原作者: Yiping、IOSG Ventures大規模言語モデル (LLM) とブロックチェーンの研究シリーズの 2 番目の記事へようこそ。前回の記事では、LLM とブロックチェーン テクノロジーを技術レベルから統合する方法と、LLM フレームワークがブロックチェーン分野に非常に適している理由について説明しました。また、将来的に LLM とブロックチェーンを統合する可能性のあるパスについても概説します。この投稿では、より実践的なアプローチをとり、ブロックチェーンのユーザー エクスペリエンスを劇的に変えると思われる 8 つの具体的なアプリケーション領域について詳しく説明します。さらに興味深いのは、これらの画期的なアプリケーションが来年以内に現実になると予測していることです。ブロックチェーン インタラクションの未来を明らかにするのにぜひご参加ください。ここで説明する 8 つのアプリの概要は次のとおりです。1. 組み込みの AI/LLM 機能をブロックチェーンに統合する2. LLM を使用してトランザクション記録を分析する3. LLM によるセキュリティの強化4. LLM を使用してコードを作成する5. LLM でコードを読み取る6. LLM によるコミュニティの支援7. LLM を実装して市場を追跡する8. LLM を適用してプロジェクトを分析する## 組み込みの AI/LLM 機能をブロックチェーンに統合するブロックチェーンには人工知能の機能とモデルが組み込まれます。開発者は AI 機能にアクセスして、分類、回帰、テキスト補完、AIGC オンチェーンなどの署名 ML タスクを実行できます。開発者は、スマート コントラクトを通じてこれらの人工知能機能を呼び出すことができます。これらの組み込み機能を使用すると、開発者はスマート コントラクトにインテリジェンスと自律性を与えることができます。分類、回帰、AIGC は典型的な AI タスクです。ブロックチェーン分野でのこれらの機能の応用といくつかのプロジェクト例を見てみましょう。### 分類分類を使用して、アドレスがボットであるか実際の人物であるかを判断できます。これにより、現在のNFT販売状況が変わる可能性があります。分類により、DeFi エコシステムのセキュリティも向上します。 DeFi スマート コントラクトは、悪意のある取引をフィルタリングし、資金の損失を防ぐことができます。### 回帰回帰分析は予測に使用でき、ファンドや資産管理に適用できます。 Numer.ai はすでに人工知能を利用してお金の管理を支援しています。 Numer は、データ サイエンティストが作業し、機械学習を適用して株式市場を予測する高品質の株式市場データを提供します。### AIGC多くの NFT プロジェクトが IP ユニバースを構築しようとしています。ただし、その限られたコンテンツではユニバースをサポートできません。チェーン上で AIGC を使用できれば、比較的低コストで、同様の象徴的なブランド スタイルを備えた無数のコンテンツを出力できます。モデルはテキスト、イラスト、音楽、サウンド、さらにはビデオを出力できます。これにより、IP ユニバースのサイズが大幅に拡大します。コミュニティ参加者は、期待に応えるために共同でモデルを微調整できます。微調整プロセスにより、コミュニティも参加していると感じられます。Botto は AIGC モデルを使用して芸術的なコンテンツを生成します。コミュニティはお気に入りの画像に投票して、集合的に AIGC モデルを微調整します。ブロックチェーンをデータベースとして見ると、Databend がデータベースに組み込みの人工知能機能を組み込んでいることもわかります。これらは次の機能を提供します。* ai\_embedding\_vector: テキスト ドキュメントの埋め込みベクトルを生成します。* ai\_text\_completion: 指定されたヒントに基づいてテキスト補完を生成します。* cosine\_ distance: 2 つの埋め込みベクトル間のコサイン距離を計算します。* ai\_to\_sql: 自然言語命令を SQL クエリに変換します。## ブロックチェーンに AI 機能を提供する一部のプロジェクトがブロックチェーンに AI 機能を導入していることはわかっています。Giza は ZKML に取り組んでいます。オフチェーンで推論証明を生成し、オンチェーンで検証します。 StarkNet だけでなくイーサリアム仮想マシンと互換性のあるブロックチェーンもサポートされるようになりました。ギザは最近、イヤーン.ファイナンスとの提携を発表しました。これにより、イヤーンはギザの人工知能機能を活用してリスク評価機能を強化します。Modulus Labs も同様の方向に取り組んでいます。彼らは、人工知能用の高性能回路を生成するための証明システムを改善するために懸命に取り組んでいます。 Chess AIやEthereum Price Prediction AIなどのデモを公開した。彼らの新しいデモプロジェクトであるzkMonは、世界初のゼロ知識証明の敵対的生成ネットワークNFTコレクションです。## LLM を使用してトランザクション レコードを分析する取引記録の分析は通常、Debank などの特定のアプリケーションによって行われます。取引記録を人間が手作業で分析するのは困難です。手動分析にはデータ収集、データ クリーニング、およびデータ分析が含まれるため、ユーザーにはコーディング スキルが必要です。 LLM にはデータを分析して視覚化する機能があるため、新しいアプローチが可能になりました。 LLM を通じて、カスタマイズされたニーズに応じてオンチェーン データを分析できます。勝率、パフォーマンス比、その他知りたい情報を分析できます。RSS3 は、この方向に機能するために、Web3 User Activity と呼ばれる ChatGPT プラグインを開発しました。ユーザーはウォレットアドレス、ENS または Lens を入力して、オンチェーンアクティビティをクエリできます。このプラグインは、人間が判読できる形式でトランザクション情報を出力します。ただし、残念ながら、Azuki ホルダーが何人いるか、どのスマート コントラクトが最も人気があるかなど、複雑なクエリを実行することはできません。ユーザーは、プラグインによって提供されるアドレスとタグが必ずしも正確であるとは限らないことにも注意する必要があります。DeFiLlama は ChatGPT プラグインもリリースしました。ユーザーは、DeFiLlama で利用可能なあらゆるデータを自然言語でクエリできます。単純なフィルタリングおよび並べ替え操作も実行できます。Dune はまた、GPT を製品に統合して、次の機能を有効にしています。* クエリ解釈: LLM を使用してクエリを説明する* クエリ変換: LLM を使用して他の SQL 言語を DuneSQL に変換します* 自然言語クエリ: ユーザーが自然言語でクエリを作成できるようにします。* 検索: LLM を使用して検索結果を改善します* ウィザードナレッジベース: ユーザーがドキュメントと通信できるようにするチャットボット## LLM を活用してセキュリティを強化するLLM は、そのロジックと推論機能により、一部の悪意のあるトランザクションをフィルタリングし、スマート コントラクトのファイアウォールとして機能するために使用できます。ボットのアクティビティをブロックする方法の具体的な例を次に示します。住所を入力すると、LLM はサードパーティのプラグインを通じてすべての取引データを取得し、これらの取引記録を分析して、その住所がロボットである可能性を導き出します。この機能は、NFT 販売など、ボットが歓迎されない Dapps に埋め込むことができます。以下は ChatGPT による簡単な例です。 ChatGPT は、RSS3 が開発した Web3 ユーザー アクティビティ プラグインを通じてアカウントの取引記録を取得し、これらの取引記録を分析して、アカウントがロボットである可能性を出力します。より多くのトランザクション レコードをフィードし、ボット関連のデータセットで LLM を微調整すれば、より正確な結果を得ることができます。以下は、このようなアプリケーションのワークフローの例です。キャッシュ層やデータベース層を追加して、応答性を向上させ、コストを削減することもできます。## LLM を使用してコードを作成するLLM は、開発者がコードをより速く、より適切に作成できるようにするために開発で広く使用されています。開発者の指示に応じて、LLM はコードを生成できます。現時点では、開発者は依然として LLM の詳細な手順を提供する必要があります。 LLM がプロジェクト全体のコードを自動的に生成することは困難です。コード用の一般的な LLM モデルには、StarCoder、StarCoder+、Code T 5、LTM、DIDACT、WizardCoder、FalCoder-7 B、MPT 30 B などがあります。これらのモデルはすべてスマート コントラクトの作成に使用できますが、スマート コントラクト データに基づいて特別にトレーニングされていない可能性があります。彼らにはまだ改善の余地がある。現在、HuggingFace で利用できるスマート コントラクト関連のデータセットは 1 つだけです。これは監査済みのスマート コントラクトの回避セットであり、113,000 のスマート コントラクトが含まれています。テキスト分類、テキスト生成、脆弱性検出などのタスクに使用できます。自動コード生成は、開発支援ツールよりも有望である可能性があります。スマート コントラクトは比較的短く、比較的単純であるため、自動コード生成はスマート コントラクトに適しています。 LLM を使用して、開発者がブロックチェーン空間でコードを自動的に生成できるようにする方法がいくつかあります。＃＃＃ テストまず、LLM は、適切に作成されたスマート コントラクトのテストを生成できます。たとえば、Codium は作成されたプロジェクトのテストを自動的に生成できます。 Codium は現在、JS と TS をサポートしています。 Codium は、コードベースを理解し、各関数、ドキュメント文字列、コメントを分析することから始まります。その後、Codium はコード分析をコメントとしてファイルに書き込み、テスト計画を出力します。ユーザーは好みのテストを選択でき、Codium は選択されたテストコードを生成します。他の補助ツールも、選択した関数のテストの生成をサポートします。同様の手順に従って、GPT-4 で同様の機能を複製できます。LLM にこのタスクにより多くの時間を費やしてもらいたかったので、最初にコード分析を依頼しました。 LLM はどのタスクが難しいかを知りません。各マーカーに同じ計算能力を費やします。これにより、複雑なタスクの結果が不正確になる可能性があります。このような特徴を踏まえてコード解析を依頼します。このようにして、LLM はこれらのタスクについて考えるためにより多くのトークン/時間を費やし、より高品質の結果を出力します。この方法は「思考の連鎖」とも呼ばれます。より長いスマート コントラクトで機能させるには、より大きなコンテキストを持つ LLM か、メモリを保持するためのエンジニアリングが必要です。### ヘルパー スクリプトを生成する2 番目に、LLM を使用して、展開スクリプトなどの補助スクリプトを自動的に生成できます。導入スクリプトにより、手動導入時の潜在的なエラーが軽減されます。この考え方は、テストを自動的に生成する場合と非常に似ています。### 自動フォーク強気相場では、チームが元のコードベースから小さなコード変更を加える分岐プロジェクトが多数存在します。これは LLM の素晴らしい使用例です。LLM は、開発者がチームのニーズに応じてコードを自動的に変更するのに役立ちます。通常、コードの特定の部分のみを変更する必要があります。 LLM ではこれを達成するのは比較的簡単です。### 自動コード生成さらに一歩進めれば、LLM は開発者のニーズに応じてスマート コントラクトを自動的に生成できるでしょうか? JS、Rust、Python で書かれた他の複雑なソフトウェアと比較すると、スマート コントラクトは比較的短く、比較的シンプルです。スマートコントラクト用の外部ライブラリはそれほど多くありません。 LLM にとって、スマート コントラクトの書き方を理解するのは比較的簡単です。自動コード生成ではすでにある程度の進歩が見られます。 GPT エンジニアはその先駆者の 1 人です。コーディングを開始する前に、ユーザーのニーズに対応し、LLM が持つ可能性のある質問に答えます。このコードには、プロジェクト全体を実行するスクリプトも含まれています。 GPT エンジニアは開発者向けのプロジェクトを自動的に開始できます。ユーザーが要件を入力すると、GPT エンジニアが要件を分析し、いくつかの説明を求めます。必要な情報をすべて収集した後、GPT エンジニアはまず、このタスクに必要なコア クラス、関数、メソッドを含むプログラムの設計を出力します。 GPT エンジニアは各ファイルのコードを生成します。このようなヒントを使用すると、カウンター スマート コントラクトを生成できます。スマート コントラクトはコンパイルされ、期待どおりに機能します。GPT エンジニアは元々 Python 用に設計されたため、Hardhat 関連のコードを生成する際にいくつかの問題があります。 GPT エンジニアは Hardhat の最新バージョンを認識していないため、古いテスト スクリプトや展開スクリプトを生成することがあります。コードにバグがある場合は、コードベースとコンソールのエラー ログを LLM にフィードできます。 LLM は、コードが正常に実行されるまでコードを継続的に変更できます。 \*\* のようなものが表示されます [flo] (このようなプロジェクトはこの方向で開発されています。現在、flo は JS のみをサポートしています。スマート コントラクト生成の精度を高めたい場合は、いくつかの新しいヒントを使用して GPT エンジニアを改善できます。生成されたプログラムをより適切に制約するために、プログラムが特定のテストに合格することを保証するために LLM を要求するテスト駆動開発手法を採用できます。## LLM を使用してコードを読み取るLLM はコードをよく理解するため、LLM を使用して開発者ドキュメントを作成できます。 LLM は、コードの変更を追跡してドキュメントを更新することもできます。このアプローチについては、以前の調査レポート「ZKRU での開発者エクスペリエンスの探索: 徹底した分析」の最後で説明しました。ドキュメントを読むのは従来の方法ですが、コードを使ってコミュニケーションするのは新しい方法です。ユーザーはコードに関する質問をすることができ、LLM がそれに答えます。 LLM は開発者にコードを説明し、チェーン上のスマート コントラクトをすぐに理解できるように支援します。 LLM は、コーディングの経験がない人がスマート コントラクトを理解するのにも役立ちます。この傾向は Web2 の世界ではすでに見られています。多くのコード支援ツールにはコード解釈機能が備わっています。Etherescan はまた、LLM の力を活用してユーザーがコードと通信できるようにする新しい機能もデモしました。コードが理解されると監査はどのように変化しますか? 「手動のスマートコントラクト監査はまだ必要か」という論文に関する実験で、LLM は脆弱性の特定において 40% のヒット率を達成し、ランダムなベースラインを上回りました。ただし、誤検知率も高くなります。適切なプロンプトが重要であると著者は指摘しています。ヒントに加えて、次の理由によりその適用が制限されます。* 現在の LLM は、この目的のために特別に訓練されていません。トレーニング データには、スマート コントラクトのコードベースと対応する監査レポートが含まれない場合があります。* 通常、最も深刻なバグは、さまざまな機能から構成される論理的な問題です。 LLM は現在、トークンの数によって制限されています。 LLM は、非常に長いコンテキストを持ち、論理能力を必要とする問題を解決できません。これらの問題を解決するのは難しいことではありません。大規模な監査会社には、LLM を微調整するために使用できる何千もの監査レポートがあります。大きなトークン制約を持つ LLM が出現しています。クロードには 100,000 トークンの制限があります。新しくリリースされた LTM-1 には、500 万トークンという驚異的な制限があります。これら 2 つの問題に対処する取り組みを通じて、LLM が脆弱性を特定する能力が向上する可能性があります。 LLM は監査人を支援し、監査プロセスをスピードアップします。これは徐々に発展する可能性があります。考えられる開発の軌跡は次のとおりです。1. 監査人がレポートの言語と形式を整理できるようにします。これにより、同じ監査会社の下で言語の一貫性が確保されます。多くの場合、異なるグループには異なる優先語彙が存在する場合があります。2. 監査人が潜在的な脆弱性を特定して検証できるよう支援します。3. 監査草案レポートを自動的に生成します。## LLM を使用してコミュニティを支援するガバナンスはコミュニティにとって重要な部分です。コミュニティのメンバーは、お気に入りの提案に投票する権利があります。これらの提案が製品の未来を形作ります。重要な提案については、多くの背景情報とコミュニティでの議論が行われます。コミュニティのメンバーが投票前にこの背景を完全に理解することは困難です。 LLM は、コミュニティのメンバーが自分の選択が将来に与える影響をすぐに理解し、投票できるように支援します。質問応答ボットも潜在的なアプリケーションです。プロジェクトのドキュメントに基づいた Q&A ボットを見てきました。さらに大規模な知識データベースを構築することもできます。プレゼンテーション、ポッドキャスト、GitHub、Discord チャット、Twitter スペースなどのさまざまなメディアやソースを接続できます。 Q&A ボットはドキュメント検索バーに存在するだけでなく、Discord のコミュニティ メンバーに即座にサポートを提供したり、Twitter でプロジェクトのビジョンを広めたり、質問に答えたりすることもできます。AwesomeQA は現在、この方向に向けて開発を進めています。次の 3 つの機能を実装します。* ChatGPT 統合を使用してコミュニティ メンバーからの質問に回答します* FAQ 分析など、コミュニティ メンバーからのメッセージに基づいてデータ主導の洞察を得る* 未解決の問題など、どのメッセージが重要かを発見します質問応答ロボットが現在直面している困難の 1 つは、ベクトル データベースから関連するコンテキストを正確に取得し、そのコンテキストを LLM に提供する方法です。たとえば、ユーザーが複数の要素の複数の特徴に関するフィルターを含むクエリを要求した場合、ロボットはベクター データベースから関連するコンテキストを取得できない可能性があります。ベクトル データベースの更新は別の問題です。現在の解決策は、ベクトル データベースを再構築するか、名前空間を通じてベクトル データベースを更新することです。名前空間を埋め込みに追加することは、データにラベルを付けることと似ています。これにより、開発者は適切な埋め込みをより簡単に見つけて更新できるようになります。## LLM を使用して市場を追跡する市場は大きく変化し、毎日さまざまなことが起こります。新しいアイデアや考え方を投稿する KOL (Key Opinion Leader) のように、ニュースレターや製品メールがあなたの受信箱に流れ込みます。 LLM は、最も重要なアイデアやニュースを選択します。また、読書時間を短縮し、市場動向を把握するのに役立つ内容が要約されています。minmax.ai はジャーナリズムの分野に特化しています。特定のトピックに関する最新ニュースの概要を提供し、そのトピックに関するセンチメント分析も提供します。退屈なレポートは、ニュースからセンセーショナルな内容を取り除き、読者が正しい決定を下せるように重要な詳細に焦点を当てます。ロボアドバイザーは今最も注目されている分野の一つです。 LLM はロボアドバイスの使用を促進できます。 LLM は取引に関する推奨事項を提供し、ユーザーが株式情報を背景にポートフォリオを管理できるようにします。Numer.ai のようなプロジェクトは、AI を使用して市場を予測し、資金を管理します。 LLMが管理するポートフォリオもあります。ユーザーは Robinhood でこれらのポートフォリオをフォローできます。Composer は AI を使用した取引アルゴリズムをもたらします。 AI はユーザーの洞察に基づいて特定の取引戦略を構築します。 AI はこれらの取引戦略を自動的にバックテストします。ユーザーがポリシーに満足している場合、Composer はそれらのポリシーをユーザーに対して自動的に適用できます。## LLM を使用してプロジェクトを分析する分析プロジェクトでは、多くの場合、大量の資料を読んだり、長い研究論文を書いたりする必要があります。 LLM は短い段落を読み書きすることができます。その機能を長い段落まで拡張できれば、LLM は何らかのプロジェクト研究を何らかの方法で出力できるということになりますか?おそらくそうです。ホワイトペーパー、ドキュメント、またはイベントプレゼンテーションを入力して、LLM にプロジェクトと創設者を分析させることができます。トークンの数に制限があるため、最初に論文の概要を記述し、その後、取得した情報に応じて各部分を更新および最適化することができます。BabyAGI のようなプロジェクトは、すでにこの方向に進んでいます。以下は、BabyAGI の亜種である BlockAGI からの出力例です。LLM は、Twitter や人前での講演に基づいて創業者の性格を分析することもできます。たとえば、Tweet Analyzer は最近のツイートを取得し、LLM を使用して個人の特徴を分析できます。＃＃ 結論はこれらは、LLM が近い将来ブロックチェーン コミュニティを支援できる 8 つの具体的な方向性です。1. 組み込みの AI/LLM 機能をブロックチェーンに統合します。2. LLM を使用してトランザクション記録を分析します。3. LLM でセキュリティを強化します。4. LLM を使用してコードを作成します。5. LLM を使用してコードを読み取ります。6. LLM を活用してコミュニティを支援します。7. LLM を使用して市場を追跡します。8. LLM を適用してプロジェクトを分析します。LLM は、プロジェクトオーナー、アナリスト、エンジニアを含む、暗号通貨スペースのすべてのメンバーに利益をもたらします。創設者は LLM を使用して、ドキュメントや Q&A などのタスクを自動化できます。エンジニアは LLM を使用してコードをより速く、より安全に作成できます。アナリストはプロジェクトをより簡単に調査できます。長期的には、LLM を GameFi 分野に適用する潜在的な機会もあると考えています。 LLM は、ゲーム内でより興味深いタスクを生成し、ゲーム内でさまざまな役割を果たすことができます。ゲームの世界がよりリアルで面白く感じられます。 NPC はプレイヤーのアクションに基づいて動的に反応します。クエストはユーザーの解決方法に応じてさらに多くの結末を迎えます。LLM は既存のプロジェクトに統合できますが、新規参入者にも機会が開かれます。たとえば、オンチェーンデータ分析の分野ではすでにトッププレーヤーが何人かいます。 Dune は LLM を統合してユーザー エクスペリエンスを向上させることができます。ただし、LLM は新規参入者にとってもチャンスです。これらの新規参入者は、LLM を製品設計の中心に置くことができます。これらの AI 主導および AI 中心の創造的な製品は、オンチェーン データ分析の分野に新たな競争をもたらす可能性があります。Web2 と Web3 の世界では LLM の使用法が重複していますが、製品の実装方法は異なる場合があります。なぜなら、Web3 の世界で使用するデータは Web2 の世界で使用するデータと同じではないからです。 LLM の知識ベースも Web2 と Web3 で異なる場合があります。 Web3 データには、ブロックチェーン、トークン価格、ツイート、プロジェクト、研究が含まれます。したがって、Web2 と Web3 では、エンド ユーザーにサービスを提供するために異なる LLM が必要になります。LLM のブームにより、AIxBlockchain の人気が高まっています。ただし、多くの AIxBlockhains は短期間では実用的ではありません。ブロックチェーンとゼロ知識証明は、一部の複雑なモデルのトレーニングと推論のための大規模なコンピューティング能力を提供できません。小さなモデルでは複雑なタスクを解決できません。より現実的なアプローチは、ブロックチェーン ドメインに LLM を適用することです。 LLM は最近、他の AI トピックよりも大きな進歩を遂げています。 LLM とブロックチェーンを組み合わせる方が合理的です。LLM コミュニティは、トークン制限の改善と応答精度の向上に取り組んでいます。ブロックチェーン コミュニティに残されているのは、データ ソースとデータ パイプラインです。クリーンアップされたデータを使用して LLM を微調整し、ブロックチェーン環境の精度を向上させることができます。データ パイプラインは、より多くのブロックチェーン関連アプリケーションを LLM に統合し、より暗号通貨に特化したエージェントを開発できます。
IOSG Ventures: ブロックチェーン相互作用を開くための LLM の新たな可能性についての詳細なディスカッション
原作者: Yiping、IOSG Ventures
大規模言語モデル (LLM) とブロックチェーンの研究シリーズの 2 番目の記事へようこそ。前回の記事では、LLM とブロックチェーン テクノロジーを技術レベルから統合する方法と、LLM フレームワークがブロックチェーン分野に非常に適している理由について説明しました。また、将来的に LLM とブロックチェーンを統合する可能性のあるパスについても概説します。
この投稿では、より実践的なアプローチをとり、ブロックチェーンのユーザー エクスペリエンスを劇的に変えると思われる 8 つの具体的なアプリケーション領域について詳しく説明します。さらに興味深いのは、これらの画期的なアプリケーションが来年以内に現実になると予測していることです。
ブロックチェーン インタラクションの未来を明らかにするのにぜひご参加ください。ここで説明する 8 つのアプリの概要は次のとおりです。
組み込みの AI/LLM 機能をブロックチェーンに統合する
LLM を使用してトランザクション記録を分析する
LLM によるセキュリティの強化
LLM を使用してコードを作成する
LLM でコードを読み取る
LLM によるコミュニティの支援
LLM を実装して市場を追跡する
LLM を適用してプロジェクトを分析する
組み込みの AI/LLM 機能をブロックチェーンに統合する
ブロックチェーンには人工知能の機能とモデルが組み込まれます。開発者は AI 機能にアクセスして、分類、回帰、テキスト補完、AIGC オンチェーンなどの署名 ML タスクを実行できます。開発者は、スマート コントラクトを通じてこれらの人工知能機能を呼び出すことができます。
これらの組み込み機能を使用すると、開発者はスマート コントラクトにインテリジェンスと自律性を与えることができます。分類、回帰、AIGC は典型的な AI タスクです。ブロックチェーン分野でのこれらの機能の応用といくつかのプロジェクト例を見てみましょう。
分類
分類を使用して、アドレスがボットであるか実際の人物であるかを判断できます。これにより、現在のNFT販売状況が変わる可能性があります。分類により、DeFi エコシステムのセキュリティも向上します。 DeFi スマート コントラクトは、悪意のある取引をフィルタリングし、資金の損失を防ぐことができます。
回帰
回帰分析は予測に使用でき、ファンドや資産管理に適用できます。 Numer.ai はすでに人工知能を利用してお金の管理を支援しています。 Numer は、データ サイエンティストが作業し、機械学習を適用して株式市場を予測する高品質の株式市場データを提供します。
AIGC
多くの NFT プロジェクトが IP ユニバースを構築しようとしています。ただし、その限られたコンテンツではユニバースをサポートできません。チェーン上で AIGC を使用できれば、比較的低コストで、同様の象徴的なブランド スタイルを備えた無数のコンテンツを出力できます。モデルはテキスト、イラスト、音楽、サウンド、さらにはビデオを出力できます。これにより、IP ユニバースのサイズが大幅に拡大します。コミュニティ参加者は、期待に応えるために共同でモデルを微調整できます。微調整プロセスにより、コミュニティも参加していると感じられます。
Botto は AIGC モデルを使用して芸術的なコンテンツを生成します。コミュニティはお気に入りの画像に投票して、集合的に AIGC モデルを微調整します。
ブロックチェーンをデータベースとして見ると、Databend がデータベースに組み込みの人工知能機能を組み込んでいることもわかります。これらは次の機能を提供します。
ブロックチェーンに AI 機能を提供する
一部のプロジェクトがブロックチェーンに AI 機能を導入していることはわかっています。
Giza は ZKML に取り組んでいます。オフチェーンで推論証明を生成し、オンチェーンで検証します。 StarkNet だけでなくイーサリアム仮想マシンと互換性のあるブロックチェーンもサポートされるようになりました。ギザは最近、イヤーン.ファイナンスとの提携を発表しました。これにより、イヤーンはギザの人工知能機能を活用してリスク評価機能を強化します。
Modulus Labs も同様の方向に取り組んでいます。彼らは、人工知能用の高性能回路を生成するための証明システムを改善するために懸命に取り組んでいます。 Chess AIやEthereum Price Prediction AIなどのデモを公開した。彼らの新しいデモプロジェクトであるzkMonは、世界初のゼロ知識証明の敵対的生成ネットワークNFTコレクションです。
LLM を使用してトランザクション レコードを分析する
取引記録の分析は通常、Debank などの特定のアプリケーションによって行われます。取引記録を人間が手作業で分析するのは困難です。手動分析にはデータ収集、データ クリーニング、およびデータ分析が含まれるため、ユーザーにはコーディング スキルが必要です。 LLM にはデータを分析して視覚化する機能があるため、新しいアプローチが可能になりました。 LLM を通じて、カスタマイズされたニーズに応じてオンチェーン データを分析できます。勝率、パフォーマンス比、その他知りたい情報を分析できます。
RSS3 は、この方向に機能するために、Web3 User Activity と呼ばれる ChatGPT プラグインを開発しました。ユーザーはウォレットアドレス、ENS または Lens を入力して、オンチェーンアクティビティをクエリできます。このプラグインは、人間が判読できる形式でトランザクション情報を出力します。ただし、残念ながら、Azuki ホルダーが何人いるか、どのスマート コントラクトが最も人気があるかなど、複雑なクエリを実行することはできません。ユーザーは、プラグインによって提供されるアドレスとタグが必ずしも正確であるとは限らないことにも注意する必要があります。
DeFiLlama は ChatGPT プラグインもリリースしました。ユーザーは、DeFiLlama で利用可能なあらゆるデータを自然言語でクエリできます。単純なフィルタリングおよび並べ替え操作も実行できます。
Dune はまた、GPT を製品に統合して、次の機能を有効にしています。
LLM を活用してセキュリティを強化する
LLM は、そのロジックと推論機能により、一部の悪意のあるトランザクションをフィルタリングし、スマート コントラクトのファイアウォールとして機能するために使用できます。ボットのアクティビティをブロックする方法の具体的な例を次に示します。
住所を入力すると、LLM はサードパーティのプラグインを通じてすべての取引データを取得し、これらの取引記録を分析して、その住所がロボットである可能性を導き出します。この機能は、NFT 販売など、ボットが歓迎されない Dapps に埋め込むことができます。
以下は ChatGPT による簡単な例です。 ChatGPT は、RSS3 が開発した Web3 ユーザー アクティビティ プラグインを通じてアカウントの取引記録を取得し、これらの取引記録を分析して、アカウントがロボットである可能性を出力します。
より多くのトランザクション レコードをフィードし、ボット関連のデータセットで LLM を微調整すれば、より正確な結果を得ることができます。以下は、このようなアプリケーションのワークフローの例です。キャッシュ層やデータベース層を追加して、応答性を向上させ、コストを削減することもできます。
LLM を使用してコードを作成する
LLM は、開発者がコードをより速く、より適切に作成できるようにするために開発で広く使用されています。開発者の指示に応じて、LLM はコードを生成できます。現時点では、開発者は依然として LLM の詳細な手順を提供する必要があります。 LLM がプロジェクト全体のコードを自動的に生成することは困難です。
コード用の一般的な LLM モデルには、StarCoder、StarCoder+、Code T 5、LTM、DIDACT、WizardCoder、FalCoder-7 B、MPT 30 B などがあります。
これらのモデルはすべてスマート コントラクトの作成に使用できますが、スマート コントラクト データに基づいて特別にトレーニングされていない可能性があります。彼らにはまだ改善の余地がある。
現在、HuggingFace で利用できるスマート コントラクト関連のデータセットは 1 つだけです。これは監査済みのスマート コントラクトの回避セットであり、113,000 のスマート コントラクトが含まれています。テキスト分類、テキスト生成、脆弱性検出などのタスクに使用できます。
自動コード生成は、開発支援ツールよりも有望である可能性があります。スマート コントラクトは比較的短く、比較的単純であるため、自動コード生成はスマート コントラクトに適しています。 LLM を使用して、開発者がブロックチェーン空間でコードを自動的に生成できるようにする方法がいくつかあります。
＃＃＃ テスト
まず、LLM は、適切に作成されたスマート コントラクトのテストを生成できます。たとえば、Codium は作成されたプロジェクトのテストを自動的に生成できます。 Codium は現在、JS と TS をサポートしています。 Codium は、コードベースを理解し、各関数、ドキュメント文字列、コメントを分析することから始まります。その後、Codium はコード分析をコメントとしてファイルに書き込み、テスト計画を出力します。ユーザーは好みのテストを選択でき、Codium は選択されたテストコードを生成します。
他の補助ツールも、選択した関数のテストの生成をサポートします。
同様の手順に従って、GPT-4 で同様の機能を複製できます。
LLM にこのタスクにより多くの時間を費やしてもらいたかったので、最初にコード分析を依頼しました。 LLM はどのタスクが難しいかを知りません。各マーカーに同じ計算能力を費やします。これにより、複雑なタスクの結果が不正確になる可能性があります。このような特徴を踏まえてコード解析を依頼します。このようにして、LLM はこれらのタスクについて考えるためにより多くのトークン/時間を費やし、より高品質の結果を出力します。この方法は「思考の連鎖」とも呼ばれます。
より長いスマート コントラクトで機能させるには、より大きなコンテキストを持つ LLM か、メモリを保持するためのエンジニアリングが必要です。
ヘルパー スクリプトを生成する
2 番目に、LLM を使用して、展開スクリプトなどの補助スクリプトを自動的に生成できます。
導入スクリプトにより、手動導入時の潜在的なエラーが軽減されます。この考え方は、テストを自動的に生成する場合と非常に似ています。
自動フォーク
強気相場では、チームが元のコードベースから小さなコード変更を加える分岐プロジェクトが多数存在します。これは LLM の素晴らしい使用例です。LLM は、開発者がチームのニーズに応じてコードを自動的に変更するのに役立ちます。通常、コードの特定の部分のみを変更する必要があります。 LLM ではこれを達成するのは比較的簡単です。
自動コード生成
さらに一歩進めれば、LLM は開発者のニーズに応じてスマート コントラクトを自動的に生成できるでしょうか? JS、Rust、Python で書かれた他の複雑なソフトウェアと比較すると、スマート コントラクトは比較的短く、比較的シンプルです。スマートコントラクト用の外部ライブラリはそれほど多くありません。 LLM にとって、スマート コントラクトの書き方を理解するのは比較的簡単です。
自動コード生成ではすでにある程度の進歩が見られます。 GPT エンジニアはその先駆者の 1 人です。コーディングを開始する前に、ユーザーのニーズに対応し、LLM が持つ可能性のある質問に答えます。このコードには、プロジェクト全体を実行するスクリプトも含まれています。 GPT エンジニアは開発者向けのプロジェクトを自動的に開始できます。
ユーザーが要件を入力すると、GPT エンジニアが要件を分析し、いくつかの説明を求めます。必要な情報をすべて収集した後、GPT エンジニアはまず、このタスクに必要なコア クラス、関数、メソッドを含むプログラムの設計を出力します。 GPT エンジニアは各ファイルのコードを生成します。
このようなヒントを使用すると、カウンター スマート コントラクトを生成できます。
スマート コントラクトはコンパイルされ、期待どおりに機能します。
GPT エンジニアは元々 Python 用に設計されたため、Hardhat 関連のコードを生成する際にいくつかの問題があります。 GPT エンジニアは Hardhat の最新バージョンを認識していないため、古いテスト スクリプトや展開スクリプトを生成することがあります。
コードにバグがある場合は、コードベースとコンソールのエラー ログを LLM にフィードできます。 LLM は、コードが正常に実行されるまでコードを継続的に変更できます。 ** のようなものが表示されます [flo] (このようなプロジェクトはこの方向で開発されています。現在、flo は JS のみをサポートしています。
スマート コントラクト生成の精度を高めたい場合は、いくつかの新しいヒントを使用して GPT エンジニアを改善できます。生成されたプログラムをより適切に制約するために、プログラムが特定のテストに合格することを保証するために LLM を要求するテスト駆動開発手法を採用できます。
LLM を使用してコードを読み取る
LLM はコードをよく理解するため、LLM を使用して開発者ドキュメントを作成できます。 LLM は、コードの変更を追跡してドキュメントを更新することもできます。このアプローチについては、以前の調査レポート「ZKRU での開発者エクスペリエンスの探索: 徹底した分析」の最後で説明しました。
ドキュメントを読むのは従来の方法ですが、コードを使ってコミュニケーションするのは新しい方法です。ユーザーはコードに関する質問をすることができ、LLM がそれに答えます。 LLM は開発者にコードを説明し、チェーン上のスマート コントラクトをすぐに理解できるように支援します。 LLM は、コーディングの経験がない人がスマート コントラクトを理解するのにも役立ちます。
この傾向は Web2 の世界ではすでに見られています。多くのコード支援ツールにはコード解釈機能が備わっています。
Etherescan はまた、LLM の力を活用してユーザーがコードと通信できるようにする新しい機能もデモしました。
コードが理解されると監査はどのように変化しますか? 「手動のスマートコントラクト監査はまだ必要か」という論文に関する実験で、LLM は脆弱性の特定において 40% のヒット率を達成し、ランダムなベースラインを上回りました。ただし、誤検知率も高くなります。適切なプロンプトが重要であると著者は指摘しています。
ヒントに加えて、次の理由によりその適用が制限されます。
これらの問題を解決するのは難しいことではありません。大規模な監査会社には、LLM を微調整するために使用できる何千もの監査レポートがあります。大きなトークン制約を持つ LLM が出現しています。クロードには 100,000 トークンの制限があります。新しくリリースされた LTM-1 には、500 万トークンという驚異的な制限があります。これら 2 つの問題に対処する取り組みを通じて、LLM が脆弱性を特定する能力が向上する可能性があります。 LLM は監査人を支援し、監査プロセスをスピードアップします。これは徐々に発展する可能性があります。考えられる開発の軌跡は次のとおりです。
監査人がレポートの言語と形式を整理できるようにします。これにより、同じ監査会社の下で言語の一貫性が確保されます。多くの場合、異なるグループには異なる優先語彙が存在する場合があります。
監査人が潜在的な脆弱性を特定して検証できるよう支援します。
監査草案レポートを自動的に生成します。
LLM を使用してコミュニティを支援する
ガバナンスはコミュニティにとって重要な部分です。コミュニティのメンバーは、お気に入りの提案に投票する権利があります。これらの提案が製品の未来を形作ります。
重要な提案については、多くの背景情報とコミュニティでの議論が行われます。コミュニティのメンバーが投票前にこの背景を完全に理解することは困難です。 LLM は、コミュニティのメンバーが自分の選択が将来に与える影響をすぐに理解し、投票できるように支援します。
質問応答ボットも潜在的なアプリケーションです。プロジェクトのドキュメントに基づいた Q&A ボットを見てきました。さらに大規模な知識データベースを構築することもできます。プレゼンテーション、ポッドキャスト、GitHub、Discord チャット、Twitter スペースなどのさまざまなメディアやソースを接続できます。 Q&A ボットはドキュメント検索バーに存在するだけでなく、Discord のコミュニティ メンバーに即座にサポートを提供したり、Twitter でプロジェクトのビジョンを広めたり、質問に答えたりすることもできます。
AwesomeQA は現在、この方向に向けて開発を進めています。次の 3 つの機能を実装します。
質問応答ロボットが現在直面している困難の 1 つは、ベクトル データベースから関連するコンテキストを正確に取得し、そのコンテキストを LLM に提供する方法です。たとえば、ユーザーが複数の要素の複数の特徴に関するフィルターを含むクエリを要求した場合、ロボットはベクター データベースから関連するコンテキストを取得できない可能性があります。
ベクトル データベースの更新は別の問題です。現在の解決策は、ベクトル データベースを再構築するか、名前空間を通じてベクトル データベースを更新することです。名前空間を埋め込みに追加することは、データにラベルを付けることと似ています。これにより、開発者は適切な埋め込みをより簡単に見つけて更新できるようになります。
LLM を使用して市場を追跡する
市場は大きく変化し、毎日さまざまなことが起こります。新しいアイデアや考え方を投稿する KOL (Key Opinion Leader) のように、ニュースレターや製品メールがあなたの受信箱に流れ込みます。 LLM は、最も重要なアイデアやニュースを選択します。また、読書時間を短縮し、市場動向を把握するのに役立つ内容が要約されています。
minmax.ai はジャーナリズムの分野に特化しています。特定のトピックに関する最新ニュースの概要を提供し、そのトピックに関するセンチメント分析も提供します。
退屈なレポートは、ニュースからセンセーショナルな内容を取り除き、読者が正しい決定を下せるように重要な詳細に焦点を当てます。
ロボアドバイザーは今最も注目されている分野の一つです。 LLM はロボアドバイスの使用を促進できます。 LLM は取引に関する推奨事項を提供し、ユーザーが株式情報を背景にポートフォリオを管理できるようにします。
Numer.ai のようなプロジェクトは、AI を使用して市場を予測し、資金を管理します。 LLMが管理するポートフォリオもあります。ユーザーは Robinhood でこれらのポートフォリオをフォローできます。
Composer は AI を使用した取引アルゴリズムをもたらします。 AI はユーザーの洞察に基づいて特定の取引戦略を構築します。 AI はこれらの取引戦略を自動的にバックテストします。ユーザーがポリシーに満足している場合、Composer はそれらのポリシーをユーザーに対して自動的に適用できます。
LLM を使用してプロジェクトを分析する
分析プロジェクトでは、多くの場合、大量の資料を読んだり、長い研究論文を書いたりする必要があります。 LLM は短い段落を読み書きすることができます。その機能を長い段落まで拡張できれば、LLM は何らかのプロジェクト研究を何らかの方法で出力できるということになりますか?おそらくそうです。ホワイトペーパー、ドキュメント、またはイベントプレゼンテーションを入力して、LLM にプロジェクトと創設者を分析させることができます。トークンの数に制限があるため、最初に論文の概要を記述し、その後、取得した情報に応じて各部分を更新および最適化することができます。
BabyAGI のようなプロジェクトは、すでにこの方向に進んでいます。以下は、BabyAGI の亜種である BlockAGI からの出力例です。
LLM は、Twitter や人前での講演に基づいて創業者の性格を分析することもできます。たとえば、Tweet Analyzer は最近のツイートを取得し、LLM を使用して個人の特徴を分析できます。
＃＃ 結論は
これらは、LLM が近い将来ブロックチェーン コミュニティを支援できる 8 つの具体的な方向性です。
組み込みの AI/LLM 機能をブロックチェーンに統合します。
LLM を使用してトランザクション記録を分析します。
LLM でセキュリティを強化します。
LLM を使用してコードを作成します。
LLM を使用してコードを読み取ります。
LLM を活用してコミュニティを支援します。
LLM を使用して市場を追跡します。
LLM を適用してプロジェクトを分析します。
LLM は、プロジェクトオーナー、アナリスト、エンジニアを含む、暗号通貨スペースのすべてのメンバーに利益をもたらします。創設者は LLM を使用して、ドキュメントや Q&A などのタスクを自動化できます。エンジニアは LLM を使用してコードをより速く、より安全に作成できます。アナリストはプロジェクトをより簡単に調査できます。
長期的には、LLM を GameFi 分野に適用する潜在的な機会もあると考えています。 LLM は、ゲーム内でより興味深いタスクを生成し、ゲーム内でさまざまな役割を果たすことができます。ゲームの世界がよりリアルで面白く感じられます。 NPC はプレイヤーのアクションに基づいて動的に反応します。クエストはユーザーの解決方法に応じてさらに多くの結末を迎えます。
LLM は既存のプロジェクトに統合できますが、新規参入者にも機会が開かれます。たとえば、オンチェーンデータ分析の分野ではすでにトッププレーヤーが何人かいます。 Dune は LLM を統合してユーザー エクスペリエンスを向上させることができます。ただし、LLM は新規参入者にとってもチャンスです。これらの新規参入者は、LLM を製品設計の中心に置くことができます。これらの AI 主導および AI 中心の創造的な製品は、オンチェーン データ分析の分野に新たな競争をもたらす可能性があります。
Web2 と Web3 の世界では LLM の使用法が重複していますが、製品の実装方法は異なる場合があります。なぜなら、Web3 の世界で使用するデータは Web2 の世界で使用するデータと同じではないからです。 LLM の知識ベースも Web2 と Web3 で異なる場合があります。 Web3 データには、ブロックチェーン、トークン価格、ツイート、プロジェクト、研究が含まれます。したがって、Web2 と Web3 では、エンド ユーザーにサービスを提供するために異なる LLM が必要になります。
LLM のブームにより、AIxBlockchain の人気が高まっています。ただし、多くの AIxBlockhains は短期間では実用的ではありません。ブロックチェーンとゼロ知識証明は、一部の複雑なモデルのトレーニングと推論のための大規模なコンピューティング能力を提供できません。小さなモデルでは複雑なタスクを解決できません。より現実的なアプローチは、ブロックチェーン ドメインに LLM を適用することです。 LLM は最近、他の AI トピックよりも大きな進歩を遂げています。 LLM とブロックチェーンを組み合わせる方が合理的です。
LLM コミュニティは、トークン制限の改善と応答精度の向上に取り組んでいます。ブロックチェーン コミュニティに残されているのは、データ ソースとデータ パイプラインです。クリーンアップされたデータを使用して LLM を微調整し、ブロックチェーン環境の精度を向上させることができます。データ パイプラインは、より多くのブロックチェーン関連アプリケーションを LLM に統合し、より暗号通貨に特化したエージェントを開発できます。