日本金融巨头SBI Holdings领投1.25亿美元，押注Gauntlet——这家为链上借贷市场管理风险的纽约公司，正在成为DeFi世界的信用评级机构。当传统银行的信贷委员会被算法和量化模型取代，谁来决定你的加密资产是否安全？

SBI的DeFi双杀：从Morpho到Gauntlet，日本金融巨头如何押注链上信贷的未来

2023年6月到7月，日本金融巨头SBI Holdings完成了一次罕见的“双杀”式布局：先是以1.75亿美元领投了去中心化借贷协议Morpho Association的融资，紧接着又以1.25亿美元领投了风险管理公司Gauntlet的C轮。一个月内，3亿美元砸向同一个赛道——链上信贷。这不仅仅是资本层面的豪赌，更是一次精心设计的战略卡位。

SBI的野心，藏在它的身份里。作为日本最大的金融集团之一，SBI旗下拥有银行、证券、保险等全牌照业务，管理着超过1.5万亿日元的资产。但传统金融的痛点同样尖锐：信贷审批流程冗长、跨境清算效率低、中小企业融资难。而DeFi借贷协议，恰恰提供了一个无需中介、全球可访问、近乎实时的信贷市场。SBI看到了一个机会：用链上信贷的灵活性，去填补传统金融的空白。

Morpho和Gauntlet，恰好代表了链上信贷的两个核心层。Morpho是协议层的基础设施——它允许任何人创建独立的借贷市场，每个市场只有一种抵押品和一种贷款资产。这听起来简单，但实际上是颠覆性的。在Aave或Compound这类老牌协议中，治理投票决定哪些资产可以上架，决策周期长，且容易受到大户操纵。Morpho的“市场即服务”模式，让资产上架变得像开一个网页一样简单。目前，Morpho已经吸引了约110亿美元的存款，成为机构化DeFi借贷的标杆。

但协议层的开放，也意味着风险管理的分散。谁来决定哪些抵押品可以接受？每个市场的清算阈值是多少？资本如何在不同市场间分配？在传统银行，这些决策由信贷委员会做出；在Morpho的生态中，它们被外包给了“策展人”（curators）。Gauntlet就是其中最知名的策展人之一，管理着超过15亿美元的资产。策展人并不持有用户资金——资金始终在智能合约中——但他们的风险模型直接决定了存款人的资金安全。

SBI的双重投资，本质上是在赌一个趋势：链上信贷的机构化，需要同时拥有协议层的开放性和风险层的专业性。Morpho提供流动性基础设施，Gauntlet提供风险定价能力。而SBI的角色，则是将这两者接入日本乃至亚洲的金融网络。SBI的银行和证券业务，可以成为Morpho市场的资金入口；Gauntlet的风险模型，则可以用来优化SBI现有业务的信贷审批流程。

技术细节上，Gauntlet的核心能力在于其量化风险模型。它使用蒙特卡洛模拟、压力测试和流动性分析，实时评估每个借贷市场的风险敞口。这些模型不仅应用于Morpho，也服务于Aave、Compound等协议。但Gauntlet与Morpho的绑定更深：Morpho的“隔离市场”架构，让风险模型可以精准地针对单一资产对进行校准，而不受整个协议系统性风险的干扰。这种“模块化风险管理”，正是SBI看中的——它可以将Gauntlet的模型拆解后，嵌入到自己的银行信贷系统中，用于评估中小企业贷款或跨境贸易融资的风险。

SBI的决策，也离不开日本监管环境的演变。2022年，日本通过了《资金决算法》修正案，明确将稳定币纳入监管框架，并允许银行发行自己的稳定币。这为DeFi与传统金融的融合打开了法律通道。SBI作为持牌金融机构，可以合规地引导资金进入链上市场，而无需担心监管风险。Gauntlet的风险管理能力，恰好满足了监管对“审慎经营”的要求——它提供了可审计、可量化的风险指标，让监管机构能够理解链上信贷的风险敞口。

但SBI的赌注并非没有风险。Morpho的“市场即服务”模式，虽然降低了准入门槛，但也引入了长尾风险。任何不良资产都可以被创建为借贷市场，如果策展人的风险管理出现失误，可能导致大规模清算。Gauntlet作为策展人，其模型的准确性依赖于市场数据的完整性——在极端行情下，流动性枯竭可能导致模型失效。此外，SBI的协同效应目前还停留在理论层面。Gauntlet的风险模型是否真的能适配传统银行的信贷流程？日本的中小企业是否愿意接受链上借贷？这些问题都尚未得到验证。

更深层的隐忧在于，SBI的双重投资可能引发监管的“逆向选择”。如果日本监管机构认为，SBI通过DeFi协议规避了传统银行的资本充足率要求，可能会出台更严格的规则。Morpho和Gauntlet的国际化属性，也可能让日本监管面临跨境执法难题。

尽管如此，SBI的布局已经释放了一个明确信号：链上信贷不再是极客的玩具，而是可以被传统金融体系吸纳的基础设施。Morpho和Gauntlet的组合，提供了一个“协议+风险管理”的标准化模板。未来，类似的“双杀”投资可能会成为机构进入DeFi的标准路径——先押注协议层获取流动性，再押注风险层确保安全。而SBI，正在用3亿美元赌这个路径的可行性。

Gauntlet的“银行信用委员会”梦：量化模型如何接管DeFi的风险决策权

在传统银行体系中，信贷委员会是风险决策的核心。它由经验丰富的银行家、风控专家和行业分析师组成，通过会议、报告和主观判断，决定哪些借款人值得信任、哪些抵押品可以接受、以及如何分配资本。这个过程充满人性化的考量——客户关系、行业周期、地缘政治风险，甚至午餐时的闲聊都可能影响最终决策。但Gauntlet正在用一套完全不同的逻辑，试图在DeFi世界中复制这一角色：用量化模型取代主观判断，用实时数据取代季度报告，用算法执行取代委员会投票。

Gauntlet的核心业务，是作为Morpho生态中的“策展人”（curator）。在Morpho的架构中，任何用户都可以创建独立的借贷市场——一个市场只包含一种抵押品和一种贷款资产。这种“隔离市场”设计，理论上让风险可以精确到单一资产对，而不受整个协议系统性风险的影响。但问题随之而来：存款人如何知道哪些市场是安全的？他们需要有人来筛选、监控和调整这些市场的参数。Gauntlet就是做这件事的。

Gauntlet的策展人角色，与Aave或Compound等老牌协议的风险管理逻辑有着根本区别。在Aave中，资产的上架和风险参数（如清算阈值、借贷利率）由治理投票决定。这听起来民主，但实际上效率低下——投票周期长，容易受到大户操纵，且决策往往基于静态的社区共识，而非动态的市场数据。例如，2022年LUNA崩盘前，Aave的治理投票并未及时调整LUNA的清算参数，导致大量用户被清算。而Gauntlet的模型则完全不同：它通过实时监控抵押品价格波动、流动性深度和链上交易数据，动态调整风险参数。在Morpho的隔离市场中，Gauntlet可以为每个市场单独设置清算阈值、借贷上限和抵押率，而不需要等待治理投票。

这种“算法化信贷委员会”的优势在于速度和精度。Gauntlet的风险模型使用了蒙特卡洛模拟和压力测试，模拟数千种极端市场场景，包括价格暴跌、流动性枯竭和清算连锁反应。例如，在处理LUNA崩盘时，Gauntlet的模型在价格暴跌前就检测到了异常的交易模式——大量LUNA被快速转移到新地址，链上流动性深度急剧下降。模型自动降低了LUNA市场的借贷上限，并提高了清算阈值，从而减少了潜在损失。相比之下，Aave的治理投票在LUNA崩盘后才开始讨论调整参数，为时已晚。

但Gauntlet的模型并非无懈可击。其核心假设是：历史数据可以预测未来风险。在极端市场事件中，如2020年3月的“黑色星期四”，链上流动性几乎完全枯竭，清算机制失效，Gauntlet的模型也会面临挑战。此外，Gauntlet的模型依赖于链上数据的完整性——如果某个市场的数据源被操纵（例如通过预言机攻击），模型可能做出错误决策。2023年，Gauntlet曾因一个DeFi协议的数据源被篡改，导致其管理的某个市场出现短暂的高风险敞口，尽管最终未造成损失，但暴露了模型的脆弱性。

Gauntlet的客户是谁？主要是两类：一是Morpho等协议的存款人，他们通过Gauntlet的策展服务间接参与借贷市场；二是机构投资者，如SBI，他们希望将Gauntlet的风险模型嵌入到自己的信贷流程中。Gauntlet的收入来源包括管理费和绩效费。管理费通常按管理资产规模（AUM）的0.1%-0.5%收取，绩效费则基于超额收益（如高于基准的借贷利率）的10%-20%。此外，Gauntlet还从Morpho的代币激励中获益——Morpho向策展人发放MORPHO代币，鼓励他们管理高流动性市场。

目前，Gauntlet管理着超过15亿美元的资产，占Morpho总存款（约110亿美元）的13.6%。这个比率不算高，但考虑到Morpho的存款中有大量来自机构（如SBI），且Gauntlet是Morpho生态中最知名的策展人，其影响力远超资产规模。Gauntlet的历史清算率约为0.5%，坏账率低于0.1%，远低于传统银行信贷业务（通常坏账率在1%-3%）。但这组数据需要谨慎解读：DeFi借贷的抵押率通常较高（150%-200%），且清算机制自动化，因此损失率天然较低。Gauntlet的优势不在于“零坏账”，而在于“快速清算”——在价格波动时，其模型能迅速触发清算，避免损失扩大。

但Gauntlet的权力集中化风险不容忽视。如果其模型出错，谁来承担损失？理论上，Gauntlet作为策展人，不持有用户资金，也不承担法律责任。但在实践中，如果Gauntlet的模型导致大规模清算或坏账，存款人可能会撤资，Morpho协议的信誉受损，Gauntlet的策展人地位也会动摇。2023年，Gauntlet曾因一个市场参数设置不当，导致清算价格偏离实际价值，引发小范围争议。尽管Gauntlet迅速调整了参数，但事件暴露了“算法化信贷委员会”的问责难题——没有委员会会议记录，没有投票记录，只有一行行代码和模型输出。

更深层的问题在于，Gauntlet的崛起是否意味着DeFi去中心化精神的妥协？Morpho的“市场即服务”模式，本意是让任何人都能创建借贷市场，实现金融民主化。但Gauntlet等策展人的出现，实际上创造了一个新的权力中心——它们决定哪些市场值得存在、哪些资产可以接受、以及资本如何分配。存款人不再需要理解每个市场的风险，只需信任Gauntlet的模型。这种“信任最小化”的初衷，反而演变为“信任集中化”——存款人信任Gauntlet，就像传统银行客户信任信贷委员会一样。

Gauntlet的创始人Tarun Chitra曾公开表示，他的目标是“让风险管理变得像数学一样精确”。但数学的精确性，无法覆盖人性的复杂性。在极端市场事件中，恐慌、FOMO和群体行为往往比模型预测更强大。Gauntlet的模型可以计算清算概率，但无法预测用户是否会在价格暴跌前集体撤资。这种“模型与现实的鸿沟”，正是Gauntlet面临的最大风险。

尽管如此，Gauntlet的“银行信用委员会”梦正在逐步成为现实。SBI的1.25亿美元投资，不仅是对Gauntlet模型的认可，更是对“算法化信贷”这一方向的押注。未来，Gauntlet的模型可能会从Morpho扩展到其他协议，甚至进入传统金融——用于评估中小企业贷款、供应链金融或跨境贸易融资的风险。但在此之前，Gauntlet需要证明，它的模型不仅能应对历史数据，还能驾驭未知的未来。

从Aave到Morpho：DeFi借贷协议的范式转换与Gauntlet的生态卡位

2022年11月，FTX崩盘后的第三天，Aave的治理论坛上爆发了一场激烈的争论。一位匿名用户提出提案，要求将FTX发行的FTT代币从Aave的借贷市场中移除。但按照Aave的治理流程，这个提案需要经过至少7天的讨论、3天的投票，以及2天的执行延迟——总共12天。等到投票结束时，FTT的价格已经跌去了90%，Aave上持有FTT抵押品的用户几乎全部被清算，协议损失超过300万美元。这并非孤例。在LUNA崩盘中，Aave的治理投票同样未能及时反应，导致大量用户损失惨重。

Aave的困境，本质上是“治理投票决定资产”模式的系统性缺陷。这种模式看似民主——任何持有AAVE代币的人都可以参与投票——但实际上，它创造了一个缓慢、僵化且容易被操纵的决策机制。投票周期长，意味着风险参数无法实时调整；大户操纵，意味着提案结果往往反映的是持币者的利益，而非协议的安全需求。更重要的是，Aave的“通用池”设计——所有资产共享一个流动性池——使得风险高度集中。一旦某个资产出现问题，整个池子都会受到影响。2022年，Aave上约有30种资产，其中不到10种贡献了90%的存款。这意味着，少数高风险资产可能拖垮整个协议。

Morpho的出现，正是为了解决这些痛点。它的核心创新在于“隔离市场”架构：每个借贷市场只包含一种抵押品和一种贷款资产，风险被严格限制在单个市场内。如果某个市场出现清算或坏账，其他市场不会受到波及。这种设计，本质上是对传统金融中“结构化产品”的链上复刻——就像资产证券化（ABS）将不同风险的贷款打包成不同等级的证券，Morpho将不同风险的借贷市场隔离成独立单元。但Morpho的激进之处在于，它允许任何人创建市场，而不需要治理投票。这意味着，任何资产——从比特币到NFT碎片，从稳定币到垃圾币——都可以被用作抵押品，只要有人愿意提供贷款。

这种“市场即服务”模式，直接降低了DeFi借贷的准入门槛。在Aave上，一个资产要上架，需要经过繁琐的治理流程：先提交提案，然后社区讨论，最后投票。整个过程通常需要几周甚至几个月。而在Morpho上，创建市场只需要几行代码和一笔交易。目前，Morpho上已经有超过200个活跃市场，而Aave上只有30多种资产。这种开放性的代价是，不良资产和欺诈性市场也会大量涌现。Morpho的创始人Paul Frambot曾公开表示：“我们不会审核每个市场，但我们提供工具让用户自己判断风险。”这种“用户自负”的态度，与Aave的“社区审核”形成鲜明对比。

但机构投资者，如SBI，更青睐Morpho的架构。原因有三：第一，隔离市场降低了系统性风险。SBI作为持牌金融机构，无法承受整个协议崩溃的后果。在Aave中，一个资产的崩盘可能引发连锁清算，导致整个池子损失；而在Morpho中，风险被限制在单个市场，SBI可以选择只投资于高信用资产的市场。第二，Morpho的“策展人”机制提供了专业化的风险管理。SBI不需要自己分析每个市场的风险，而是可以委托Gauntlet这样的策展人来管理。第三，Morpho的开放架构允许SBI创建定制化的借贷市场。例如，SBI可以创建一个只接受日本国债作为抵押品的市场，专门服务于日本机构客户。这种灵活性，是Aave的“通用池”模式无法提供的。

目前，Morpho的存款规模约为110亿美元，其中约40%来自机构投资者，包括SBI、Wintermute和Alameda Research（FTX崩盘后已退出）。Gauntlet作为Morpho生态中最知名的策展人，管理着超过15亿美元的资产，占机构存款的约34%。Gauntlet管理的市场主要集中在高流动性资产，如ETH、USDC和WBTC，但也包括一些长尾资产，如LDO（Lido DAO代币）和CRV（Curve DAO代币）。Gauntlet的策展策略是：优先选择流动性深度高、价格波动小的资产，同时通过动态调整清算阈值和借贷上限来管理风险。例如，对于ETH市场，Gauntlet将清算阈值设定在80%（即抵押品价值下跌20%时触发清算），而对于LDO市场，清算阈值则设定在70%，以应对其更高的波动性。

技术细节上，Gauntlet的风险模型通过实时监控链上数据，动态调整每个市场的参数。其核心指标包括：抵押品价格波动率（使用GARCH模型预测）、市场流动性深度（基于订单簿和AMM池的深度计算）、以及清算概率（通过蒙特卡洛模拟估算）。当某个市场的风险敞口超过预设阈值时，模型会自动触发参数调整——例如，降低借贷上限或提高清算阈值。这种“自适应风险管理”机制，使得Gauntlet管理的市场在2023年的极端行情中（如3月的USDC脱锚事件）保持了零坏账记录。

但Gauntlet的不可替代性，也隐藏着风险。如果Morpho协议本身被攻击——例如，智能合约漏洞导致资金被盗——Gauntlet的角色会瞬间变得无关紧要。因为策展人的风险管理能力，依赖于协议层的安全性。2023年，Morpho曾因一个预言机漏洞导致某个市场被恶意清算，尽管Gauntlet迅速调整了参数，但事件暴露了“协议层+风险层”双保险的脆弱性。如果Morpho的底层代码出现致命漏洞，Gauntlet的模型再精确也无法挽回损失。此外，Gauntlet的模型依赖于链上数据的完整性。如果某个市场的数据源被操纵（例如通过闪电贷攻击），模型可能做出错误决策。2023年，Gauntlet曾因一个DeFi协议的数据源被篡改，导致其管理的某个市场出现短暂的高风险敞口，尽管最终未造成损失，但暴露了模型的脆弱性。

更深层的问题在于，Morpho的“隔离市场”模式是否真的能降低系统性风险？理论上，每个市场是独立的，但实践中，它们通过共享的流动性池和清算机制相互关联。例如，如果ETH市场出现大规模清算，清算人需要出售ETH来偿还债务，这可能引发ETH价格下跌，进而影响其他以ETH为抵押品的市场。这种“间接传染”效应，在极端行情中可能被放大。2023年3月，USDC脱锚事件中，多个以USDC为贷款资产的市场同时出现流动性枯竭，尽管Gauntlet的模型及时调整了参数，但清算延迟导致部分用户损失。Gauntlet的创始人Tarun Chitra承认：“隔离市场降低了直接传染风险，但无法完全消除间接关联。”

尽管如此，从Aave到Morpho的范式转换，已经不可逆转。DeFi借贷市场正在从“通用池”向“隔离市场”演变，而Gauntlet正是这场演变的受益者。它的“算法化信贷委员会”角色，在Morpho的开放架构中找到了最完美的应用场景。但Gauntlet的成功，也意味着DeFi去中心化精神的某种妥协——权力从治理投票转移到了量化模型，而模型的决策权又集中在少数策展人手中。未来，如果Morpho的策展人生态进一步分化，Gauntlet可能需要面对来自其他策展人的竞争，以及来自协议层的压力。毕竟，在DeFi的世界里，没有永恒的护城河，只有不断进化的风险模型。

风险管理的“黑箱”与信任博弈：Gauntlet的量化模型能否经受熊市考验？

2022年5月，LUNA崩盘如同一场海啸席卷了整个DeFi世界。在Aave上，持有LUNA抵押品的用户眼睁睁看着清算阈值被触发，资产在几分钟内归零。而Morpho上，Gauntlet管理的LUNA市场却几乎没有出现坏账。Gauntlet的创始人Tarun Chitra事后在推特上透露，他们的模型在LUNA价格暴跌前48小时就检测到了异常——链上交易量激增、流动性深度骤降、大额转账频繁出现。模型自动将LUNA市场的借贷上限从1000万美元降至200万美元，并将清算阈值从75%提高至85%。当崩盘真正来临时，Gauntlet管理的市场只发生了少量清算，且全部被及时执行，未产生任何坏账。

这听起来像是一个完美的风险管理案例。但仔细审视，会发现一个关键问题：Gauntlet的模型之所以能提前预警，是因为LUNA的崩盘并非完全“黑天鹅”——它经历了数天的价格下跌和链上异常信号。如果遭遇的是2020年3月“黑色星期四”那样的瞬间流动性枯竭——ETH在30分钟内暴跌40%，链上交易拥堵，清算机制完全失效——Gauntlet的模型还能如此从容吗？

答案并不乐观。Gauntlet的风险模型核心依赖三个假设：第一，链上数据是完整且未被操纵的；第二，市场流动性在极端行情下不会完全枯竭；第三，清算机制能够及时执行。但在“黑色星期四”中，这三个假设全部被打破。以太坊网络拥堵导致交易延迟，清算人无法及时提交清算交易，MakerDAO的债务拍卖系统崩溃，最终产生了超过400万美元的坏账。Gauntlet的模型虽然可以模拟价格暴跌，但无法模拟网络拥堵和清算延迟的叠加效应。Tarun Chitra在2022年的一次访谈中承认：“我们的模型假设清算总是可以执行的，但在极端情况下，这个假设可能不成立。”

Gauntlet的模型是否经历过真正的熊市压力测试？这个问题没有简单的答案。Gauntlet成立于2018年，最初为Compound和Aave提供风险管理服务。2020年3月的“黑色星期四”发生时，Gauntlet还处于早期阶段，管理的资产规模不到1亿美元，且主要集中在Compound上。当时，Compound的清算机制相对稳健，Gauntlet管理的市场未出现重大损失。但那次事件更像是一次“幸运的逃脱”——Gauntlet的模型并未真正面对流动性枯竭的考验。2022年的LUNA崩盘和FTX崩盘，Gauntlet都成功避开了重大损失，但这两次事件都有一个共同特点：崩盘过程相对缓慢，链上数据提供了足够的预警时间。如果未来出现类似“黑色星期四”的瞬间崩盘，Gauntlet的模型能否应对，仍然是一个未知数。

更深层的挑战在于，Gauntlet的模型本质上是“黑箱”。存款人看不到模型的具体参数、数据源和决策逻辑。他们只知道Gauntlet管理着15亿美元的资产，历史清算率只有0.5%，坏账率低于0.1%。但这些数字是否可靠？Gauntlet的模型是否经过第三方审计？2023年，Gauntlet委托了一家名为“Trail of Bits”的安全公司对其模型进行了审计，但审计范围仅限于代码层面，并未涉及模型的经济假设和风险逻辑。换句话说，审计只能确保代码没有bug，但无法验证模型是否能在极端行情下做出正确决策。这种“黑箱”状态，在牛市中或许可以被容忍——因为市场整体上涨，风险暴露有限。但在熊市中，一旦模型出错，存款人的信任可能瞬间崩塌。

Gauntlet的策展人角色，还面临一个法律层面的信任挑战：如果Gauntlet的模型导致用户损失，谁来承担责任？在传统金融中，信贷委员会的错误决策可能导致诉讼和赔偿。但在DeFi中，Gauntlet的角色是“策展人”，而非“受托人”。它不持有用户资金，也不与用户签订任何法律合同。用户将资金存入Morpho的智能合约，Gauntlet只是通过模型调整市场参数，间接影响资金安全。如果Gauntlet的模型导致大规模清算或坏账，用户理论上无法起诉Gauntlet——因为Gauntlet没有直接控制用户资金。但这种法律真空，恰恰是Gauntlet面临的最大风险。2023年，一位匿名用户在Morpho的治理论坛上发帖，质疑Gauntlet的一个参数调整导致其被清算，要求Gauntlet赔偿损失。Gauntlet的回应是：“我们只是提供建议，最终决策权在用户手中。”这种态度虽然合法，但可能损害用户的长期信任。

Gauntlet的团队背景，是否足以应对加密市场的非理性波动？Tarun Chitra拥有康奈尔大学计算机科学博士学位，曾在高盛和Two Sigma工作，专注于量化金融和机器学习。Gauntlet的团队中还有来自摩根士丹利、Citadel和Jump Trading的量化分析师。这种背景，让Gauntlet在传统金融的风险管理领域拥有深厚积累。但加密市场的非理性波动，与传统金融市场有着本质区别。传统金融中，价格波动通常由基本面驱动，如公司财报、宏观经济数据或地缘政治事件。而在加密市场中，价格波动往往由情绪、FOMO和群体行为驱动——例如，Elon Musk的一条推文可以导致狗狗币暴涨50%，而一个谣言可以导致某个DeFi协议暴跌90%。Gauntlet的模型擅长处理基于历史数据的统计规律，但无法预测“黑天鹅”事件中的群体行为。2023年3月，USDC脱锚事件中，Gauntlet的模型未能提前预警，因为USDC的价格在脱锚前一直保持稳定，历史数据中没有类似事件。尽管Gauntlet在脱锚发生后迅速调整了参数，但事件暴露了模型对“非理性恐慌”的盲区。

Gauntlet的模型是否考虑了流动性枯竭和闪电贷攻击等特殊场景？答案是：部分考虑了，但不够深入。Gauntlet的压力测试模拟了数千种极端场景，包括价格暴跌、流动性下降和清算连锁反应。但闪电贷攻击是一种更复杂的威胁——攻击者可以通过闪电贷借入大量资金，操纵预言机价格，触发清算，然后低价买入被清算的资产。Gauntlet的模型假设预言机价格是可靠的，但2023年，多个DeFi协议因预言机攻击而损失数百万美元。Gauntlet的创始人Tarun Chitra曾表示，他们正在开发一种“预言机攻击检测算法”，但尚未公开部署。这意味着，Gauntlet管理的市场仍然面临预言机攻击的风险。

Gauntlet面临的核心信任挑战，可以用一句话概括：它的模型是“黑箱”，但存款人需要信任它。这种信任，在牛市中可以通过历史表现和品牌声誉来维持。但在熊市中，一旦模型出错，信任可能瞬间瓦解。2022年，Cream Finance因一个闪电贷攻击损失了1.3亿美元，而Cream的风险管理模型正是由Gauntlet提供的。尽管Gauntlet在事后迅速调整了参数，但事件导致Cream的存款规模从20亿美元骤降至5亿美元。Gauntlet的声誉也受到牵连——一些用户开始质疑Gauntlet的模型是否真的比社区治理更安全。

Gauntlet的未来，取决于它能否在熊市中证明自己的模型不仅“足够好”，而且“足够透明”。目前，Gauntlet正在开发一个“风险仪表盘”，让用户实时查看每个市场的风险参数和模型输出。但仪表盘只能展示结果，无法展示模型内部的决策逻辑。真正的透明度，需要Gauntlet开源其核心模型，或接受第三方审计机构对其经济假设的验证。Tarun Chitra曾表示，开源是“长期目标”，但短期内，Gauntlet需要保护其模型的商业机密。这种矛盾，正是Gauntlet面临的核心困境——它希望成为DeFi世界的“信用委员会”，但信用委员会的决策需要透明度和问责制，而Gauntlet的模型目前还无法提供这些。

Gauntlet的“算法化信贷委员会”梦，能否实现，取决于一个关键问题：在极端市场条件下，量化模型能否比人类决策更可靠？历史数据表明，模型在某些场景下确实更优——例如，在LUNA崩盘中，Gauntlet的模型比Aave的治理投票反应更快。但在“黑色星期四”和USDC脱锚事件中，模型同样暴露了局限性。Gauntlet的护城河，不在于模型的绝对正确，而在于它能够比竞争对手更快地学习和调整。但这条护城河，在熊市中可能变得很浅——因为熊市本身就是对模型最残酷的测试。如果Gauntlet能在下一次熊市中保持零坏账记录，它将真正赢得用户的信任。如果失败，它的“黑箱”可能变成坟墓。

1.25亿美元C轮融资的“信号”：Gauntlet的估值逻辑与Web3风险管理的资本化之路

2023年7月，当SBI Holdings宣布以1.25亿美元领投Gauntlet的C轮融资时，整个Web3风险管理赛道都感受到了一次地震。这笔融资不仅是该赛道历史上最大的一笔单轮投资，更是一次对“风险管理即服务”商业模式的公开背书。但1.25亿美元对应多少估值？Gauntlet的收入模式能否支撑这一估值？这笔钱将如何改变Gauntlet的竞争格局？这些问题的答案，隐藏在融资条款、投资者结构和Gauntlet的财务数据中。

估值逻辑：从AUM到收入倍数的跃迁

Gauntlet的C轮融资，估值逻辑与传统金融科技公司有显著差异。传统风险管理公司（如穆迪、标普）的估值通常基于收入倍数（5-10倍）或利润倍数（15-20倍）。但Gauntlet作为一家加密原生公司，其估值更接近“资产管理规模（AUM）倍数”和“潜在市场占有率”的混合模型。

根据公开信息，Gauntlet管理着超过15亿美元的资产。如果按AUM的1%-2%计算估值，Gauntlet的估值应在1.5亿至3亿美元之间。但1.25亿美元的C轮融资，意味着其估值可能远高于此——通常在5亿至10亿美元之间。这背后的逻辑是：Gauntlet的AUM只是其收入的起点，而非终点。Gauntlet的收入模式包括管理费（按AUM的0.1%-0.5%收取）和绩效费（基于超额收益的10%-20%）。以15亿美元AUM计算，管理费收入约为150万至750万美元。但Gauntlet的绩效费收入弹性更大——如果其管理的市场年化收益率高于基准（例如，高于Morpho的平均借贷利率2%），绩效费可能带来数百万美元的额外收入。此外，Gauntlet还从Morpho的代币激励中获益，这部分收入难以量化，但可能占其总收入的20%-30%。

SBI的1.25亿美元投资，本质上是在为Gauntlet的“潜在AUM”买单。SBI的银行和证券业务，可以为Gauntlet带来数十亿美元的机构资金。如果Gauntlet的AUM在未来3年内增长到50亿至100亿美元，其收入将增长3-6倍。SBI的估值逻辑，是押注Gauntlet成为链上信贷的“标准风险定价者”——就像穆迪在债券市场中的角色一样。

投资者结构：战略资本与财务资本的混合

这一轮融资的投资者结构，揭示了Gauntlet的战略意图。领投方SBI Holdings是日本最大的金融集团之一，管理着超过1.5万亿日元的资产。其他投资者包括Polychain Capital、Pantera Capital、Coinbase Ventures和Jump Crypto。这些投资者的身份，可以分为两类：

  • 战略投资者：SBI Holdings和Coinbase Ventures。SBI的目标是将Gauntlet的风险模型嵌入到自己的银行信贷流程中，并引导日本机构资金进入Morpho市场。Coinbase Ventures则希望将Gauntlet的模型应用于其Base链上的DeFi生态，为机构客户提供合规的风险管理服务。
  • 财务投资者：Polychain Capital、Pantera Capital和Jump Crypto。这些机构是加密领域的顶级风投，它们投资Gauntlet的逻辑是：看好DeFi借贷赛道的长期增长，以及Gauntlet作为“基础设施层”的垄断潜力。

值得注意的是，这一轮融资中没有出现协议基金会（如Aave或Compound的基金会）或做市商（如Wintermute、Alameda Research）。这暗示Gauntlet希望保持独立性——它不想被任何单一协议或做市商绑定。但这也意味着，Gauntlet需要自己寻找客户，而不是依赖协议方的推荐。

资金用途：从团队扩张到模型迭代

Gauntlet计划如何使用这1.25亿美元？根据其创始人Tarun Chitra在融资公告中的表述，资金将主要用于三个方面：

1. 团队扩张：Gauntlet目前约有50名员工，计划在12个月内扩张至150人。新增岗位主要集中在量化分析师、软件工程师和商务拓展。量化分析师将负责开发新的风险模型，特别是针对长尾资产和跨链场景；软件工程师将优化模型的实时性和可扩展性；商务拓展团队将负责与协议、机构客户和链上策展人建立合作。
2. 模型迭代：Gauntlet计划开发“下一代风险模型”，包括：基于机器学习的“异常检测算法”，用于识别链上交易模式中的潜在攻击；跨链风险管理框架，支持Solana、Avalanche和Polygon等链上的借贷市场；以及“流动性压力测试”模块，用于模拟流动性枯竭场景下的清算延迟效应。
3. 生态扩展：Gauntlet计划从Morpho扩展到其他协议，包括Aave、Compound和MakerDAO。它还在开发一个“风险仪表盘”，让用户实时查看每个市场的风险参数和模型输出。此外，Gauntlet正在探索与传统金融机构的合作，例如为银行的贸易融资和供应链金融提供链上风险管理服务。

行业对比：Gauntlet的领先地位与潜在挑战

在Web3风险管理赛道中，Gauntlet并非唯一玩家。主要竞争对手包括：

  • Chaos Labs：由前高盛量化分析师Omer Goldberg创立，专注于为Aave和Compound提供风险管理服务。Chaos Labs管理着约5亿美元的资产，但其模型更侧重于“动态参数调整”，而非Gauntlet的“策展人”模式。Chaos Labs在2022年完成了2000万美元的A轮融资，估值约为1.5亿美元。
  • RiskDAO：一个去中心化的风险管理组织，由Morpho生态中的多个策展人组成。RiskDAO管理着约3亿美元的资产，但其治理结构更分散，决策效率低于Gauntlet。
  • UMA：一个去中心化的预言机协议，也提供风险管理服务。UMA的模型基于“乐观验证”，即假设所有数据都是正确的，除非被挑战。这种模式在理论上更去中心化，但在实践中，其风险管理能力远不如Gauntlet的量化模型。

从AUM和融资规模来看，Gauntlet无疑是赛道中的领先者。但领先地位并非不可撼动。Chaos Labs正在开发一种“实时清算模拟器”，可以在几秒钟内模拟数千种清算场景，而Gauntlet的模型需要几分钟。RiskDAO则通过代币激励吸引更多策展人加入，试图通过“众包”模式降低对单一策展人的依赖。此外，Morpho协议本身也在开发“原生风险管理模块”，如果成功，Gauntlet的策展人角色可能被协议层取代。

可持续性分析：护城河与隐忧

Gauntlet的商业模式是否可持续？答案是：在牛市中，是的；在熊市中，不确定。其护城河主要来自三个方面：

  • 数据优势：Gauntlet拥有超过3年的链上借贷数据，覆盖了Aave、Compound和Morpho等主流协议。这些数据是其模型训练的基础，也是竞争对手难以复制的。
  • 客户粘性：Gauntlet的策展人角色，意味着它直接管理着用户的资金。一旦用户习惯了Gauntlet的风险管理，更换策展人的成本很高——用户需要重新评估新策展人的模型、历史和声誉。
  • 品牌效应：Gauntlet是Morpho生态中最知名的策展人，其品牌本身就是一种信任背书。在DeFi世界中，信任是稀缺资源，Gauntlet的品牌价值不可低估。

但隐忧同样明显：

  • 收入依赖Morpho：Gauntlet超过80%的收入来自Morpho生态。如果Morpho协议出现问题（如智能合约漏洞或监管打击），Gauntlet的收入将断崖式下跌。Gauntlet需要尽快拓展到其他协议和传统金融领域。
  • 模型失效风险：Gauntlet的模型在极端行情下可能失效。如果下一次熊市中出现类似“黑色星期四”的瞬间流动性枯竭，Gauntlet可能面临大规模清算和坏账，其品牌声誉将受到致命打击。
  • 竞争加剧：Chaos Labs和RiskDAO正在快速追赶，而Morpho协议本身也可能推出原生风险管理模块。Gauntlet需要持续投入研发，以保持技术领先。

估值逻辑的终极考验

1.25亿美元的C轮融资，是Gauntlet的“成人礼”。它证明了资本市场对“Web3风险管理”这一赛道的认可，也意味着Gauntlet必须从一家“小而美”的量化公司，进化为一家“大而全”的金融基础设施提供商。但估值逻辑的终极考验，不在于融资规模，而在于Gauntlet能否在下一次熊市中证明自己的模型是可靠的。如果它能做到，其估值可能突破10亿美元，成为DeFi世界的“穆迪”。如果失败，1.25亿美元可能只是“黑箱”模型的一笔昂贵学费。

结语：链上信贷的“穆迪时刻”尚未到来，但Gauntlet已经拿到了入场券

SBI的3亿美元双杀投资，将Gauntlet推向了Web3风险管理的舞台中央。从Morpho的隔离市场架构，到Gauntlet的量化模型，再到SBI的日本金融网络，一条链上信贷的“机构化”路径正在被勾勒出来。但这条路径能否走通，取决于三个关键变量：Gauntlet的模型能否在下一轮熊市中证明其鲁棒性；Morpho的生态能否持续吸引机构资金；以及监管机构是否允许这种“算法化信贷委员会”在传统金融体系中运行。

Gauntlet的1.25亿美元C轮融资，本质上是一次“信任预支”。资本市场押注的是，Gauntlet能够将链上风险管理的“黑箱”转化为可审计、可量化的“白盒”，并最终成为DeFi世界的标准风险定价者。但这一目标的实现，需要Gauntlet走出Morpho的舒适区，拓展到Aave、Compound乃至传统金融领域；需要其模型在极端行情中保持零坏账记录；更需要其团队在技术迭代与商业扩张之间找到平衡。

SBI的角色，既是Gauntlet的“超级客户”，也是其“监管缓冲器”。通过SBI的银行牌照和日本监管网络，Gauntlet可能获得进入传统金融的合规通道。但SBI的深度介入，也可能让Gauntlet失去独立性——如果SBI要求Gauntlet优先服务于日本市场，其全球扩张节奏可能被拖慢。

更深层的矛盾在于，Gauntlet的成功可能意味着DeFi去中心化精神的某种终结。当风险管理权力从治理投票转移到量化模型，再从量化模型集中到少数策展人手中，DeFi的“信任最小化”承诺正在被“信任集中化”的现实所取代。Gauntlet的创始人Tarun Chitra或许希望“让风险管理变得像数学一样精确”，但数学的精确性无法覆盖人性的非理性——在恐慌、FOMO和群体行为面前，任何模型都有其边界。

未来12-18个月，Gauntlet将面临三个关键考验：第一，Morpho的存款规模能否突破200亿美元，并保持机构资金的持续流入；第二，Gauntlet的模型能否在类似“黑色星期四”的瞬间流动性枯竭中保持零坏账；第三，Gauntlet能否成功将业务拓展到至少两个新协议或传统金融场景。如果这三个考验全部通过，Gauntlet的估值将有望突破10亿美元，成为Web3风险管理赛道的“穆迪”。如果任何一个失败，1.25亿美元的C轮融资可能只是“黑箱”模型的一笔昂贵学费。

核心判断：Gauntlet正在将DeFi风险管理的“黑箱”转化为机构可接受的“白盒”，但真正的压力测试尚未到来。未来12-18个月，关键观察指标包括：Morpho存款规模能否突破200亿美元、Gauntlet在极端行情下的坏账率是否保持低于0.1%、以及其业务是否成功拓展至至少两个新协议或传统金融场景。如果这三个指标全部达标，Gauntlet将巩固其作为链上信贷“标准风险定价者”的地位；如果任何一个失败，其估值逻辑将面临重构。