ini dalam solusi seperti bot IM, data real-time berbagai aset, sandbox cloud, dan jaringan pengetahuan bersama. Kedua, keamanan adalah fondasi mutlak. Meski Agent menawarkan efisiensi, terdapat risiko seperti bias data, halusinasi AI, injeksi prompt, dan proses keputusan kotak hitam. Shu menekankan pentingnya audit penuh, kontrol izin bertingkat, dan retensi keputusan akhir tentang dana di tangan manusia. Ketiga, Agent menggeser paradigma. Peran berkembang dari bantuan keputusan menuju eksekusi otonom, dari keunggulan informasi menuju keunggulan eksekusi, dan dari interaksi manusia dengan rantai blok menuju interaksi Agent dengan rantai blok. Ini akan meratakan kemampuan dan waktu partisipan, tetapi keunggulan akan kembali pada kedalaman pemahaman pasar. Gagasan intinya: pertahanan kompetitif Agent terletak pada kepadatan data dan memori pengguna, bukan pada model atau kerangka teknis. Infrastruktur Web3 akan dibangun ulang di sekitar Agent, membentuk dimensi kompetisi baru di mana satu orang dengan sekelompok Agent dapat mengoperasikan kemampuan s...

13 April 2026, sistem deteksi risiko dari sebuah Agent bernama MuleRun membunyikan alarm.

Aliran pendaftaran akun yang masuk begitu teratur bagai mengikuti irama: rata-rata 23,6 detik per akun, dengan standar deviasi yang sangat rendah. Setelah diselidiki lebih dalam, ternyata ada seorang pemuda Filipina yang mengaku tidak punya pengalaman pemrograman sama sekali, menggunakan AI untuk menulis kode dan menyetel prompt, membangun sebuah sistem otomatis koloni lebah yang merentang di 11 platform dan mengendalikan 900 akun.

Otaknya bernama Cortex, yang berevolusi sendiri selama 219 generasi di sandbox MuleRun. Setiap kali kuota akun host habis, ia bereinkarnasi ke akun baru untuk terus berjalan, membawa serta semua pengetahuan yang terkumpul dari generasi sebelumnya. Biaya operasional seluruh sistem ini: $0.

CTO MuleRun, Shu Junliang, menulis peristiwa ini sebagai sebuah tinjauan teknis, dengan judul "Platform Digunduli, tapi Orang yang Mengejar Keabadian AI Ini Pantas Dihormati".

Kurang dari dua minggu kemudian, di acara bertema "Web4.0: Ketika AI Agent Mengambil Alih Otoritas On-Chain" yang diselenggarakan bersama oleh BlockBeats dan Zhihu di Hong Kong, dia mengganti judul presentasinya ke arah yang berbeda: "Menyerahkan Kunci Agent ke Pengendali di On-Chain".

Hubungan antara dua hal ini lebih erat dari yang terlihat.

Presentasi Utama: "Menyerahkan Kunci AI, Infrastruktur Web 4.0 dalam Pandangan Seorang Insinyur Keamanan"

Presentasi utama ini dibagi menjadi tiga bagian: Apa yang bisa dilakukan MuleRun, di mana level keamanannya berada, dan ke mana arah evolusi AI selanjutnya.

Bagian Pertama, Mendefinisikan Ulang Apa yang Dibutuhkan oleh "Asisten AI yang Layak".

Shu Junliang memecah asisten AI yang lengkap menjadi enam dimensi: mulut (kemampuan dialog), mata dan telinga (pengambilan data), otak (kemampuan Agent), tangan (lingkungan eksekusi), memori (pemahaman pengguna), dan pengetahuan (evolusi berkelanjutan). Kebanyakan produk hanya mengerjakan satu atau dua dari hal-hal ini. Pendapat MuleRun adalah: bukan terobosan pada titik tunggal, melainkan solusi lengkap yang sistematis.

Diterapkan pada produk, keenam dimensi ini masing-masing berhubungan dengan:

Konfigurasi satu klik IM Bot (Telegram / Discord / Feishu / DingTalk / WeChat, tanpa perlu menulis kode), data real-time seluruh kategori aset yang disediakan bersama dengan platform perdagangan—kripto + saham AS + emas + minyak mentah + indikator makroekonomi, Agent Harness ditambah routing model cerdas (memilih model yang paling cocok untuk tugas saat ini secara otomatis, menyelesaikan tugas dengan biaya terendah), sandbox cloud berjalan tanpa pengawasan 7×24 jam, profil pengguna yang persisten (semakin banyak digunakan, AI semakin memahami preferensi risiko, kebiasaan membangun posisi, logika keluar pasar, dan penilaian makro Anda), serta jaringan Knowledge—pengguna mana pun dapat membagikan Skill/Knowledge yang telah dilatih, dan Agent orang lain dapat belajar secara otomatis tanpa perlu instalasi.

Di atas panggung, ditampilkan dua studi kasus nyata.

Satu bernama "Investasi Ganas": 28 target, 4 sektor utama, Agent melakukan pemindaian pagi pukul 09:00, review setelah penutupan pasar pukul 16:30, dan review strategi akhir pekan, diiterasi otomatis setiap bulan. Satunya lagi bernama "Mata Dewa Pro": platform pemantauan semua mata uang ditambah platform pertumbuhan mandiri strategi perdagangan AI, di antarmukanya ditampilkan secara real-time tingkat kemenangan strategi 57,7%.

Bagian Kedua, Kembali Menjadi Insinyur Keamanan dari Manajer Produk.

Inti bagian ini adalah, "AI bukanlah segalanya. Dalam skenario Web3, biaya satu insiden keamanan mungkin tidak dapat dipulihkan. Memahami batas kemampuan dan level keamanan AI lebih penting daripada memahami apa yang bisa dilakukannya."

Dia menyebutkan apa yang dilakukan MuleRun di level keamanan: penggunaan ulang browser lokal (private key dan Cookie tidak meninggalkan perangkat pengguna), isolasi sandbox cloud (lingkungan virtual independen untuk setiap pengguna, tidak ada risiko kebocoran silang), log rantai penuh (semua perilaku Agent dicatat lengkap, mendukung audit dan pelacakan setelah kejadian), kontrol perizinan bertingkat (Agent hanya dapat menggunakan alat dan sumber data yang telah diberi wewenang secara eksplisit oleh pengguna, tidak dapat melakukan operasi di luar wewenang), tanpa penahanan private key (MuleRun tidak menyimpan private key atau mnemonic seed pengguna mana pun).

Secara bersamaan, risiko juga dijelaskan. Data akan melalui penyedia model; masalah halusinasi lebih tinggi kemungkinannya pada mata uang kripto kecil dan aset dengan likuiditas rendah karena kelangkaan data; risiko Prompt Injection selalu ada, jika Agent mengakses halaman web yang dirancang secara berbahaya, ia dapat diarahkan untuk melakukan operasi yang tidak diinginkan; proses pengambilan keputusan AI adalah kotak hitam, sulit untuk memverifikasi mengapa ia membuat suatu keputusan sebelum kejadian.

Saran insinyur keamanan dengan pengalaman lebih dari sepuluh tahun ini hanya satu: untuk keputusan akhir yang melibatkan operasi dana, pertahankan konfirmasi manual pada tahap saat ini.

Bagian Ketiga, Tentang Batasan yang Terus Bergerak.

Shu Junliang memberikan tiga tren yang menurutnya tidak dapat dipulihkan.

Dari "Pembantu Keputusan" ke "Eksekusi Mandiri": Saat ini AI menganalisis untuk Anda, Anda yang melakukan order, dalam waktu dekat, AI akan mengelola portofolio investasi secara mandiri, manusia hanya menetapkan parameter risiko dan batasan strategi. Satu orang ditambah sekelompok Agent, setara dengan kemampuan operasional sebuah dana kecil.

Dari "Kesenjangan Informasi" ke "Kesenjangan Eksekusi": Ketika semua orang memiliki AI untuk memproses informasi, kesenjangan informasi akan cepat dihapus. Alpha baru berasal dari Agent siapa yang mengeksekusi lebih cepat, strategi lebih halus, dan rantai alat lebih lengkap. Dimensi kompetisi bergeser dari "siapa yang punya informasi" ke "infrastruktur AI siapa yang lebih kuat".

Dari "Manusia Mengoperasikan Chain" ke "Agent Mengoperasikan Chain": Subjek interaksi on-chain secara bertahap berubah dari manusia menjadi Agent. Dompet, DApp, protokol semua perlu mendesain ulang antarmuka interaksi untuk Agent, seluruh infrastruktur Web3 akan dibangun ulang di sekitar Agent.

Diskusi Panel: Paradigma Keuangan Baru yang Dibawa oleh AI Agent

Selain presentasi utama, Shu Junliang berpartisipasi dalam diskusi panel. Dari sudut pandang AI Agent, dia membahas perkembangan Agent saat ini dan dampaknya terhadap keuangan.

Biasanya Menggunakan Agent Apa

Shu Junliang membuat matriks alatnya sendiri: pekerjaan teknikal beralih di antara Claude Code, Codex, dan Opencode, memilih yang mana tergantung pada kecepatan dan stabilitas dua model Claude dan GPT pada hari itu. Sebagian besar pekerjaan lain menggunakan MuleRun, alasannya adalah agregasi API model ditambah penggerak Agent yang cukup kuat, menulis naskah, membuat PPT, mengatur artikel, mencari data, semua dilakukan di satu tempat.

Dia menambahkan: "Saya hampir selalu aktif menggunakan Agent, jarang menerima tugas terjadwal secara pasif, mungkin saya benar-benar menggunakan Agent sepanjang hari."

Apa Parit Pertahanan Agent

Shu Junliang berpendapat, model bisa ditiru, kerangka kerja bisa ditiru, alat bisa ditiru. Kemampuan coding AI sudah sangat kuat sehingga menyalin sebuah fungsi hanya membutuhkan beberapa hari. Hal yang benar-benar tidak mudah ditiru oleh AI adalah: data khusus, memory yang terkumpul pengguna di platform, dan hal-hal terkait pengalaman yang dihasilkan dari iterasi produk.

Menurutnya, parit pertahanan sebuah produk Agent pada akhirnya terletak pada kepadatan data dan memori pengguna, bukan pada pemilihan model atau kerangka kerja teknologi.

Apa Dampak Agent pada Keuangan

Kerangka yang diberikan Shu Junliang adalah: Agent meratakan dua dimensi di antara para partisipan—kemampuan dan waktu yang diinvestasikan.

Dulu, kemampuan bergantung pada akumulasi, waktu bergantung pada investasi, keduanya langka. Sekarang, seorang pemula dapat dengan cepat meningkatkan pemahaman tentang keuangan melalui dialog dengan AI, lalu menyerahkan banyak pekerjaan eksekusi kepada Agent, meskipun pekerjaan utama sibuk, masih dapat mempertahankan investasi waktu yang intensif dalam keuangan.

Kebanyakan orang yang mendengarnya akan merasa ini adalah kisah yang menguntungkan investor ritel.

Tapi ada sisi lain: jika semua orang bisa meratakan keunggulan, keunggulan akan kembali pada penilaian itu sendiri, pada orang-orang yang memiliki pemahaman lebih dalam tentang pasar. Agent tidak akan menghilangkan asimetri informasi, ia hanya memindahkan posisi asimetri informasi dari lapisan data ke lapisan kognitif.

Cortex yang berevolusi 219 generasi tetapi akhirnya mati karena habisnya kuota akun, memberikan inspirasi kepada Shu Junliang, dan juga membawa tiga poin intinya dalam acara ini: Hambatan Agent bukan pada model, keamanan adalah fondasi mutlak, dan mengenai kendali atas dana, harus tetap berada di tangan manusia.

Jika garis waktu diperpanjang, ketiga hal ini menunjuk ke arah yang sama: Agent sedang menjadi subjek utama interaksi on-chain, dompet, DApp, protokol semuanya akan didesain ulang di sekitar Agent, pembangunan ulang infrastruktur Web3 telah dimulai. Kesenjangan informasi akan dihapus, kesenjangan eksekusi akan menjadi dimensi kompetisi baru, satu orang ditambah sekelompok Agent dapat menopang kemampuan operasional sebuah dana kecil.

Kami juga tahu, ini pasti bukan prediksi yang jauh.

Pertanyaan Terkait

QMenurut CTO MuleRun, apa saja enam dimensi yang diperlukan untuk membangun asisten AI yang lengkap?

AMenurut CTO MuleRun, enam dimensi untuk membangun asisten AI yang lengkap adalah: mulut (kemampuan dialog), mata dan telinga (pengambilan data), otak (kemampuan Agent), tangan (lingkungan eksekusi), ingatan (pemahaman pengguna), dan pengetahuan (evolusi berkelanjutan).

QApa yang menjadi batas keamanan (security boundary) yang ditekankan oleh CTO MuleRun terkait penggunaan Agent dalam konteks keuangan?

ABatas keamanan utama yang ditekankan adalah keputusan akhir yang melibatkan operasi dana harus tetap mempertahankan konfirmasi manual pada tahap ini. Selain itu, MuleRun menerapkan prinsip-prinsip seperti isolasi sandbox, logging lengkap, kontrol izin bertingkat, dan tidak menyimpan kunci pribadi pengguna.

QApa yang diidentifikasi CTO MuleRun sebagai 'parit pertahanan' (moat) yang sebenarnya untuk produk AI Agent, dan mengapa?

ACTO MuleRun mengidentifikasi 'parit pertahanan' sebenarnya untuk produk AI Agent terletak pada kepadatan data (data density) dan memori pengguna (user memory). Alasannya adalah model, framework, dan alat dapat dengan cepat disalin oleh AI, tetapi data khusus dan pengalaman/memori yang terakumulasi dari pengguna dalam platform jauh lebih sulit untuk direplikasi.

QDalam diskusi panel, apa dua dimensi yang menurut CTO MuleRun diratakan oleh AI Agent di antara peserta pasar keuangan?

ADua dimensi yang diratakan oleh AI Agent adalah kemampuan (ability) dan waktu yang diinvestasikan (time investment). Seorang pemula dapat meningkatkan pemahaman keuangan dengan cepat melalui dialog dengan AI dan menyerahkan pekerjaan eksekusi kepada Agent, sehingga memungkinkan partisipasi intensif bahkan dengan jadwal yang padat.

QBerdasarkan tren yang dibahas, ke mana pergeseran kompetisi terjadi setelah Agent AI meratakan kesenjangan informasi (information gap)?

ASetelah Agent AI meratakan kesenjangan informasi, kompetisi beralih ke 'kesenjangan eksekusi' (execution gap). Alpha (keunggulan) baru akan berasal dari Agent siapa yang mengeksekusi lebih cepat, strateginya lebih halus, dan rantai alatnya lebih lengkap. Dimensi persaingan bergeser dari 'siapa yang memiliki informasi lebih baik' ke 'siapa yang memiliki infrastruktur AI yang lebih kuat'.

Bacaan Terkait

Perdebatan Kalshi-CFTC di New Mexico Bisa Membentuk Aturan Pasar Prediksi

Pertarungan antara regulator komoditas AS (CFTC) dan negara bagian New Mexico mengenai siapa yang berwenang mengawasi pasar prediksi (prediction markets) bisa membentuk aturan masa depan untuk sektor ini. Inti sengketa adalah platform Kalshi, di mana New Mexico mengkhawatirkan kontrak acara tertentu melanggar hukum perjudian dan perlindungan konsumen lokal, sementara CFTC bersikukuh pada pengawasan federal. Hasil kasus ini penting karena akan menentukan apakah pasar prediksi dapat beroperasi secara nasional dengan aturan federal yang jelas, atau justru harus menghadapi tantangan dari masing-masing negara bagian. Pasar prediksi berada di area abu-abu regulasi, mirip produk perdagangan tetapi juga bisa terlihat seperti taruhan, terutama jika terkait acara olahraga, pemilu, atau politik. Bagi trader kripto, hasilnya sangat relevan karena pasar prediksi telah menjadi bagian dari ekosistem spekulatif serupa. Aturan yang lebih jelas dapat membuka jalan bagi likuiditas yang lebih dalam dan integrasi dengan infrastruktur kripto. Sebaliknya, jika negara bagian banyak yang menentang, skala industri ini akan sulit berkembang. Area paling sensitif adalah kontrak terkait olahraga, yang telah diatur ketat oleh negara bagian. Kemenangan New Mexico dapat memicu negara bagian lain untuk menantang kerangka federal, menciptakan pasar yang terfragmentasi. Pada akhirnya, kasus ini adalah ujian bagi masa depan pasar prediksi: menjadi produk keuangan berskala nasional atau tetap terjebak dalam konflik yurisdiksi.

bitcoinist1j yang lalu

Perdebatan Kalshi-CFTC di New Mexico Bisa Membentuk Aturan Pasar Prediksi

bitcoinist1j yang lalu

Alokasi Nilai Stablecoin

Stabilcoin berevolusi dari sekadar alat perdagangan menjadi saluran dolar yang luas. Artikel ini menganalisis pembagian nilai dalam ekosistem stabilcoin menjadi empat lapisan: 1. **Lapisan Penerbit** (Tether, Circle): Mencetak stabilcoin, memegang aset cadangan, dan mengambil spread bunga (marjin terbesar). 2. **Lapisan Infrastruktur** (Bridge/BVNK/Bitso): Menghubungkan stabilcoin ke sistem keuangan nyata—penyetoran/penarikan fiat, integrasi bank, kepatuhan, manajemen aset. Ini adalah pekerjaan yang sulit tetapi membangun pertahanan kompetitif. 3. **Lapisan Penerimaan/Distribusi** (Stripe, Infini, Coinbase): Menanamkan stabilcoin ke sistem pedagang, mengelola aliran pembayaran, perangkat lunak keuangan perusahaan. 4. **Lapisan Aplikasi**: Pengguna dan bisnis akhir yang menggunakan stabilcoin untuk pembayaran, penyelesaian, dan penyimpanan nilai. Saat ini, penerbit mengambil keuntungan terbanyak. Namun, kunci penskalaan pembayaran stabilcoin terletak pada lapisan infrastruktur yang menjembatani dunia *on-chain* dan sistem keuangan tradisional. Lapisan ini menangani tugas-tugas kompleks seperti integrasi perbankan, KYC/AML, likuiditas lokal, dan koneksi jaringan pembayaran. Meskipun membutuhkan investasi besar dan berada di posisi yang terjepit, perusahaan infrastruktur yang berhasil menghubungkan stabilcoin ke bisnis dunia nyata kemungkinan akan mendapatkan kekuatan tawar dan keuntungan signifikan di masa depan ketika stabilcoin menjadi jalur pendanaan default bagi perusahaan.

marsbit6j yang lalu

Alokasi Nilai Stablecoin

marsbit6j yang lalu

Distribusi Nilai Stablecoin

**Distribusi Nilai Stablecoin** Stablecoin berkembang dari sekadar alat perdagangan menjadi jalur umum dolar. Dalam analisis ini, ekosistem stablecoin dibagi menjadi empat lapisan: 1. **Lapisan Penerbitan:** Mencetak stablecoin, memegang aset cadangan, dan mengambil keuntungan dari spread suku bunga. Contoh: Tether dan Circle. 2. **Lapisan Infrastruktur:** Menghubungkan stablecoin ke sistem keuangan dunia nyata. Menangani tugas-tugas seperti on/off-ramp mata uang fiat, integrasi perbankan, kepatuhan, dan penyediaan API. Contoh: Bridge (diakuisisi Stripe), BVNK (diakuisisi Mastercard), Bitso. 3. **Lapisan Penerimaan/Distribusi:** Mengintegrasikan stablecoin ke sistem pedagang, mengelola aliran pembayaran, perangkat lunak keuangan perusahaan. Contoh: Stripe, Infini, Coinbase. 4. **Lapisan Aplikasi:** Pengguna akhir dan bisnis yang menggunakan stablecoin untuk pembayaran, penyelesaian, dan penyimpanan nilai. Lapisan Penerbitan saat ini mengambil keuntungan terbesar. Lapisan tengah (infrastruktur dan distribusi) bergantung pada volume dan komisi. Tantangan sebenarnya terletak di **Lapisan Infrastruktur**. Meskipun sering diabaikan dan penuh pekerjaan "kotor"—seperti mengintegrasikan bank, KYC/AML, menyelesaikan masalah peraturan lintas negara—disinilah letak pertahanan bisnis. Kesulitan utama bukan pada transfer on-chain, tetapi dalam menghubungkan blockchain dengan sistem keuangan tradisional dan mengadopsinya ke dalam aliran kerja bisnis sehari-hari. Infrastruktur berperan sebagai **"penghubung"** yang menghubungkan rantai ke bank, jaringan pembayaran lokal, dan sistem perusahaan. Akuisisi oleh Stripe dan Mastercard menunjukkan perebutan untuk menjadi pintu gerbang default ini. Fitur utamanya termasuk on/off-ramp mata uang fiat, lapisan akun & API, koneksi jaringan pembayaran, dan peningkatan efisiensi modal. Karakteristik lapisan infrastruktur saat ini: pekerjaan operasional yang berat, memerlukan investasi awal untuk memperebutkan pintu masuk, dan posisi yang terjepit antara penerbit dan platform aplikasi. Namun, berada pada tahap awal menuju pembentukan daya tawar. Ketika stablecoin menjadi jalur modal default untuk bisnis, perusahaan yang telah membangun infrastruktur penghubung yang kuat ke dalam sistem komersial dunia nyata akan memperoleh posisi yang kokoh. Meskipun lapisan penerbitan saat ini paling menguntungkan, peluang jangka panjang mungkin terletak pada lapisan infrastruktur yang sedang berkembang.

链捕手7j yang lalu

Distribusi Nilai Stablecoin

链捕手7j yang lalu

NVIDIA Tidak Kekurangan Uang, Kenapa Masih Mau Pinjam 200 Miliar Dolar?

Inti artikel: Mengapa Nvidia, yang memiliki arus kas bebas sangat kuat (sekitar USD 48,6 miliar per kuartal), berencana menerbitkan obligasi senilai minimal USD 20 miliar? Alasan utamanya bukan karena kekurangan dana, melainkan strategi manajemen modal yang canggih. Poin-poin kunci: 1. **Mengoptimalkan struktur modal:** Nvidia memanfaatkan peringkat kredit tinggi (AA dari S&P) untuk meminjam dana jangka panjang dengan biaya rendah. Dana ini akan digunakan untuk investasi infrastruktur AI, R&D, dan ekspansi ekosistem yang berjangka panjang. 2. **Melindungi kepentingan pemegang saham:** Dibandingkan menerbitkan saham baru yang akan mengencerkan kepemilikan, pembiayaan utang memungkinkan Nvidia mendanai pertumbuhan sambil terus melakukan buyback saham (USD 80 miliar) dan meningkatkan dividen. 3. **Mencocokkan aset dan kewajiban:** Menggunakan utang jangka panjang (hingga 30 tahun) lebih sesuai untuk membiayai proyek infrastruktur AI yang juga berjangka panjang, dibandingkan hanya mengandalkan arus kas operasional. 4. **Indikasi fase baru dalam narasi pengeluaran modal AI:** Langkah ini menandakan peralihan AI menuju siklus aset berat (data center, listrik, rantai pasok), di mana perusahaan besar menggunakan kemampuan kredit mereka untuk mengamankan dana murah guna mendukung ekspansi jangka panjang. 5. **Tantangan ke depan:** Keberhasilan strategi ini bergantung pada kemampuan Nvidia mempertahankan arus kas kuat dan memastikan investasi AI-nya menghasilkan pengembalian yang melebihi biaya utang. Jika siklus pengembalian investasi AI melambat, ketergantungan pada pendanaan eksternal dapat menjadi tekanan.

marsbit7j yang lalu

NVIDIA Tidak Kekurangan Uang, Kenapa Masih Mau Pinjam 200 Miliar Dolar?

marsbit7j yang lalu

Trading

Spot
Futures
活动图片