Bem-vindo ao segundo artigo da nossa série de pesquisa de modelo de linguagem grande (LLM) e blockchain. No artigo anterior, discutimos como integrar a tecnologia LLM e blockchain de um nível técnico e por que a estrutura LLM é muito adequada para o campo blockchain. Também descrevemos caminhos potenciais para integrar o LLM com blockchain no futuro.
Nesta postagem, faremos uma abordagem mais prática e mergulharemos em oito áreas de aplicação específicas que acreditamos que mudarão drasticamente a experiência do usuário de blockchain. Ainda mais empolgante, prevemos que esses aplicativos inovadores se tornarão realidade no próximo ano.
Junte-se a nós enquanto descobrimos o futuro da interação blockchain. Aqui está uma breve visão geral dos oito aplicativos que discutiremos:
Integração de recursos integrados de IA/LLM no blockchain
Usando LLM para analisar registros de transações
Aumente a segurança com o LLM
Escrever código com LLM
Leia o código com o LLM
Ajudando a comunidade com LLM
Implemente o LLM para rastrear o mercado
Aplicar LLM para analisar projetos
Integre recursos AI/LLM integrados ao blockchain
O blockchain terá funções e modelos de inteligência artificial integrados. Os desenvolvedores podem acessar as funções de AI para executar tarefas de ML de assinatura, como classificação, regressão, conclusão de texto e AIGC on-chain. Os desenvolvedores podem chamar essas funções de inteligência artificial por meio de contratos inteligentes.
Com esses recursos integrados, os desenvolvedores podem dar inteligência e autonomia aos seus contratos inteligentes. Classificação, regressão e AIGC são tarefas típicas de IA. Vamos ver a aplicação dessas funções no campo blockchain e alguns exemplos de projetos.
Classificação
A classificação pode ser usada para determinar se um endereço é um bot ou uma pessoa real. Isso pode mudar a situação atual das vendas de NFT. A classificação também pode melhorar a segurança do ecossistema DeFi. Os contratos inteligentes DeFi podem filtrar transações maliciosas e evitar a perda de fundos.
Regressão
A análise de regressão pode ser usada para previsão, aplicada ao gerenciamento de fundos e ativos. A Numer.ai já usa inteligência artificial para ajudá-los a administrar o dinheiro. Numer fornece dados do mercado de ações de alta qualidade nos quais os cientistas de dados trabalham e aplicam aprendizado de máquina para prever o mercado de ações.
AIGC
Muitos projetos NFT estão tentando construir um universo IP. No entanto, seu conteúdo limitado não pode suportar um universo. Se pudermos usar o AIGC na cadeia, podemos produzir inúmeros conteúdos com um estilo de marca icônico semelhante a um custo relativamente baixo. Os modelos podem produzir texto, ilustrações, música, som e até vídeo. Isso expande muito o tamanho do universo IP. Os participantes da comunidade podem ajustar coletivamente o modelo para atender às suas expectativas. O processo de sintonia fina também faz com que a comunidade se sinta envolvida.
Botto usa o modelo AIGC para gerar conteúdo artístico. A comunidade vota em suas imagens favoritas para ajustar coletivamente o modelo AIGC.
Se olharmos para o blockchain como um banco de dados, também descobrimos que o Databend incorpora recursos de inteligência artificial integrados em seu banco de dados. Eles fornecem as seguintes funções:
ai_embedding_vector: Gera vetores de incorporação para documentos de texto.
ai_text_completion: gera a conclusão do texto com base na dica fornecida.
cosine_distance: Calcula a distância do cosseno entre dois vetores de incorporação.
ai_to_sql: converte instruções de linguagem natural em consultas SQL.
Forneça recursos de IA para o blockchain
Sabemos que alguns projetos estão trazendo recursos de IA para o blockchain.
Giza está trabalhando em ZKML. Ele gera provas de raciocínio off-chain e as verifica on-chain. Ele agora suporta blockchains compatíveis com a Ethereum Virtual Machine, bem como com a StarkNet. A Giza anunciou recentemente uma parceria com a Yearn.finance, por meio da qual a Yearn alavancará os recursos de inteligência artificial da Giza para aprimorar seus recursos de avaliação de risco.
A Modulus Labs também está trabalhando em uma direção semelhante. Eles trabalham mais para melhorar os sistemas de prova para gerar circuitos de alto desempenho para inteligência artificial. Eles lançaram demos como Chess AI e Ethereum Price Prediction AI. Seu novo projeto de demonstração, zkMon, é o primeiro colecionável NFT de rede adversária generativa do mundo à prova de conhecimento zero.
Use LLM para analisar registros de transações
A análise de registros de transações geralmente é feita por aplicativos específicos, como o Debank. Analisar registros de transações manualmente por humanos é difícil. A análise manual envolve coleta de dados, limpeza de dados e análise de dados, o que exige que os usuários tenham habilidades de codificação. Devido à capacidade do LLM de analisar e visualizar dados, agora temos uma nova abordagem. Por meio do LLM, podemos analisar dados on-chain de acordo com necessidades personalizadas. Podemos analisar a taxa de vitórias, a taxa de desempenho ou qualquer informação que desejemos saber.
RSS3 desenvolveu um plug-in ChatGPT chamado Web3 User Activity para trabalhar nessa direção. Os usuários podem inserir o endereço da carteira, ENS ou Lens para consultar atividades na cadeia. Este plug-in produzirá informações de transação em um formato legível por humanos. Infelizmente, no entanto, ele não pode realizar consultas complexas, como quantos detentores de Azuki existem, quais contratos inteligentes são os mais populares etc. Os usuários também devem estar cientes de que os endereços e tags fornecidos pelos plug-ins não são necessariamente precisos.
DeFiLlama também lançou um plugin ChatGPT. Os usuários podem consultar quaisquer dados disponíveis no DeFiLlama em linguagem natural. Ele também pode executar operações simples de filtragem e classificação:
Dune também está integrando o GPT em seu produto para habilitar os seguintes recursos:
Interpretação da consulta: use o LLM para explicar as consultas
Tradução de consultas: use o LLM para traduzir outras linguagens SQL para DuneSQL
Consulta de linguagem natural: permite que os usuários escrevam consultas em linguagem natural
Pesquisa: melhore os resultados da pesquisa usando o LLM
Base de conhecimento do assistente: um chatbot que permite que os usuários se comuniquem com documentos
Aproveite o LLM para aumentar a segurança
Devido às suas capacidades de lógica e raciocínio, o LLM pode ser usado para filtrar algumas transações maliciosas e atuar como um firewall para contratos inteligentes. Aqui está um exemplo concreto de como bloquear a atividade do bot:
Depois de inserir o endereço, o LLM pode obter todos os dados da transação por meio de um plug-in de terceiros, analisar esses registros de transação e traçar a possibilidade de que o endereço seja um robô. Essa funcionalidade pode ser incorporada em Dapps onde bots não são bem-vindos, como vendas NFT.
Abaixo está um exemplo simples via ChatGPT. O ChatGPT recupera os registros de transações da conta por meio do plug-in de atividade do usuário Web3 desenvolvido pelo RSS3, analisa esses registros de transações e gera a possibilidade de que a conta seja um robô.
Se alimentarmos mais registros de transação e ajustarmos o LLM no conjunto de dados relacionado ao bot, poderemos obter resultados mais precisos. Abaixo está um exemplo de fluxo de trabalho para tal aplicativo. Também podemos adicionar camadas de cache e banco de dados para melhorar a capacidade de resposta e reduzir custos.
Escrever código usando LLM
O LLM é amplamente usado no desenvolvimento para ajudar os desenvolvedores a escrever códigos de maneira mais rápida e melhor. Sob a orientação do desenvolvedor, o LLM pode gerar código para eles. Atualmente, os desenvolvedores ainda precisam fornecer instruções detalhadas para o LLM. É difícil para o LLM gerar código automaticamente para todo o projeto.
Alguns modelos LLM populares para código incluem StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B e MPT 30 B.
Todos esses modelos podem ser usados para escrever contratos inteligentes, mas podem não ter sido treinados especificamente em dados de contratos inteligentes. Eles ainda têm espaço para melhorias.
Atualmente, há apenas um conjunto de dados relacionado a contratos inteligentes disponível no HuggingFace. É o conjunto dodger de contratos inteligentes auditados, contendo 113.000 contratos inteligentes. Ele pode ser usado para tarefas como classificação de texto, geração de texto e detecção de vulnerabilidade.
A geração automática de código pode ser mais promissora do que as ferramentas de desenvolvimento assistido. A geração automática de código é adequada para contratos inteligentes porque os contratos inteligentes são relativamente curtos e relativamente simples. Existem várias maneiras pelas quais o LLM pode ajudar os desenvolvedores a gerar código automaticamente no espaço blockchain.
teste
Primeiro, o LLM pode gerar testes para contratos inteligentes bem escritos. Por exemplo, o Codium pode gerar automaticamente testes para projetos escritos. Codium atualmente suporta JS e TS. O Codium começa entendendo a base de código, analisando cada função, docstring e comentário. O Codium grava a análise de código de volta no arquivo como comentários e gera um plano de teste. Os usuários podem selecionar seus testes preferidos e o Codium irá gerar o código de teste selecionado.
Outras ferramentas auxiliares também suportam a geração de testes para funções selecionadas.
Podemos replicar uma funcionalidade semelhante no GPT-4 seguindo etapas semelhantes.
Pedimos primeiro a análise de código porque queríamos que o LLM dedicasse mais tempo a essa tarefa. O LLM não sabe quais tarefas são difíceis. Ele gasta o mesmo poder de computação em cada marcador. Isso pode levar a resultados imprecisos em tarefas complexas. Com base nessas características, solicitamos a análise do código. Dessa forma, o LLM gastará mais tokens/tempo pensando nessas tarefas e produzirá resultados de maior qualidade. Este método também é conhecido como "cadeia de pensamento".
Para fazê-lo funcionar para contratos inteligentes mais longos, precisamos de um LLM com um contexto maior ou alguma engenharia para preservar a memória.
Gerar scripts auxiliares
Em segundo lugar, podemos usar o LLM para gerar automaticamente alguns scripts auxiliares, como scripts de implantação.
Os scripts de implantação reduzem possíveis erros durante as implantações manuais. A ideia é muito semelhante à geração automática de testes.
Bifurcação automática
Em um mercado em alta, haverá muitos projetos bifurcados em que as equipes fazem pequenas alterações de código em sua base de código original. Este seria um ótimo caso de uso para o LLM: o LLM pode ajudar os desenvolvedores a modificar automaticamente o código de acordo com as necessidades da equipe. Normalmente, apenas partes específicas do código precisam ser alteradas. Isso é relativamente fácil de conseguir para o LLM.
Geração automática de código
Se formos um passo além, o LLM pode gerar automaticamente contratos inteligentes de acordo com as necessidades dos desenvolvedores? Em comparação com outros softwares complexos escritos em JS, Rust e Python, os contratos inteligentes são relativamente curtos e relativamente simples. Não há muitas bibliotecas externas para contratos inteligentes. Descobrir como escrever um contrato inteligente é relativamente fácil para um LLM.
Já vimos algum progresso na geração automática de código. GPT-engenheiro é um dos pioneiros. Ele atende às necessidades do usuário e responde a quaisquer perguntas que o LLM possa ter, antes do início da codificação. O código também inclui um script que executa todo o projeto. O engenheiro GPT pode iniciar projetos automaticamente para desenvolvedores.
Depois que o usuário insere seus requisitos, o engenheiro GPT analisa os requisitos e solicita alguns esclarecimentos. Depois de coletar todas as informações necessárias, o GPT-engineer primeiro produzirá o design do programa, incluindo as principais classes, funções e métodos necessários para esta tarefa. O engenheiro GPT gerará o código para cada arquivo.
Com uma dica como essa, podemos gerar um contra contrato inteligente.
Os contratos inteligentes compilam e funcionam conforme o esperado.
Como o GPT-engineer foi originalmente projetado para Python, ele apresenta alguns problemas ao gerar o código relacionado ao Hardhat. O engenheiro GPT não está ciente da versão mais recente do Hardhat e, às vezes, gera scripts de teste e implantação desatualizados.
Se nosso código tiver bugs, podemos alimentar a base de código e os logs de erro do console para o LLM. O LLM pode modificar continuamente o código até que o código possa ser executado com sucesso. Vemos algo como ** [flo] (Esses projetos estão se desenvolvendo nessa direção. Atualmente, flo suporta apenas JS.
Se quisermos aumentar a precisão da geração de contratos inteligentes, podemos melhorar o GPT-engineer com algumas novas dicas. Podemos adotar um método de desenvolvimento orientado a testes, exigindo que o LLM garanta que o programa passe em determinados testes, para melhor restringir o programa gerado.
Use o LLM para ler o código
Como o LLM entende bem o código, podemos usar o LLM para escrever a documentação do desenvolvedor. O LLM também pode rastrear alterações de código para atualizar a documentação. Discutimos essa abordagem no final de nosso relatório de pesquisa anterior, Explorando a experiência do desenvolvedor em ZKRUs: uma análise detalhada.
A leitura da documentação é a maneira tradicional, mas a comunicação com o código é uma nova maneira. Os usuários podem fazer qualquer pergunta sobre o código e o LLM responderá. O LLM pode explicar o código para desenvolvedores e ajudá-los a entender rapidamente os contratos inteligentes na cadeia. O LLM também pode ajudar pessoas sem experiência em codificação a entender contratos inteligentes.
Já vimos essa tendência no mundo Web2. Muitas ferramentas de assistência de código possuem recursos de interpretação de código.
O Etherescan também demonstrou sua nova funcionalidade, permitindo que os usuários se comuniquem com código, aproveitando o poder do LLM.
Como a auditoria muda quando o código é entendido? Em experimentos sobre o artigo "você ainda precisa de uma auditoria manual de contrato inteligente", o LLM alcançou uma taxa de acerto de 40% na identificação de vulnerabilidades, superando as linhas de base aleatórias. No entanto, eles também têm uma alta taxa de falsos positivos. A solicitação apropriada é fundamental, observam os autores.
Além das dicas, os seguintes motivos limitam sua aplicação:
Os LLMs atuais não são treinados especificamente para esta finalidade. Os dados de treinamento podem não envolver a base de código do contrato inteligente e os relatórios de auditoria correspondentes.
Normalmente, os bugs mais sérios são problemas lógicos que consistem em diferentes funções. Atualmente, o LLM é limitado pelo número de tokens. O LLM não pode resolver problemas que tenham um contexto muito longo e exijam habilidade lógica.
Esses problemas não são difíceis de resolver. Grandes empresas de auditoria têm milhares de relatórios de auditoria que podem ser usados para ajustar o LLM. LLMs com grandes restrições de token estão surgindo. Claude tem um limite de 100.000 fichas. O recém-lançado LTM-1 tem um impressionante limite de 5 milhões de tokens. Por meio de esforços para resolver esses dois problemas, podemos ver os LLMs se tornarem melhores na identificação de vulnerabilidades. O LLM pode auxiliar os auditores e acelerar o processo de auditoria. Isso pode se desenvolver gradualmente. Aqui estão possíveis trajetórias de desenvolvimento:
Ajudar os auditores a organizar a linguagem e o formato dos relatórios. Isso garante consistência de linguagem sob a mesma empresa de auditoria. Freqüentemente, grupos diferentes podem ter vocabulários preferidos diferentes.
Ajude os auditores a identificar e verificar possíveis vulnerabilidades.
Gere automaticamente o rascunho do relatório de auditoria.
Use o LLM para ajudar a comunidade
A governança é uma parte crítica da comunidade. Os membros da comunidade têm o direito de votar em suas propostas favoritas. Essas propostas moldarão o futuro do produto.
Para propostas importantes, haverá muitas informações básicas e discussões da comunidade. É difícil para os membros da comunidade entender completamente esse contexto antes de votar. O LLM pode ajudar os membros da comunidade a entender rapidamente o impacto futuro de suas escolhas e ajudá-los a votar.
Os bots de resposta a perguntas são outra aplicação potencial. Vimos bots de perguntas e respostas com base na documentação do projeto. Podemos ir além para construir um banco de dados de conhecimento maior. Podemos conectar diferentes mídias e fontes, como apresentações, podcasts, GitHub, chats do Discord e Twitter Spaces. Os bots de perguntas e respostas existem não apenas na barra de pesquisa de documentação, mas também podem fornecer suporte instantâneo aos membros da comunidade no Discord ou divulgar a visão do projeto no Twitter e responder a quaisquer perguntas.
Atualmente, AwesomeQA está se desenvolvendo nessa direção. Ele implementa três funções:
Use a integração do ChatGPT para responder às perguntas dos membros da comunidade
Obtenha informações baseadas em dados com base em mensagens de membros da comunidade, como análise de perguntas frequentes
Descubra quais mensagens são importantes, como problemas não resolvidos
Uma das dificuldades atualmente enfrentadas pelos robôs respondedores de perguntas é como obter com precisão o contexto relevante do banco de dados de vetores e fornecer o contexto ao LLM. Por exemplo, se um usuário solicitar uma consulta com filtros em vários recursos para vários elementos, o robô pode não conseguir recuperar o contexto relevante do banco de dados de vetores.
Atualizar o banco de dados de vetores é outro problema. A solução atual é reconstruir o banco de dados de vetores ou atualizar o banco de dados de vetores por meio do namespace. Adicionar namespaces a incorporações é semelhante a anexar rótulos a dados. Isso ajuda os desenvolvedores a encontrar e atualizar as incorporações apropriadas com mais facilidade.
Use o LLM para rastrear o mercado
O mercado muda muito e muitas coisas acontecem todos os dias. Como KOL (Key Opinion Leaders) postando novas ideias e pensamentos, boletins informativos e e-mails de produtos chegando à sua caixa de entrada. O LLM pode selecionar as ideias e notícias mais importantes para você. Ele também resume o conteúdo para reduzir seu tempo de leitura e ajudá-lo a acompanhar a dinâmica do mercado.
minmax.ai é dedicado ao campo do jornalismo. Eles fornecem resumos das últimas notícias sobre um determinado tópico e também fornecem análises de sentimentos sobre esse tópico.
Reportagens chatas tiram o conteúdo sensacionalista das notícias e focam nos detalhes importantes para ajudar os leitores a tomar as decisões certas.
Robo-advisory é um dos campos mais quentes no momento. O LLM pode impulsionar o uso de robo-advice. O LLM pode fornecer recomendações de negociação e ajudar os usuários a gerenciar portfólios com base em informações sobre ações.
Projetos como Numer.ai usam IA para prever mercados e gerenciar fundos. Existem também carteiras geridas pela LLM. Os usuários podem seguir esses portfólios no Robinhood.
O Composer traz algoritmos de negociação com IA. A IA cria estratégias de negociação específicas com base nas percepções do usuário. A IA fará o backtest automático dessas estratégias de negociação. Se o usuário estiver satisfeito com as políticas, o Composer pode impor automaticamente essas políticas para o usuário.
Analisar projetos usando o LLM
Os projetos analíticos geralmente envolvem a leitura de grandes volumes de material e a redação de longos trabalhos de pesquisa. LLM pode ler e escrever parágrafos curtos. Se pudermos estender seus recursos para parágrafos longos, isso significa que o LLM pode, de alguma forma, produzir alguma pesquisa de projeto? Muito provavelmente sim. Podemos inserir white papers, documentos ou apresentações de eventos e permitir que o LLM analise projetos e fundadores. Limitado pelo número de tokens, podemos primeiro escrever o esboço do papel e, em seguida, atualizar e otimizar cada parte de acordo com as informações obtidas.
Projetos como o BabyAGI já estão avançando nessa direção. A seguir, uma amostra de saída do BlockAGI, uma variante do BabyAGI.
O LLM também pode analisar a personalidade do fundador com base no Twitter e falar em público. Por exemplo, o Tweet Analyzer pode pegar tweets recentes e usar o LLM para analisar características pessoais.
para concluir
Estas são oito direções específicas nas quais o LLM pode ajudar a comunidade blockchain em um futuro próximo:
Integre as funções integradas de AI/LLM no blockchain.
Use o LLM para analisar registros de transações.
Aumente a segurança com o LLM.
Escrever código usando LLM.
Use o LLM para ler o código.
Aproveite o LLM para ajudar a comunidade.
Use o LLM para rastrear o mercado.
Aplicar LLM para analisar projetos.
O LLM pode beneficiar todos os membros do espaço criptográfico, incluindo proprietários de projetos, analistas e engenheiros. Os fundadores podem usar o LLM para automatizar tarefas como documentação e perguntas e respostas. Os engenheiros podem usar o LLM para escrever códigos com mais rapidez e segurança. Os analistas podem pesquisar projetos com mais facilidade.
A longo prazo, também vemos uma oportunidade potencial de aplicar o LLM no espaço GameFi. O LLM pode gerar tarefas mais interessantes no jogo e desempenhar papéis diferentes no jogo. O mundo do jogo parecerá mais real e interessante. Os NPCs reagirão dinamicamente com base nas ações do jogador. As missões terão mais finais dependendo de como o usuário as resolve.
O LLM pode ser integrado a projetos existentes, mas também abre oportunidades para novos entrantes. Por exemplo, já existem alguns dos principais players no campo da análise de dados on-chain. Dune pode integrar o LLM para melhorar a experiência do usuário. No entanto, o LLM também apresenta oportunidades para novos participantes. Esses novos participantes podem colocar o LLM no centro do design de seus produtos. Esses produtos criativos centrados e liderados por IA podem trazer uma nova concorrência para o campo da análise de dados on-chain.
Há sobreposição nos usos do LLM nos mundos Web2 e Web3, mas eles podem implementar produtos de maneiras diferentes. Porque os dados que usamos no mundo Web3 não são iguais aos dados no mundo Web2. A base de conhecimento do LLM também pode ser diferente em Web2 e Web3. Os dados da Web3 envolvem blockchains, preços de tokens, tweets, projetos e pesquisas. Portanto, Web2 e Web3 requerem diferentes LLMs para atender aos usuários finais.
Devido ao boom do LLM, estamos vendo a crescente popularidade do AIxBlockchain. No entanto, muitos AIxBlockhains não são práticos por um curto período de tempo. Blockchain e provas de conhecimento zero não podem fornecer poder de computação em larga escala para treinamento e raciocínio para alguns modelos complexos. Modelos pequenos não podem resolver tarefas complexas. Uma abordagem mais prática é aplicar o LLM no domínio blockchain. O LLM fez recentemente um progresso maior do que outros tópicos de IA. Faz mais sentido combinar LLM e blockchain.
A comunidade LLM está trabalhando para melhorar os limites de token e aumentar a precisão da resposta. O que resta para a comunidade blockchain são fontes de dados e pipelines de dados. Os dados limpos podem ser usados para ajustar o LLM para melhorar a precisão no ambiente blockchain. Os pipelines de dados podem integrar mais aplicativos relacionados a blockchain no LLM e desenvolver mais agentes criptográficos específicos.
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
IOSG Ventures: Discussão aprofundada sobre a nova possibilidade de LLM para abrir a interação blockchain
Autor original: Yiping, IOSG Ventures
Bem-vindo ao segundo artigo da nossa série de pesquisa de modelo de linguagem grande (LLM) e blockchain. No artigo anterior, discutimos como integrar a tecnologia LLM e blockchain de um nível técnico e por que a estrutura LLM é muito adequada para o campo blockchain. Também descrevemos caminhos potenciais para integrar o LLM com blockchain no futuro.
Nesta postagem, faremos uma abordagem mais prática e mergulharemos em oito áreas de aplicação específicas que acreditamos que mudarão drasticamente a experiência do usuário de blockchain. Ainda mais empolgante, prevemos que esses aplicativos inovadores se tornarão realidade no próximo ano.
Junte-se a nós enquanto descobrimos o futuro da interação blockchain. Aqui está uma breve visão geral dos oito aplicativos que discutiremos:
Integração de recursos integrados de IA/LLM no blockchain
Usando LLM para analisar registros de transações
Aumente a segurança com o LLM
Escrever código com LLM
Leia o código com o LLM
Ajudando a comunidade com LLM
Implemente o LLM para rastrear o mercado
Aplicar LLM para analisar projetos
Integre recursos AI/LLM integrados ao blockchain
O blockchain terá funções e modelos de inteligência artificial integrados. Os desenvolvedores podem acessar as funções de AI para executar tarefas de ML de assinatura, como classificação, regressão, conclusão de texto e AIGC on-chain. Os desenvolvedores podem chamar essas funções de inteligência artificial por meio de contratos inteligentes.
Com esses recursos integrados, os desenvolvedores podem dar inteligência e autonomia aos seus contratos inteligentes. Classificação, regressão e AIGC são tarefas típicas de IA. Vamos ver a aplicação dessas funções no campo blockchain e alguns exemplos de projetos.
Classificação
A classificação pode ser usada para determinar se um endereço é um bot ou uma pessoa real. Isso pode mudar a situação atual das vendas de NFT. A classificação também pode melhorar a segurança do ecossistema DeFi. Os contratos inteligentes DeFi podem filtrar transações maliciosas e evitar a perda de fundos.
Regressão
A análise de regressão pode ser usada para previsão, aplicada ao gerenciamento de fundos e ativos. A Numer.ai já usa inteligência artificial para ajudá-los a administrar o dinheiro. Numer fornece dados do mercado de ações de alta qualidade nos quais os cientistas de dados trabalham e aplicam aprendizado de máquina para prever o mercado de ações.
AIGC
Muitos projetos NFT estão tentando construir um universo IP. No entanto, seu conteúdo limitado não pode suportar um universo. Se pudermos usar o AIGC na cadeia, podemos produzir inúmeros conteúdos com um estilo de marca icônico semelhante a um custo relativamente baixo. Os modelos podem produzir texto, ilustrações, música, som e até vídeo. Isso expande muito o tamanho do universo IP. Os participantes da comunidade podem ajustar coletivamente o modelo para atender às suas expectativas. O processo de sintonia fina também faz com que a comunidade se sinta envolvida.
Botto usa o modelo AIGC para gerar conteúdo artístico. A comunidade vota em suas imagens favoritas para ajustar coletivamente o modelo AIGC.
Se olharmos para o blockchain como um banco de dados, também descobrimos que o Databend incorpora recursos de inteligência artificial integrados em seu banco de dados. Eles fornecem as seguintes funções:
Forneça recursos de IA para o blockchain
Sabemos que alguns projetos estão trazendo recursos de IA para o blockchain.
Giza está trabalhando em ZKML. Ele gera provas de raciocínio off-chain e as verifica on-chain. Ele agora suporta blockchains compatíveis com a Ethereum Virtual Machine, bem como com a StarkNet. A Giza anunciou recentemente uma parceria com a Yearn.finance, por meio da qual a Yearn alavancará os recursos de inteligência artificial da Giza para aprimorar seus recursos de avaliação de risco.
A Modulus Labs também está trabalhando em uma direção semelhante. Eles trabalham mais para melhorar os sistemas de prova para gerar circuitos de alto desempenho para inteligência artificial. Eles lançaram demos como Chess AI e Ethereum Price Prediction AI. Seu novo projeto de demonstração, zkMon, é o primeiro colecionável NFT de rede adversária generativa do mundo à prova de conhecimento zero.
Use LLM para analisar registros de transações
A análise de registros de transações geralmente é feita por aplicativos específicos, como o Debank. Analisar registros de transações manualmente por humanos é difícil. A análise manual envolve coleta de dados, limpeza de dados e análise de dados, o que exige que os usuários tenham habilidades de codificação. Devido à capacidade do LLM de analisar e visualizar dados, agora temos uma nova abordagem. Por meio do LLM, podemos analisar dados on-chain de acordo com necessidades personalizadas. Podemos analisar a taxa de vitórias, a taxa de desempenho ou qualquer informação que desejemos saber.
RSS3 desenvolveu um plug-in ChatGPT chamado Web3 User Activity para trabalhar nessa direção. Os usuários podem inserir o endereço da carteira, ENS ou Lens para consultar atividades na cadeia. Este plug-in produzirá informações de transação em um formato legível por humanos. Infelizmente, no entanto, ele não pode realizar consultas complexas, como quantos detentores de Azuki existem, quais contratos inteligentes são os mais populares etc. Os usuários também devem estar cientes de que os endereços e tags fornecidos pelos plug-ins não são necessariamente precisos.
DeFiLlama também lançou um plugin ChatGPT. Os usuários podem consultar quaisquer dados disponíveis no DeFiLlama em linguagem natural. Ele também pode executar operações simples de filtragem e classificação:
Dune também está integrando o GPT em seu produto para habilitar os seguintes recursos:
Aproveite o LLM para aumentar a segurança
Devido às suas capacidades de lógica e raciocínio, o LLM pode ser usado para filtrar algumas transações maliciosas e atuar como um firewall para contratos inteligentes. Aqui está um exemplo concreto de como bloquear a atividade do bot:
Depois de inserir o endereço, o LLM pode obter todos os dados da transação por meio de um plug-in de terceiros, analisar esses registros de transação e traçar a possibilidade de que o endereço seja um robô. Essa funcionalidade pode ser incorporada em Dapps onde bots não são bem-vindos, como vendas NFT.
Abaixo está um exemplo simples via ChatGPT. O ChatGPT recupera os registros de transações da conta por meio do plug-in de atividade do usuário Web3 desenvolvido pelo RSS3, analisa esses registros de transações e gera a possibilidade de que a conta seja um robô.
Se alimentarmos mais registros de transação e ajustarmos o LLM no conjunto de dados relacionado ao bot, poderemos obter resultados mais precisos. Abaixo está um exemplo de fluxo de trabalho para tal aplicativo. Também podemos adicionar camadas de cache e banco de dados para melhorar a capacidade de resposta e reduzir custos.
Escrever código usando LLM
O LLM é amplamente usado no desenvolvimento para ajudar os desenvolvedores a escrever códigos de maneira mais rápida e melhor. Sob a orientação do desenvolvedor, o LLM pode gerar código para eles. Atualmente, os desenvolvedores ainda precisam fornecer instruções detalhadas para o LLM. É difícil para o LLM gerar código automaticamente para todo o projeto.
Alguns modelos LLM populares para código incluem StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B e MPT 30 B.
Todos esses modelos podem ser usados para escrever contratos inteligentes, mas podem não ter sido treinados especificamente em dados de contratos inteligentes. Eles ainda têm espaço para melhorias.
Atualmente, há apenas um conjunto de dados relacionado a contratos inteligentes disponível no HuggingFace. É o conjunto dodger de contratos inteligentes auditados, contendo 113.000 contratos inteligentes. Ele pode ser usado para tarefas como classificação de texto, geração de texto e detecção de vulnerabilidade.
A geração automática de código pode ser mais promissora do que as ferramentas de desenvolvimento assistido. A geração automática de código é adequada para contratos inteligentes porque os contratos inteligentes são relativamente curtos e relativamente simples. Existem várias maneiras pelas quais o LLM pode ajudar os desenvolvedores a gerar código automaticamente no espaço blockchain.
teste
Primeiro, o LLM pode gerar testes para contratos inteligentes bem escritos. Por exemplo, o Codium pode gerar automaticamente testes para projetos escritos. Codium atualmente suporta JS e TS. O Codium começa entendendo a base de código, analisando cada função, docstring e comentário. O Codium grava a análise de código de volta no arquivo como comentários e gera um plano de teste. Os usuários podem selecionar seus testes preferidos e o Codium irá gerar o código de teste selecionado.
Outras ferramentas auxiliares também suportam a geração de testes para funções selecionadas.
Podemos replicar uma funcionalidade semelhante no GPT-4 seguindo etapas semelhantes.
Pedimos primeiro a análise de código porque queríamos que o LLM dedicasse mais tempo a essa tarefa. O LLM não sabe quais tarefas são difíceis. Ele gasta o mesmo poder de computação em cada marcador. Isso pode levar a resultados imprecisos em tarefas complexas. Com base nessas características, solicitamos a análise do código. Dessa forma, o LLM gastará mais tokens/tempo pensando nessas tarefas e produzirá resultados de maior qualidade. Este método também é conhecido como "cadeia de pensamento".
Para fazê-lo funcionar para contratos inteligentes mais longos, precisamos de um LLM com um contexto maior ou alguma engenharia para preservar a memória.
Gerar scripts auxiliares
Em segundo lugar, podemos usar o LLM para gerar automaticamente alguns scripts auxiliares, como scripts de implantação.
Os scripts de implantação reduzem possíveis erros durante as implantações manuais. A ideia é muito semelhante à geração automática de testes.
Bifurcação automática
Em um mercado em alta, haverá muitos projetos bifurcados em que as equipes fazem pequenas alterações de código em sua base de código original. Este seria um ótimo caso de uso para o LLM: o LLM pode ajudar os desenvolvedores a modificar automaticamente o código de acordo com as necessidades da equipe. Normalmente, apenas partes específicas do código precisam ser alteradas. Isso é relativamente fácil de conseguir para o LLM.
Geração automática de código
Se formos um passo além, o LLM pode gerar automaticamente contratos inteligentes de acordo com as necessidades dos desenvolvedores? Em comparação com outros softwares complexos escritos em JS, Rust e Python, os contratos inteligentes são relativamente curtos e relativamente simples. Não há muitas bibliotecas externas para contratos inteligentes. Descobrir como escrever um contrato inteligente é relativamente fácil para um LLM.
Já vimos algum progresso na geração automática de código. GPT-engenheiro é um dos pioneiros. Ele atende às necessidades do usuário e responde a quaisquer perguntas que o LLM possa ter, antes do início da codificação. O código também inclui um script que executa todo o projeto. O engenheiro GPT pode iniciar projetos automaticamente para desenvolvedores.
Depois que o usuário insere seus requisitos, o engenheiro GPT analisa os requisitos e solicita alguns esclarecimentos. Depois de coletar todas as informações necessárias, o GPT-engineer primeiro produzirá o design do programa, incluindo as principais classes, funções e métodos necessários para esta tarefa. O engenheiro GPT gerará o código para cada arquivo.
Com uma dica como essa, podemos gerar um contra contrato inteligente.
Os contratos inteligentes compilam e funcionam conforme o esperado.
Como o GPT-engineer foi originalmente projetado para Python, ele apresenta alguns problemas ao gerar o código relacionado ao Hardhat. O engenheiro GPT não está ciente da versão mais recente do Hardhat e, às vezes, gera scripts de teste e implantação desatualizados.
Se nosso código tiver bugs, podemos alimentar a base de código e os logs de erro do console para o LLM. O LLM pode modificar continuamente o código até que o código possa ser executado com sucesso. Vemos algo como ** [flo] (Esses projetos estão se desenvolvendo nessa direção. Atualmente, flo suporta apenas JS.
Se quisermos aumentar a precisão da geração de contratos inteligentes, podemos melhorar o GPT-engineer com algumas novas dicas. Podemos adotar um método de desenvolvimento orientado a testes, exigindo que o LLM garanta que o programa passe em determinados testes, para melhor restringir o programa gerado.
Use o LLM para ler o código
Como o LLM entende bem o código, podemos usar o LLM para escrever a documentação do desenvolvedor. O LLM também pode rastrear alterações de código para atualizar a documentação. Discutimos essa abordagem no final de nosso relatório de pesquisa anterior, Explorando a experiência do desenvolvedor em ZKRUs: uma análise detalhada.
A leitura da documentação é a maneira tradicional, mas a comunicação com o código é uma nova maneira. Os usuários podem fazer qualquer pergunta sobre o código e o LLM responderá. O LLM pode explicar o código para desenvolvedores e ajudá-los a entender rapidamente os contratos inteligentes na cadeia. O LLM também pode ajudar pessoas sem experiência em codificação a entender contratos inteligentes.
Já vimos essa tendência no mundo Web2. Muitas ferramentas de assistência de código possuem recursos de interpretação de código.
O Etherescan também demonstrou sua nova funcionalidade, permitindo que os usuários se comuniquem com código, aproveitando o poder do LLM.
Como a auditoria muda quando o código é entendido? Em experimentos sobre o artigo "você ainda precisa de uma auditoria manual de contrato inteligente", o LLM alcançou uma taxa de acerto de 40% na identificação de vulnerabilidades, superando as linhas de base aleatórias. No entanto, eles também têm uma alta taxa de falsos positivos. A solicitação apropriada é fundamental, observam os autores.
Além das dicas, os seguintes motivos limitam sua aplicação:
Esses problemas não são difíceis de resolver. Grandes empresas de auditoria têm milhares de relatórios de auditoria que podem ser usados para ajustar o LLM. LLMs com grandes restrições de token estão surgindo. Claude tem um limite de 100.000 fichas. O recém-lançado LTM-1 tem um impressionante limite de 5 milhões de tokens. Por meio de esforços para resolver esses dois problemas, podemos ver os LLMs se tornarem melhores na identificação de vulnerabilidades. O LLM pode auxiliar os auditores e acelerar o processo de auditoria. Isso pode se desenvolver gradualmente. Aqui estão possíveis trajetórias de desenvolvimento:
Ajudar os auditores a organizar a linguagem e o formato dos relatórios. Isso garante consistência de linguagem sob a mesma empresa de auditoria. Freqüentemente, grupos diferentes podem ter vocabulários preferidos diferentes.
Ajude os auditores a identificar e verificar possíveis vulnerabilidades.
Gere automaticamente o rascunho do relatório de auditoria.
Use o LLM para ajudar a comunidade
A governança é uma parte crítica da comunidade. Os membros da comunidade têm o direito de votar em suas propostas favoritas. Essas propostas moldarão o futuro do produto.
Para propostas importantes, haverá muitas informações básicas e discussões da comunidade. É difícil para os membros da comunidade entender completamente esse contexto antes de votar. O LLM pode ajudar os membros da comunidade a entender rapidamente o impacto futuro de suas escolhas e ajudá-los a votar.
Os bots de resposta a perguntas são outra aplicação potencial. Vimos bots de perguntas e respostas com base na documentação do projeto. Podemos ir além para construir um banco de dados de conhecimento maior. Podemos conectar diferentes mídias e fontes, como apresentações, podcasts, GitHub, chats do Discord e Twitter Spaces. Os bots de perguntas e respostas existem não apenas na barra de pesquisa de documentação, mas também podem fornecer suporte instantâneo aos membros da comunidade no Discord ou divulgar a visão do projeto no Twitter e responder a quaisquer perguntas.
Atualmente, AwesomeQA está se desenvolvendo nessa direção. Ele implementa três funções:
Uma das dificuldades atualmente enfrentadas pelos robôs respondedores de perguntas é como obter com precisão o contexto relevante do banco de dados de vetores e fornecer o contexto ao LLM. Por exemplo, se um usuário solicitar uma consulta com filtros em vários recursos para vários elementos, o robô pode não conseguir recuperar o contexto relevante do banco de dados de vetores.
Atualizar o banco de dados de vetores é outro problema. A solução atual é reconstruir o banco de dados de vetores ou atualizar o banco de dados de vetores por meio do namespace. Adicionar namespaces a incorporações é semelhante a anexar rótulos a dados. Isso ajuda os desenvolvedores a encontrar e atualizar as incorporações apropriadas com mais facilidade.
Use o LLM para rastrear o mercado
O mercado muda muito e muitas coisas acontecem todos os dias. Como KOL (Key Opinion Leaders) postando novas ideias e pensamentos, boletins informativos e e-mails de produtos chegando à sua caixa de entrada. O LLM pode selecionar as ideias e notícias mais importantes para você. Ele também resume o conteúdo para reduzir seu tempo de leitura e ajudá-lo a acompanhar a dinâmica do mercado.
minmax.ai é dedicado ao campo do jornalismo. Eles fornecem resumos das últimas notícias sobre um determinado tópico e também fornecem análises de sentimentos sobre esse tópico.
Reportagens chatas tiram o conteúdo sensacionalista das notícias e focam nos detalhes importantes para ajudar os leitores a tomar as decisões certas.
Robo-advisory é um dos campos mais quentes no momento. O LLM pode impulsionar o uso de robo-advice. O LLM pode fornecer recomendações de negociação e ajudar os usuários a gerenciar portfólios com base em informações sobre ações.
Projetos como Numer.ai usam IA para prever mercados e gerenciar fundos. Existem também carteiras geridas pela LLM. Os usuários podem seguir esses portfólios no Robinhood.
O Composer traz algoritmos de negociação com IA. A IA cria estratégias de negociação específicas com base nas percepções do usuário. A IA fará o backtest automático dessas estratégias de negociação. Se o usuário estiver satisfeito com as políticas, o Composer pode impor automaticamente essas políticas para o usuário.
Analisar projetos usando o LLM
Os projetos analíticos geralmente envolvem a leitura de grandes volumes de material e a redação de longos trabalhos de pesquisa. LLM pode ler e escrever parágrafos curtos. Se pudermos estender seus recursos para parágrafos longos, isso significa que o LLM pode, de alguma forma, produzir alguma pesquisa de projeto? Muito provavelmente sim. Podemos inserir white papers, documentos ou apresentações de eventos e permitir que o LLM analise projetos e fundadores. Limitado pelo número de tokens, podemos primeiro escrever o esboço do papel e, em seguida, atualizar e otimizar cada parte de acordo com as informações obtidas.
Projetos como o BabyAGI já estão avançando nessa direção. A seguir, uma amostra de saída do BlockAGI, uma variante do BabyAGI.
O LLM também pode analisar a personalidade do fundador com base no Twitter e falar em público. Por exemplo, o Tweet Analyzer pode pegar tweets recentes e usar o LLM para analisar características pessoais.
para concluir
Estas são oito direções específicas nas quais o LLM pode ajudar a comunidade blockchain em um futuro próximo:
Integre as funções integradas de AI/LLM no blockchain.
Use o LLM para analisar registros de transações.
Aumente a segurança com o LLM.
Escrever código usando LLM.
Use o LLM para ler o código.
Aproveite o LLM para ajudar a comunidade.
Use o LLM para rastrear o mercado.
Aplicar LLM para analisar projetos.
O LLM pode beneficiar todos os membros do espaço criptográfico, incluindo proprietários de projetos, analistas e engenheiros. Os fundadores podem usar o LLM para automatizar tarefas como documentação e perguntas e respostas. Os engenheiros podem usar o LLM para escrever códigos com mais rapidez e segurança. Os analistas podem pesquisar projetos com mais facilidade.
A longo prazo, também vemos uma oportunidade potencial de aplicar o LLM no espaço GameFi. O LLM pode gerar tarefas mais interessantes no jogo e desempenhar papéis diferentes no jogo. O mundo do jogo parecerá mais real e interessante. Os NPCs reagirão dinamicamente com base nas ações do jogador. As missões terão mais finais dependendo de como o usuário as resolve.
O LLM pode ser integrado a projetos existentes, mas também abre oportunidades para novos entrantes. Por exemplo, já existem alguns dos principais players no campo da análise de dados on-chain. Dune pode integrar o LLM para melhorar a experiência do usuário. No entanto, o LLM também apresenta oportunidades para novos participantes. Esses novos participantes podem colocar o LLM no centro do design de seus produtos. Esses produtos criativos centrados e liderados por IA podem trazer uma nova concorrência para o campo da análise de dados on-chain.
Há sobreposição nos usos do LLM nos mundos Web2 e Web3, mas eles podem implementar produtos de maneiras diferentes. Porque os dados que usamos no mundo Web3 não são iguais aos dados no mundo Web2. A base de conhecimento do LLM também pode ser diferente em Web2 e Web3. Os dados da Web3 envolvem blockchains, preços de tokens, tweets, projetos e pesquisas. Portanto, Web2 e Web3 requerem diferentes LLMs para atender aos usuários finais.
Devido ao boom do LLM, estamos vendo a crescente popularidade do AIxBlockchain. No entanto, muitos AIxBlockhains não são práticos por um curto período de tempo. Blockchain e provas de conhecimento zero não podem fornecer poder de computação em larga escala para treinamento e raciocínio para alguns modelos complexos. Modelos pequenos não podem resolver tarefas complexas. Uma abordagem mais prática é aplicar o LLM no domínio blockchain. O LLM fez recentemente um progresso maior do que outros tópicos de IA. Faz mais sentido combinar LLM e blockchain.
A comunidade LLM está trabalhando para melhorar os limites de token e aumentar a precisão da resposta. O que resta para a comunidade blockchain são fontes de dados e pipelines de dados. Os dados limpos podem ser usados para ajustar o LLM para melhorar a precisão no ambiente blockchain. Os pipelines de dados podem integrar mais aplicativos relacionados a blockchain no LLM e desenvolver mais agentes criptográficos específicos.