Selamat datang di artikel kedua dalam model bahasa besar (LLM) dan seri penelitian blockchain kami. Pada artikel sebelumnya, kami membahas bagaimana mengintegrasikan teknologi LLM dan blockchain dari tingkat teknis, dan mengapa kerangka kerja LLM sangat cocok untuk bidang blockchain. Kami juga menguraikan jalur potensial untuk mengintegrasikan LLM dengan blockchain di masa mendatang.
Dalam posting ini, kami akan mengambil pendekatan yang lebih praktis dan menyelami delapan area aplikasi spesifik yang kami yakini akan mengubah pengalaman pengguna blockchain secara dramatis. Lebih menarik lagi, kami memperkirakan aplikasi terobosan ini akan menjadi kenyataan dalam tahun depan.
Bergabunglah dengan kami saat kami mengungkap masa depan interaksi blockchain. Berikut ikhtisar singkat dari delapan aplikasi yang akan kita diskusikan:
Mengintegrasikan kemampuan AI/LLM bawaan ke dalam blockchain
Menggunakan LLM untuk menganalisis catatan transaksi
Tingkatkan keamanan dengan LLM
Tulis kode dengan LLM
Baca kode dengan LLM
Membantu masyarakat dengan LLM
Menerapkan LLM untuk melacak pasar
Terapkan LLM untuk menganalisis proyek
Mengintegrasikan kemampuan AI/LLM bawaan ke dalam blockchain
Blockchain akan memiliki fungsi dan model kecerdasan buatan bawaan. Pengembang dapat mengakses fungsi AI untuk melakukan tugas khas ML seperti klasifikasi, regresi, penyelesaian teks, dan AIGC on-chain. Pengembang dapat memanggil fungsi kecerdasan buatan ini melalui kontrak pintar.
Dengan fitur bawaan ini, pengembang dapat memberikan kecerdasan dan otonomi pada kontrak pintar mereka. Klasifikasi, regresi, dan AIGC adalah tugas AI yang khas. Mari kita lihat penerapan fungsi-fungsi ini di bidang blockchain dan beberapa contoh proyek.
Klasifikasi
Klasifikasi dapat digunakan untuk menentukan apakah suatu alamat adalah bot atau orang sungguhan. Ini dapat mengubah situasi penjualan NFT saat ini. Klasifikasi juga dapat meningkatkan keamanan ekosistem DeFi. Kontrak pintar DeFi dapat memfilter transaksi jahat dan mencegah hilangnya dana.
Regresi
Analisis regresi dapat digunakan untuk peramalan, diterapkan pada pengelolaan dana dan aset. Numer.ai sudah menggunakan kecerdasan buatan untuk membantu mereka mengelola uang. Numer menyediakan data pasar saham berkualitas tinggi tempat para ilmuwan data bekerja dan menerapkan pembelajaran mesin untuk memprediksi pasar saham.
AIGC
Banyak proyek NFT mencoba membangun dunia IP. Namun, konten terbatas mereka tidak dapat mendukung alam semesta. Jika kami dapat menggunakan AIGC pada rantai, kami dapat menghasilkan konten yang tak terhitung jumlahnya dengan gaya merek ikonik serupa dengan biaya yang relatif rendah. Model dapat menampilkan teks, ilustrasi, musik, suara, dan bahkan video. Ini sangat memperluas ukuran alam semesta IP. Peserta komunitas dapat secara kolektif menyempurnakan model untuk memenuhi harapan mereka. Proses fine-tuning juga membuat komunitas merasa terlibat.
Botto menggunakan model AIGC untuk menghasilkan konten artistik. Komunitas memberikan suara pada gambar favorit mereka untuk menyempurnakan model AIGC secara kolektif.
Jika kami melihat blockchain sebagai basis data, kami juga menemukan bahwa Databend menggabungkan kemampuan kecerdasan buatan bawaan ke dalam basis data mereka. Mereka menyediakan fungsi-fungsi berikut:
ai_embedding_vector: Menghasilkan vektor penyematan untuk dokumen teks.
ai_text_completion: menghasilkan penyelesaian teks berdasarkan petunjuk yang diberikan.
cosinus_distance: Menghitung jarak cosinus antara dua vektor penyematan.
ai_to_sql: mengonversi instruksi bahasa alami menjadi kueri SQL.
Menyediakan kemampuan AI untuk blockchain
Kami tahu bahwa beberapa proyek menghadirkan kemampuan AI ke blockchain.
Giza sedang mengerjakan ZKML. Ini menghasilkan bukti penalaran off-chain dan memverifikasinya secara on-chain. Sekarang mendukung blockchain yang kompatibel dengan Mesin Virtual Ethereum serta StarkNet. Giza baru-baru ini mengumumkan kemitraan dengan Yearn.finance, di mana Yearn akan memanfaatkan kemampuan kecerdasan buatan Giza untuk meningkatkan kemampuan penilaian risikonya.
Modulus Labs juga bekerja dengan arah yang sama. Mereka bekerja lebih keras untuk meningkatkan sistem bukti untuk menghasilkan sirkuit berkinerja tinggi untuk kecerdasan buatan. Mereka merilis demo seperti Chess AI dan Ethereum Price Prediction AI. Proyek demo baru mereka, zkMon, adalah koleksi NFT Generative Adversarial Network bukti tanpa pengetahuan pertama di dunia.
Gunakan LLM untuk menganalisis catatan transaksi
Menganalisis catatan transaksi biasanya dilakukan oleh aplikasi khusus seperti Debank. Menganalisis catatan transaksi secara manual oleh manusia memang sulit. Analisis manual melibatkan pengumpulan data, pembersihan data, dan analisis data, yang mengharuskan pengguna memiliki keterampilan pengkodean. Karena kemampuan LLM untuk menganalisis dan memvisualisasikan data, kini kami memiliki pendekatan baru. Melalui LLM, kami dapat menganalisis data on-chain sesuai dengan kebutuhan khusus. Kita bisa menganalisa win rate, performance ratio, atau informasi apapun yang ingin kita ketahui.
RSS3 telah mengembangkan plugin ChatGPT yang disebut Aktivitas Pengguna Web3 untuk bekerja ke arah ini. Pengguna dapat memasukkan alamat dompet, ENS atau Lens untuk menanyakan aktivitas on-chain. Plugin ini akan menampilkan informasi transaksi dalam bentuk yang dapat dibaca manusia. Sayangnya, bagaimanapun, itu tidak dapat melakukan pertanyaan kompleks seperti berapa banyak pemegang Azuki yang ada, kontrak pintar mana yang paling populer, dll. Pengguna juga harus menyadari bahwa alamat dan tag yang diberikan oleh plugin belum tentu akurat.
DeFiLlama juga merilis plugin ChatGPT. Pengguna dapat meminta data apa pun yang tersedia di DeFiLlama dalam bahasa alami. Itu juga dapat melakukan operasi pemfilteran dan penyortiran sederhana:
Dune juga mengintegrasikan GPT ke dalam produknya untuk mengaktifkan kemampuan berikut:
Interpretasi Kueri: Gunakan LLM untuk menjelaskan kueri
Terjemahan Kueri: Gunakan LLM untuk menerjemahkan bahasa SQL lain ke DuneSQL
Kueri Bahasa Alami: Memungkinkan pengguna untuk menulis kueri dalam bahasa alami
Cari: Tingkatkan hasil pencarian menggunakan LLM
Basis pengetahuan wizard: chatbot yang memungkinkan pengguna berkomunikasi dengan dokumen
Manfaatkan LLM untuk meningkatkan keamanan
Karena kemampuan logika dan penalarannya, LLM dapat digunakan untuk memfilter beberapa transaksi jahat dan bertindak sebagai firewall untuk kontrak pintar. Berikut adalah contoh konkret cara memblokir aktivitas bot:
Setelah memasukkan alamat, LLM dapat memperoleh semua data transaksi melalui plug-in pihak ketiga, kemudian menganalisis catatan transaksi tersebut, dan menyusun kemungkinan bahwa alamat tersebut adalah robot. Fungsionalitas ini dapat disematkan di Dapps di mana bot tidak diterima, seperti penjualan NFT.
Di bawah ini adalah contoh sederhana melalui ChatGPT. ChatGPT mengambil catatan transaksi akun melalui plug-in aktivitas pengguna Web3 yang dikembangkan oleh RSS3, kemudian menganalisis catatan transaksi ini, dan menampilkan kemungkinan bahwa akun tersebut adalah robot.
Jika kami memasukkan lebih banyak catatan transaksi dan menyempurnakan LLM pada kumpulan data terkait bot, kami dapat mencapai hasil yang lebih akurat. Di bawah ini adalah contoh alur kerja untuk aplikasi semacam itu. Kami juga dapat menambahkan lapisan caching dan basis data untuk meningkatkan daya tanggap dan mengurangi biaya.
Tulis kode menggunakan LLM
LLM banyak digunakan dalam pengembangan untuk membantu pengembang menulis kode lebih cepat dan lebih baik. Atas arahan pengembang, LLM dapat menghasilkan kode untuk mereka. Saat ini, pengembang masih perlu memberikan instruksi terperinci untuk LLM. Sulit bagi LLM untuk secara otomatis menghasilkan kode untuk keseluruhan proyek.
Beberapa model LLM populer untuk kode termasuk StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B, dan MPT 30 B.
Semua model ini dapat digunakan untuk menulis kontrak pintar, tetapi mungkin belum dilatih secara khusus tentang data kontrak pintar. Mereka masih memiliki ruang untuk perbaikan.
Saat ini, hanya ada satu kumpulan data terkait kontrak pintar yang tersedia di HuggingFace. Ini adalah set dodger dari kontrak pintar yang diaudit, berisi 113.000 kontrak pintar. Ini dapat digunakan untuk tugas-tugas seperti klasifikasi teks, pembuatan teks, dan deteksi kerentanan.
Pembuatan kode otomatis mungkin lebih menjanjikan daripada alat pengembangan berbantuan. Pembuatan kode otomatis cocok untuk kontrak pintar karena kontrak pintar relatif singkat dan relatif sederhana. Ada beberapa cara LLM dapat membantu pengembang secara otomatis menghasilkan kode di ruang blockchain.
tes
Pertama, LLM dapat menghasilkan tes untuk kontrak pintar yang ditulis dengan baik. Misalnya, Codium dapat membuat tes secara otomatis untuk proyek tertulis. Codium saat ini mendukung JS dan TS. Codium dimulai dengan memahami basis kode, menganalisis setiap fungsi, docstring, dan komentar. Codium kemudian menulis analisis kode kembali ke file sebagai komentar dan menampilkan rencana pengujian. Pengguna dapat memilih tes pilihan mereka dan Codium akan menghasilkan kode tes yang dipilih.
Alat bantu lainnya juga mendukung pengujian pembangkitan untuk fungsi yang dipilih.
Kami dapat mereplikasi fungsi serupa di GPT-4 dengan mengikuti langkah serupa.
Kami meminta analisis kode terlebih dahulu karena kami ingin LLM menghabiskan lebih banyak waktu untuk tugas ini. LLM tidak mengetahui tugas mana yang sulit. Itu menghabiskan daya komputasi yang sama pada setiap penanda. Ini dapat menyebabkan hasil yang tidak akurat pada tugas-tugas kompleks. Berdasarkan karakteristik ini, kami meminta analisis kode. Dengan cara ini, LLM akan menghabiskan lebih banyak token/waktu untuk memikirkan tugas-tugas ini dan menghasilkan hasil yang lebih berkualitas. Metode ini juga dikenal sebagai "rantai pemikiran".
Untuk membuatnya bekerja untuk kontrak pintar yang lebih lama, kami membutuhkan LLM dengan konteks yang lebih besar, atau beberapa teknik untuk menghemat memori.
Hasilkan skrip pembantu
Kedua, kita dapat menggunakan LLM untuk membuat beberapa skrip tambahan secara otomatis, seperti skrip penerapan.
Skrip penerapan mengurangi potensi kesalahan selama penerapan manual. Idenya sangat mirip dengan membuat tes secara otomatis.
Percabangan otomatis
Di pasar banteng akan ada banyak proyek bercabang di mana tim membuat perubahan kode kecil dari basis kode asli mereka. Ini akan menjadi kasus penggunaan yang bagus untuk LLM: LLM dapat membantu pengembang memodifikasi kode secara otomatis sesuai dengan kebutuhan tim. Biasanya hanya bagian tertentu dari kode yang perlu diubah. Ini relatif mudah dicapai untuk LLM.
Pembuatan kode otomatis
Jika kita melangkah lebih jauh, dapatkah LLM secara otomatis menghasilkan kontrak pintar sesuai dengan kebutuhan pengembang? Dibandingkan dengan perangkat lunak rumit lainnya yang ditulis dalam JS, Rust, dan Python, kontrak pintar relatif singkat dan relatif sederhana. Tidak banyak perpustakaan eksternal untuk kontrak pintar. Mencari tahu cara menulis kontrak pintar relatif mudah untuk LLM.
Kami telah melihat beberapa kemajuan dalam pembuatan kode otomatis. GPT-engineer adalah salah satu pelopor. Ini menjawab kebutuhan pengguna dan menjawab pertanyaan apa pun yang mungkin dimiliki LLM, sebelum pengkodean dimulai. Kode tersebut juga menyertakan skrip yang menjalankan seluruh proyek. Insinyur GPT dapat secara otomatis memulai proyek untuk pengembang.
Setelah pengguna memasukkan persyaratan mereka, insinyur GPT menganalisis persyaratan dan meminta beberapa klarifikasi. Setelah mengumpulkan semua informasi yang diperlukan, GPT-engineer pertama-tama akan mengeluarkan desain program, termasuk kelas inti, fungsi, dan metode yang diperlukan untuk tugas ini. Insinyur GPT kemudian akan menghasilkan kode untuk setiap file.
Dengan petunjuk seperti ini, kita dapat membuat kontra kontrak cerdas.
Kontrak pintar dikompilasi dan berfungsi seperti yang diharapkan.
Karena GPT-engineer pada awalnya dirancang untuk Python, ada beberapa masalah dalam menghasilkan kode terkait Hardhat. Insinyur GPT tidak mengetahui versi terbaru dari Hardhat dan terkadang membuat skrip pengujian dan penerapan yang kedaluwarsa.
Jika kode kami memiliki bug, kami dapat memasukkan basis kode dan log kesalahan konsol ke LLM. LLM dapat terus memodifikasi kode hingga kode dapat berjalan dengan sukses. Kami melihat sesuatu seperti ** [flo] (Proyek semacam itu berkembang ke arah ini. Saat ini, flo hanya mendukung JS.
Jika kami ingin meningkatkan akurasi pembuatan smart contract, kami dapat meningkatkan GPT-engineer dengan beberapa petunjuk baru. Kita dapat mengadopsi metode pengembangan yang digerakkan oleh tes, yang membutuhkan LLM untuk memastikan bahwa program melewati tes tertentu, sehingga dapat membatasi program yang dihasilkan dengan lebih baik.
Gunakan LLM untuk membaca kode
Karena LLM memahami kode dengan baik, kita dapat menggunakan LLM untuk menulis dokumentasi pengembang. LLM juga dapat melacak perubahan kode untuk memperbarui dokumentasi. Kami membahas pendekatan ini di akhir laporan penelitian kami sebelumnya, Menjelajahi Pengalaman Pengembang di ZKRU: Analisis Mendalam.
Membaca dokumentasi adalah cara tradisional, tetapi berkomunikasi dengan kode adalah cara baru. Pengguna dapat mengajukan pertanyaan tentang kode dan LLM akan menjawabnya. LLM dapat menjelaskan kode untuk pengembang dan membantu mereka dengan cepat memahami kontrak pintar pada rantai tersebut. LLM juga dapat membantu orang yang tidak memiliki pengalaman pengkodean untuk memahami kontrak pintar.
Kami telah melihat tren ini di dunia Web2. Banyak alat bantuan kode memiliki kemampuan interpretasi kode.
Etherescan juga mendemonstrasikan fungsionalitas barunya, memungkinkan pengguna berkomunikasi dengan kode, memanfaatkan kekuatan LLM.
Bagaimana audit berubah ketika kode dipahami? Dalam eksperimen di atas kertas "apakah Anda masih memerlukan audit kontrak pintar manual," LLM mencapai tingkat keberhasilan 40% dalam mengidentifikasi kerentanan, mengungguli baseline acak. Namun, mereka juga memiliki tingkat positif palsu yang tinggi. Dorongan yang tepat adalah kuncinya, catat penulis.
Selain petunjuk, alasan berikut membatasi penerapannya:
LLM saat ini tidak dilatih secara khusus untuk tujuan ini. Data pelatihan mungkin tidak melibatkan basis kode kontrak pintar dan laporan audit terkait.
Biasanya bug yang paling serius adalah masalah logika yang terdiri dari berbagai fungsi. LLM saat ini dibatasi oleh jumlah token. LLM tidak dapat memecahkan masalah yang memiliki konteks yang sangat panjang dan membutuhkan kemampuan logika.
Masalah-masalah ini tidak sulit untuk dipecahkan. Perusahaan audit besar memiliki ribuan laporan audit yang dapat digunakan untuk menyempurnakan LLM. LLM dengan kendala token besar muncul. Claude memiliki batas 100.000 token. LTM-1 yang baru dirilis memiliki batas 5 juta token yang mengesankan. Melalui upaya untuk mengatasi dua masalah ini, kami mungkin melihat LLM menjadi lebih baik dalam mengidentifikasi kerentanan. LLM dapat membantu auditor dan mempercepat proses audit. Ini dapat berkembang secara bertahap. Berikut adalah kemungkinan lintasan pengembangan:
Membantu auditor mengatur bahasa dan format laporan. Hal ini memastikan konsistensi bahasa di bawah perusahaan audit yang sama. Seringkali kelompok yang berbeda mungkin memiliki kosa kata pilihan yang berbeda.
Membantu auditor mengidentifikasi dan memverifikasi potensi kerentanan.
Secara otomatis menghasilkan draf laporan audit.
Gunakan LLM untuk membantu komunitas
Pemerintahan adalah bagian penting dari masyarakat. Anggota masyarakat memiliki hak untuk memilih proposal favorit mereka. Proposal ini akan membentuk masa depan produk.
Untuk proposal penting, akan ada banyak informasi latar belakang dan diskusi komunitas. Sulit bagi anggota masyarakat untuk memahami sepenuhnya konteks ini sebelum memilih. LLM dapat membantu anggota komunitas dengan cepat memahami dampak masa depan dari pilihan mereka dan membantu mereka memilih.
Bot penjawab pertanyaan adalah aplikasi potensial lainnya. Kami telah melihat bot Q&A berdasarkan dokumentasi proyek. Kita bisa melangkah lebih jauh untuk membangun basis data pengetahuan yang lebih besar. Kami dapat menyambungkan berbagai media dan sumber seperti presentasi, podcast, GitHub, obrolan Discord, dan Twitter Spaces. Bot Q&A tidak hanya ada di bilah pencarian dokumentasi, tetapi juga dapat memberikan dukungan instan kepada anggota komunitas di Discord, atau menyebarkan visi proyek di Twitter dan menjawab pertanyaan apa pun.
AwesomeQA saat ini berkembang ke arah ini. Ini mengimplementasikan tiga fungsi:
Gunakan integrasi ChatGPT untuk menjawab pertanyaan dari anggota komunitas
Dapatkan wawasan berbasis data berdasarkan pesan dari anggota komunitas, seperti analisis FAQ
Temukan pesan mana yang penting, seperti masalah yang belum terselesaikan
Salah satu kesulitan yang saat ini dihadapi oleh robot penjawab pertanyaan adalah bagaimana mendapatkan konteks yang relevan secara akurat dari database vektor dan menyediakan konteks tersebut ke LLM. Misalnya, jika pengguna meminta kueri dengan filter pada banyak fitur untuk banyak elemen, robot mungkin tidak dapat mengambil konteks yang relevan dari database vektor.
Memperbarui database vektor adalah masalah lain. Solusi saat ini adalah membangun kembali database vektor, atau memperbarui database vektor melalui namespace. Menambahkan ruang nama ke penyematan mirip dengan melampirkan label ke data. Ini membantu pengembang menemukan dan memperbarui penyematan yang sesuai dengan lebih mudah.
Gunakan LLM untuk melacak pasar
Pasar banyak berubah dan banyak hal terjadi setiap hari. Seperti KOL (Key Opinion Leaders) memposting ide dan pemikiran baru, buletin, dan email produk mengalir ke kotak masuk Anda. LLM dapat memilih ide dan berita paling penting untuk Anda. Itu juga merangkum konten untuk mempersingkat waktu membaca Anda dan membantu Anda mengikuti dinamika pasar.
minmax.ai didedikasikan untuk bidang jurnalisme. Mereka memberikan ringkasan berita terbaru tentang topik tertentu dan juga memberikan analisis sentimen tentang topik tersebut.
Laporan yang membosankan menghapus konten sensasional dari berita dan fokus pada detail penting untuk membantu pembaca membuat keputusan yang tepat.
Penasihat Robo adalah salah satu bidang terpanas saat ini. LLM dapat mendorong penggunaan robo-advice. LLM dapat memberikan rekomendasi perdagangan dan membantu pengguna mengelola portofolio dengan latar belakang informasi saham.
Proyek seperti Numer.ai menggunakan AI untuk memprediksi pasar dan mengelola dana. Ada juga portofolio yang dikelola oleh LLM. Pengguna dapat mengikuti portofolio ini di Robinhood.
Komposer menghadirkan algoritme perdagangan dengan AI. AI membangun strategi perdagangan khusus berdasarkan wawasan pengguna. AI kemudian akan secara otomatis menguji ulang strategi perdagangan ini. Jika pengguna senang dengan kebijakan tersebut, Composer dapat secara otomatis memberlakukan kebijakan tersebut untuk pengguna.
Menganalisis proyek menggunakan LLM
Proyek analitik sering kali melibatkan membaca materi dalam jumlah besar dan menulis makalah penelitian yang panjang. LLM dapat membaca dan menulis paragraf pendek. Jika kita dapat memperluas kemampuannya ke paragraf yang panjang, apakah itu berarti LLM dapat menghasilkan beberapa penelitian proyek? Kemungkinan besar ya. Kami dapat memasukkan kertas putih, dokumen, atau presentasi acara dan membiarkan LLM menganalisis proyek dan pendiri. Dibatasi oleh jumlah token, pertama-tama kita dapat menulis garis besar kertas, lalu memperbarui dan mengoptimalkan setiap bagian sesuai dengan informasi yang diperolehnya.
Proyek seperti BabyAGI sudah membuat kemajuan ke arah ini. Berikut adalah contoh keluaran dari BlockAGI, varian dari BabyAGI.
LLM juga dapat menganalisis kepribadian pendiri berdasarkan Twitter dan berbicara di depan umum. Misalnya, Penganalisis Tweet dapat mengambil tweet terbaru dan menggunakan LLM untuk menganalisis ciri-ciri pribadi.
Kesimpulannya
Ini adalah delapan arah khusus di mana LLM dapat membantu komunitas blockchain dalam waktu dekat:
Mengintegrasikan fungsi AI/LLM bawaan ke dalam blockchain.
Gunakan LLM untuk menganalisis catatan transaksi.
Tingkatkan keamanan dengan LLM.
Tulis kode menggunakan LLM.
Gunakan LLM untuk membaca kode.
Memanfaatkan LLM untuk membantu masyarakat.
Gunakan LLM untuk melacak pasar.
Terapkan LLM untuk menganalisis proyek.
LLM dapat menguntungkan semua anggota ruang crypto, termasuk pemilik proyek, analis, dan insinyur. Pendiri dapat menggunakan LLM untuk mengotomatiskan tugas-tugas seperti dokumentasi dan Q&A. Insinyur dapat menggunakan LLM untuk menulis kode lebih cepat dan lebih aman. Analis dapat meneliti proyek dengan lebih mudah.
Dalam jangka panjang, kami juga melihat peluang potensial untuk menerapkan LLM di ruang GameFi. LLM dapat menghasilkan tugas yang lebih menarik dalam game dan memainkan peran berbeda dalam game. Dunia dalam game akan terasa lebih nyata dan menarik. NPC akan bereaksi secara dinamis berdasarkan tindakan pemain. Misi akan memiliki lebih banyak akhir tergantung pada bagaimana pengguna menyelesaikannya.
LLM dapat diintegrasikan ke dalam proyek yang sudah ada, tetapi juga membuka peluang bagi pendatang baru. Misalnya, sudah ada beberapa pemain top di bidang analisis data on-chain. Dune dapat mengintegrasikan LLM untuk meningkatkan pengalaman pengguna. Namun, LLM juga menghadirkan peluang bagi pendatang baru. Pendatang baru ini dapat menempatkan LLM di jantung desain produk mereka. Produk kreatif yang dipimpin oleh AI dan berpusat pada AI ini dapat membawa persaingan baru ke bidang analisis data on-chain.
Ada tumpang tindih dalam penggunaan LLM di dunia Web2 dan Web3, tetapi mereka dapat menerapkan produk dengan cara yang berbeda. Karena data yang kita gunakan di dunia Web3 tidak sama dengan data di dunia Web2. Basis pengetahuan LLM mungkin juga berbeda di Web2 dan Web3. Data Web3 melibatkan blockchain, harga token, tweet, proyek, dan penelitian. Oleh karena itu, Web2 dan Web3 memerlukan LLM yang berbeda untuk melayani pengguna akhir.
Karena ledakan LLM, kami melihat semakin populernya AIxBlockchain. Namun, banyak AIxBlockhains tidak praktis untuk waktu yang singkat. Blockchain dan bukti tanpa pengetahuan tidak dapat memberikan daya komputasi skala besar untuk pelatihan dan penalaran untuk beberapa model kompleks. Model kecil tidak dapat menyelesaikan tugas yang rumit. Pendekatan yang lebih praktis adalah menerapkan LLM di domain blockchain. LLM baru-baru ini membuat kemajuan yang lebih besar daripada topik AI lainnya. Lebih masuk akal untuk menggabungkan LLM dan blockchain.
Komunitas LLM bekerja untuk meningkatkan batas token dan meningkatkan akurasi respons. Apa yang tersisa untuk komunitas blockchain adalah sumber data dan jaringan pipa data. Data yang dibersihkan dapat digunakan untuk menyempurnakan LLM guna meningkatkan akurasi di lingkungan blockchain. Pipa data dapat mengintegrasikan lebih banyak aplikasi terkait blockchain ke dalam LLM dan mengembangkan lebih banyak agen khusus kripto.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
IOSG Ventures: Diskusi mendalam tentang kemungkinan baru LLM untuk membuka interaksi blockchain
Penulis asli: Yiping, IOSG Ventures
Selamat datang di artikel kedua dalam model bahasa besar (LLM) dan seri penelitian blockchain kami. Pada artikel sebelumnya, kami membahas bagaimana mengintegrasikan teknologi LLM dan blockchain dari tingkat teknis, dan mengapa kerangka kerja LLM sangat cocok untuk bidang blockchain. Kami juga menguraikan jalur potensial untuk mengintegrasikan LLM dengan blockchain di masa mendatang.
Dalam posting ini, kami akan mengambil pendekatan yang lebih praktis dan menyelami delapan area aplikasi spesifik yang kami yakini akan mengubah pengalaman pengguna blockchain secara dramatis. Lebih menarik lagi, kami memperkirakan aplikasi terobosan ini akan menjadi kenyataan dalam tahun depan.
Bergabunglah dengan kami saat kami mengungkap masa depan interaksi blockchain. Berikut ikhtisar singkat dari delapan aplikasi yang akan kita diskusikan:
Mengintegrasikan kemampuan AI/LLM bawaan ke dalam blockchain
Menggunakan LLM untuk menganalisis catatan transaksi
Tingkatkan keamanan dengan LLM
Tulis kode dengan LLM
Baca kode dengan LLM
Membantu masyarakat dengan LLM
Menerapkan LLM untuk melacak pasar
Terapkan LLM untuk menganalisis proyek
Mengintegrasikan kemampuan AI/LLM bawaan ke dalam blockchain
Blockchain akan memiliki fungsi dan model kecerdasan buatan bawaan. Pengembang dapat mengakses fungsi AI untuk melakukan tugas khas ML seperti klasifikasi, regresi, penyelesaian teks, dan AIGC on-chain. Pengembang dapat memanggil fungsi kecerdasan buatan ini melalui kontrak pintar.
Dengan fitur bawaan ini, pengembang dapat memberikan kecerdasan dan otonomi pada kontrak pintar mereka. Klasifikasi, regresi, dan AIGC adalah tugas AI yang khas. Mari kita lihat penerapan fungsi-fungsi ini di bidang blockchain dan beberapa contoh proyek.
Klasifikasi
Klasifikasi dapat digunakan untuk menentukan apakah suatu alamat adalah bot atau orang sungguhan. Ini dapat mengubah situasi penjualan NFT saat ini. Klasifikasi juga dapat meningkatkan keamanan ekosistem DeFi. Kontrak pintar DeFi dapat memfilter transaksi jahat dan mencegah hilangnya dana.
Regresi
Analisis regresi dapat digunakan untuk peramalan, diterapkan pada pengelolaan dana dan aset. Numer.ai sudah menggunakan kecerdasan buatan untuk membantu mereka mengelola uang. Numer menyediakan data pasar saham berkualitas tinggi tempat para ilmuwan data bekerja dan menerapkan pembelajaran mesin untuk memprediksi pasar saham.
AIGC
Banyak proyek NFT mencoba membangun dunia IP. Namun, konten terbatas mereka tidak dapat mendukung alam semesta. Jika kami dapat menggunakan AIGC pada rantai, kami dapat menghasilkan konten yang tak terhitung jumlahnya dengan gaya merek ikonik serupa dengan biaya yang relatif rendah. Model dapat menampilkan teks, ilustrasi, musik, suara, dan bahkan video. Ini sangat memperluas ukuran alam semesta IP. Peserta komunitas dapat secara kolektif menyempurnakan model untuk memenuhi harapan mereka. Proses fine-tuning juga membuat komunitas merasa terlibat.
Botto menggunakan model AIGC untuk menghasilkan konten artistik. Komunitas memberikan suara pada gambar favorit mereka untuk menyempurnakan model AIGC secara kolektif.
Jika kami melihat blockchain sebagai basis data, kami juga menemukan bahwa Databend menggabungkan kemampuan kecerdasan buatan bawaan ke dalam basis data mereka. Mereka menyediakan fungsi-fungsi berikut:
Menyediakan kemampuan AI untuk blockchain
Kami tahu bahwa beberapa proyek menghadirkan kemampuan AI ke blockchain.
Giza sedang mengerjakan ZKML. Ini menghasilkan bukti penalaran off-chain dan memverifikasinya secara on-chain. Sekarang mendukung blockchain yang kompatibel dengan Mesin Virtual Ethereum serta StarkNet. Giza baru-baru ini mengumumkan kemitraan dengan Yearn.finance, di mana Yearn akan memanfaatkan kemampuan kecerdasan buatan Giza untuk meningkatkan kemampuan penilaian risikonya.
Modulus Labs juga bekerja dengan arah yang sama. Mereka bekerja lebih keras untuk meningkatkan sistem bukti untuk menghasilkan sirkuit berkinerja tinggi untuk kecerdasan buatan. Mereka merilis demo seperti Chess AI dan Ethereum Price Prediction AI. Proyek demo baru mereka, zkMon, adalah koleksi NFT Generative Adversarial Network bukti tanpa pengetahuan pertama di dunia.
Gunakan LLM untuk menganalisis catatan transaksi
Menganalisis catatan transaksi biasanya dilakukan oleh aplikasi khusus seperti Debank. Menganalisis catatan transaksi secara manual oleh manusia memang sulit. Analisis manual melibatkan pengumpulan data, pembersihan data, dan analisis data, yang mengharuskan pengguna memiliki keterampilan pengkodean. Karena kemampuan LLM untuk menganalisis dan memvisualisasikan data, kini kami memiliki pendekatan baru. Melalui LLM, kami dapat menganalisis data on-chain sesuai dengan kebutuhan khusus. Kita bisa menganalisa win rate, performance ratio, atau informasi apapun yang ingin kita ketahui.
RSS3 telah mengembangkan plugin ChatGPT yang disebut Aktivitas Pengguna Web3 untuk bekerja ke arah ini. Pengguna dapat memasukkan alamat dompet, ENS atau Lens untuk menanyakan aktivitas on-chain. Plugin ini akan menampilkan informasi transaksi dalam bentuk yang dapat dibaca manusia. Sayangnya, bagaimanapun, itu tidak dapat melakukan pertanyaan kompleks seperti berapa banyak pemegang Azuki yang ada, kontrak pintar mana yang paling populer, dll. Pengguna juga harus menyadari bahwa alamat dan tag yang diberikan oleh plugin belum tentu akurat.
DeFiLlama juga merilis plugin ChatGPT. Pengguna dapat meminta data apa pun yang tersedia di DeFiLlama dalam bahasa alami. Itu juga dapat melakukan operasi pemfilteran dan penyortiran sederhana:
Dune juga mengintegrasikan GPT ke dalam produknya untuk mengaktifkan kemampuan berikut:
Manfaatkan LLM untuk meningkatkan keamanan
Karena kemampuan logika dan penalarannya, LLM dapat digunakan untuk memfilter beberapa transaksi jahat dan bertindak sebagai firewall untuk kontrak pintar. Berikut adalah contoh konkret cara memblokir aktivitas bot:
Setelah memasukkan alamat, LLM dapat memperoleh semua data transaksi melalui plug-in pihak ketiga, kemudian menganalisis catatan transaksi tersebut, dan menyusun kemungkinan bahwa alamat tersebut adalah robot. Fungsionalitas ini dapat disematkan di Dapps di mana bot tidak diterima, seperti penjualan NFT.
Di bawah ini adalah contoh sederhana melalui ChatGPT. ChatGPT mengambil catatan transaksi akun melalui plug-in aktivitas pengguna Web3 yang dikembangkan oleh RSS3, kemudian menganalisis catatan transaksi ini, dan menampilkan kemungkinan bahwa akun tersebut adalah robot.
Jika kami memasukkan lebih banyak catatan transaksi dan menyempurnakan LLM pada kumpulan data terkait bot, kami dapat mencapai hasil yang lebih akurat. Di bawah ini adalah contoh alur kerja untuk aplikasi semacam itu. Kami juga dapat menambahkan lapisan caching dan basis data untuk meningkatkan daya tanggap dan mengurangi biaya.
Tulis kode menggunakan LLM
LLM banyak digunakan dalam pengembangan untuk membantu pengembang menulis kode lebih cepat dan lebih baik. Atas arahan pengembang, LLM dapat menghasilkan kode untuk mereka. Saat ini, pengembang masih perlu memberikan instruksi terperinci untuk LLM. Sulit bagi LLM untuk secara otomatis menghasilkan kode untuk keseluruhan proyek.
Beberapa model LLM populer untuk kode termasuk StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B, dan MPT 30 B.
Semua model ini dapat digunakan untuk menulis kontrak pintar, tetapi mungkin belum dilatih secara khusus tentang data kontrak pintar. Mereka masih memiliki ruang untuk perbaikan.
Saat ini, hanya ada satu kumpulan data terkait kontrak pintar yang tersedia di HuggingFace. Ini adalah set dodger dari kontrak pintar yang diaudit, berisi 113.000 kontrak pintar. Ini dapat digunakan untuk tugas-tugas seperti klasifikasi teks, pembuatan teks, dan deteksi kerentanan.
Pembuatan kode otomatis mungkin lebih menjanjikan daripada alat pengembangan berbantuan. Pembuatan kode otomatis cocok untuk kontrak pintar karena kontrak pintar relatif singkat dan relatif sederhana. Ada beberapa cara LLM dapat membantu pengembang secara otomatis menghasilkan kode di ruang blockchain.
tes
Pertama, LLM dapat menghasilkan tes untuk kontrak pintar yang ditulis dengan baik. Misalnya, Codium dapat membuat tes secara otomatis untuk proyek tertulis. Codium saat ini mendukung JS dan TS. Codium dimulai dengan memahami basis kode, menganalisis setiap fungsi, docstring, dan komentar. Codium kemudian menulis analisis kode kembali ke file sebagai komentar dan menampilkan rencana pengujian. Pengguna dapat memilih tes pilihan mereka dan Codium akan menghasilkan kode tes yang dipilih.
Alat bantu lainnya juga mendukung pengujian pembangkitan untuk fungsi yang dipilih.
Kami dapat mereplikasi fungsi serupa di GPT-4 dengan mengikuti langkah serupa.
Kami meminta analisis kode terlebih dahulu karena kami ingin LLM menghabiskan lebih banyak waktu untuk tugas ini. LLM tidak mengetahui tugas mana yang sulit. Itu menghabiskan daya komputasi yang sama pada setiap penanda. Ini dapat menyebabkan hasil yang tidak akurat pada tugas-tugas kompleks. Berdasarkan karakteristik ini, kami meminta analisis kode. Dengan cara ini, LLM akan menghabiskan lebih banyak token/waktu untuk memikirkan tugas-tugas ini dan menghasilkan hasil yang lebih berkualitas. Metode ini juga dikenal sebagai "rantai pemikiran".
Untuk membuatnya bekerja untuk kontrak pintar yang lebih lama, kami membutuhkan LLM dengan konteks yang lebih besar, atau beberapa teknik untuk menghemat memori.
Hasilkan skrip pembantu
Kedua, kita dapat menggunakan LLM untuk membuat beberapa skrip tambahan secara otomatis, seperti skrip penerapan.
Skrip penerapan mengurangi potensi kesalahan selama penerapan manual. Idenya sangat mirip dengan membuat tes secara otomatis.
Percabangan otomatis
Di pasar banteng akan ada banyak proyek bercabang di mana tim membuat perubahan kode kecil dari basis kode asli mereka. Ini akan menjadi kasus penggunaan yang bagus untuk LLM: LLM dapat membantu pengembang memodifikasi kode secara otomatis sesuai dengan kebutuhan tim. Biasanya hanya bagian tertentu dari kode yang perlu diubah. Ini relatif mudah dicapai untuk LLM.
Pembuatan kode otomatis
Jika kita melangkah lebih jauh, dapatkah LLM secara otomatis menghasilkan kontrak pintar sesuai dengan kebutuhan pengembang? Dibandingkan dengan perangkat lunak rumit lainnya yang ditulis dalam JS, Rust, dan Python, kontrak pintar relatif singkat dan relatif sederhana. Tidak banyak perpustakaan eksternal untuk kontrak pintar. Mencari tahu cara menulis kontrak pintar relatif mudah untuk LLM.
Kami telah melihat beberapa kemajuan dalam pembuatan kode otomatis. GPT-engineer adalah salah satu pelopor. Ini menjawab kebutuhan pengguna dan menjawab pertanyaan apa pun yang mungkin dimiliki LLM, sebelum pengkodean dimulai. Kode tersebut juga menyertakan skrip yang menjalankan seluruh proyek. Insinyur GPT dapat secara otomatis memulai proyek untuk pengembang.
Setelah pengguna memasukkan persyaratan mereka, insinyur GPT menganalisis persyaratan dan meminta beberapa klarifikasi. Setelah mengumpulkan semua informasi yang diperlukan, GPT-engineer pertama-tama akan mengeluarkan desain program, termasuk kelas inti, fungsi, dan metode yang diperlukan untuk tugas ini. Insinyur GPT kemudian akan menghasilkan kode untuk setiap file.
Dengan petunjuk seperti ini, kita dapat membuat kontra kontrak cerdas.
Kontrak pintar dikompilasi dan berfungsi seperti yang diharapkan.
Karena GPT-engineer pada awalnya dirancang untuk Python, ada beberapa masalah dalam menghasilkan kode terkait Hardhat. Insinyur GPT tidak mengetahui versi terbaru dari Hardhat dan terkadang membuat skrip pengujian dan penerapan yang kedaluwarsa.
Jika kode kami memiliki bug, kami dapat memasukkan basis kode dan log kesalahan konsol ke LLM. LLM dapat terus memodifikasi kode hingga kode dapat berjalan dengan sukses. Kami melihat sesuatu seperti ** [flo] (Proyek semacam itu berkembang ke arah ini. Saat ini, flo hanya mendukung JS.
Jika kami ingin meningkatkan akurasi pembuatan smart contract, kami dapat meningkatkan GPT-engineer dengan beberapa petunjuk baru. Kita dapat mengadopsi metode pengembangan yang digerakkan oleh tes, yang membutuhkan LLM untuk memastikan bahwa program melewati tes tertentu, sehingga dapat membatasi program yang dihasilkan dengan lebih baik.
Gunakan LLM untuk membaca kode
Karena LLM memahami kode dengan baik, kita dapat menggunakan LLM untuk menulis dokumentasi pengembang. LLM juga dapat melacak perubahan kode untuk memperbarui dokumentasi. Kami membahas pendekatan ini di akhir laporan penelitian kami sebelumnya, Menjelajahi Pengalaman Pengembang di ZKRU: Analisis Mendalam.
Membaca dokumentasi adalah cara tradisional, tetapi berkomunikasi dengan kode adalah cara baru. Pengguna dapat mengajukan pertanyaan tentang kode dan LLM akan menjawabnya. LLM dapat menjelaskan kode untuk pengembang dan membantu mereka dengan cepat memahami kontrak pintar pada rantai tersebut. LLM juga dapat membantu orang yang tidak memiliki pengalaman pengkodean untuk memahami kontrak pintar.
Kami telah melihat tren ini di dunia Web2. Banyak alat bantuan kode memiliki kemampuan interpretasi kode.
Etherescan juga mendemonstrasikan fungsionalitas barunya, memungkinkan pengguna berkomunikasi dengan kode, memanfaatkan kekuatan LLM.
Bagaimana audit berubah ketika kode dipahami? Dalam eksperimen di atas kertas "apakah Anda masih memerlukan audit kontrak pintar manual," LLM mencapai tingkat keberhasilan 40% dalam mengidentifikasi kerentanan, mengungguli baseline acak. Namun, mereka juga memiliki tingkat positif palsu yang tinggi. Dorongan yang tepat adalah kuncinya, catat penulis.
Selain petunjuk, alasan berikut membatasi penerapannya:
Masalah-masalah ini tidak sulit untuk dipecahkan. Perusahaan audit besar memiliki ribuan laporan audit yang dapat digunakan untuk menyempurnakan LLM. LLM dengan kendala token besar muncul. Claude memiliki batas 100.000 token. LTM-1 yang baru dirilis memiliki batas 5 juta token yang mengesankan. Melalui upaya untuk mengatasi dua masalah ini, kami mungkin melihat LLM menjadi lebih baik dalam mengidentifikasi kerentanan. LLM dapat membantu auditor dan mempercepat proses audit. Ini dapat berkembang secara bertahap. Berikut adalah kemungkinan lintasan pengembangan:
Membantu auditor mengatur bahasa dan format laporan. Hal ini memastikan konsistensi bahasa di bawah perusahaan audit yang sama. Seringkali kelompok yang berbeda mungkin memiliki kosa kata pilihan yang berbeda.
Membantu auditor mengidentifikasi dan memverifikasi potensi kerentanan.
Secara otomatis menghasilkan draf laporan audit.
Gunakan LLM untuk membantu komunitas
Pemerintahan adalah bagian penting dari masyarakat. Anggota masyarakat memiliki hak untuk memilih proposal favorit mereka. Proposal ini akan membentuk masa depan produk.
Untuk proposal penting, akan ada banyak informasi latar belakang dan diskusi komunitas. Sulit bagi anggota masyarakat untuk memahami sepenuhnya konteks ini sebelum memilih. LLM dapat membantu anggota komunitas dengan cepat memahami dampak masa depan dari pilihan mereka dan membantu mereka memilih.
Bot penjawab pertanyaan adalah aplikasi potensial lainnya. Kami telah melihat bot Q&A berdasarkan dokumentasi proyek. Kita bisa melangkah lebih jauh untuk membangun basis data pengetahuan yang lebih besar. Kami dapat menyambungkan berbagai media dan sumber seperti presentasi, podcast, GitHub, obrolan Discord, dan Twitter Spaces. Bot Q&A tidak hanya ada di bilah pencarian dokumentasi, tetapi juga dapat memberikan dukungan instan kepada anggota komunitas di Discord, atau menyebarkan visi proyek di Twitter dan menjawab pertanyaan apa pun.
AwesomeQA saat ini berkembang ke arah ini. Ini mengimplementasikan tiga fungsi:
Salah satu kesulitan yang saat ini dihadapi oleh robot penjawab pertanyaan adalah bagaimana mendapatkan konteks yang relevan secara akurat dari database vektor dan menyediakan konteks tersebut ke LLM. Misalnya, jika pengguna meminta kueri dengan filter pada banyak fitur untuk banyak elemen, robot mungkin tidak dapat mengambil konteks yang relevan dari database vektor.
Memperbarui database vektor adalah masalah lain. Solusi saat ini adalah membangun kembali database vektor, atau memperbarui database vektor melalui namespace. Menambahkan ruang nama ke penyematan mirip dengan melampirkan label ke data. Ini membantu pengembang menemukan dan memperbarui penyematan yang sesuai dengan lebih mudah.
Gunakan LLM untuk melacak pasar
Pasar banyak berubah dan banyak hal terjadi setiap hari. Seperti KOL (Key Opinion Leaders) memposting ide dan pemikiran baru, buletin, dan email produk mengalir ke kotak masuk Anda. LLM dapat memilih ide dan berita paling penting untuk Anda. Itu juga merangkum konten untuk mempersingkat waktu membaca Anda dan membantu Anda mengikuti dinamika pasar.
minmax.ai didedikasikan untuk bidang jurnalisme. Mereka memberikan ringkasan berita terbaru tentang topik tertentu dan juga memberikan analisis sentimen tentang topik tersebut.
Laporan yang membosankan menghapus konten sensasional dari berita dan fokus pada detail penting untuk membantu pembaca membuat keputusan yang tepat.
Penasihat Robo adalah salah satu bidang terpanas saat ini. LLM dapat mendorong penggunaan robo-advice. LLM dapat memberikan rekomendasi perdagangan dan membantu pengguna mengelola portofolio dengan latar belakang informasi saham.
Proyek seperti Numer.ai menggunakan AI untuk memprediksi pasar dan mengelola dana. Ada juga portofolio yang dikelola oleh LLM. Pengguna dapat mengikuti portofolio ini di Robinhood.
Komposer menghadirkan algoritme perdagangan dengan AI. AI membangun strategi perdagangan khusus berdasarkan wawasan pengguna. AI kemudian akan secara otomatis menguji ulang strategi perdagangan ini. Jika pengguna senang dengan kebijakan tersebut, Composer dapat secara otomatis memberlakukan kebijakan tersebut untuk pengguna.
Menganalisis proyek menggunakan LLM
Proyek analitik sering kali melibatkan membaca materi dalam jumlah besar dan menulis makalah penelitian yang panjang. LLM dapat membaca dan menulis paragraf pendek. Jika kita dapat memperluas kemampuannya ke paragraf yang panjang, apakah itu berarti LLM dapat menghasilkan beberapa penelitian proyek? Kemungkinan besar ya. Kami dapat memasukkan kertas putih, dokumen, atau presentasi acara dan membiarkan LLM menganalisis proyek dan pendiri. Dibatasi oleh jumlah token, pertama-tama kita dapat menulis garis besar kertas, lalu memperbarui dan mengoptimalkan setiap bagian sesuai dengan informasi yang diperolehnya.
Proyek seperti BabyAGI sudah membuat kemajuan ke arah ini. Berikut adalah contoh keluaran dari BlockAGI, varian dari BabyAGI.
LLM juga dapat menganalisis kepribadian pendiri berdasarkan Twitter dan berbicara di depan umum. Misalnya, Penganalisis Tweet dapat mengambil tweet terbaru dan menggunakan LLM untuk menganalisis ciri-ciri pribadi.
Kesimpulannya
Ini adalah delapan arah khusus di mana LLM dapat membantu komunitas blockchain dalam waktu dekat:
Mengintegrasikan fungsi AI/LLM bawaan ke dalam blockchain.
Gunakan LLM untuk menganalisis catatan transaksi.
Tingkatkan keamanan dengan LLM.
Tulis kode menggunakan LLM.
Gunakan LLM untuk membaca kode.
Memanfaatkan LLM untuk membantu masyarakat.
Gunakan LLM untuk melacak pasar.
Terapkan LLM untuk menganalisis proyek.
LLM dapat menguntungkan semua anggota ruang crypto, termasuk pemilik proyek, analis, dan insinyur. Pendiri dapat menggunakan LLM untuk mengotomatiskan tugas-tugas seperti dokumentasi dan Q&A. Insinyur dapat menggunakan LLM untuk menulis kode lebih cepat dan lebih aman. Analis dapat meneliti proyek dengan lebih mudah.
Dalam jangka panjang, kami juga melihat peluang potensial untuk menerapkan LLM di ruang GameFi. LLM dapat menghasilkan tugas yang lebih menarik dalam game dan memainkan peran berbeda dalam game. Dunia dalam game akan terasa lebih nyata dan menarik. NPC akan bereaksi secara dinamis berdasarkan tindakan pemain. Misi akan memiliki lebih banyak akhir tergantung pada bagaimana pengguna menyelesaikannya.
LLM dapat diintegrasikan ke dalam proyek yang sudah ada, tetapi juga membuka peluang bagi pendatang baru. Misalnya, sudah ada beberapa pemain top di bidang analisis data on-chain. Dune dapat mengintegrasikan LLM untuk meningkatkan pengalaman pengguna. Namun, LLM juga menghadirkan peluang bagi pendatang baru. Pendatang baru ini dapat menempatkan LLM di jantung desain produk mereka. Produk kreatif yang dipimpin oleh AI dan berpusat pada AI ini dapat membawa persaingan baru ke bidang analisis data on-chain.
Ada tumpang tindih dalam penggunaan LLM di dunia Web2 dan Web3, tetapi mereka dapat menerapkan produk dengan cara yang berbeda. Karena data yang kita gunakan di dunia Web3 tidak sama dengan data di dunia Web2. Basis pengetahuan LLM mungkin juga berbeda di Web2 dan Web3. Data Web3 melibatkan blockchain, harga token, tweet, proyek, dan penelitian. Oleh karena itu, Web2 dan Web3 memerlukan LLM yang berbeda untuk melayani pengguna akhir.
Karena ledakan LLM, kami melihat semakin populernya AIxBlockchain. Namun, banyak AIxBlockhains tidak praktis untuk waktu yang singkat. Blockchain dan bukti tanpa pengetahuan tidak dapat memberikan daya komputasi skala besar untuk pelatihan dan penalaran untuk beberapa model kompleks. Model kecil tidak dapat menyelesaikan tugas yang rumit. Pendekatan yang lebih praktis adalah menerapkan LLM di domain blockchain. LLM baru-baru ini membuat kemajuan yang lebih besar daripada topik AI lainnya. Lebih masuk akal untuk menggabungkan LLM dan blockchain.
Komunitas LLM bekerja untuk meningkatkan batas token dan meningkatkan akurasi respons. Apa yang tersisa untuk komunitas blockchain adalah sumber data dan jaringan pipa data. Data yang dibersihkan dapat digunakan untuk menyempurnakan LLM guna meningkatkan akurasi di lingkungan blockchain. Pipa data dapat mengintegrasikan lebih banyak aplikasi terkait blockchain ke dalam LLM dan mengembangkan lebih banyak agen khusus kripto.