Ласкаво просимо до другої статті нашої великої мовної моделі (LLM) і серії досліджень блокчейну. У попередній статті ми обговорювали, як інтегрувати LLM і технологію блокчейн на технічному рівні, і чому структура LLM дуже підходить для сфери блокчейну. Ми також окреслюємо потенційні шляхи інтеграції LLM з блокчейном у майбутньому.
У цій публікації ми розглянемо більш практичний підхід і заглибимося у вісім конкретних областей застосування, які, на нашу думку, кардинально змінять досвід користувача блокчейну. Що ще більш цікаво, ми прогнозуємо, що ці проривні програми стануть реальністю протягом наступного року.
Приєднуйтесь до нас, коли ми відкриваємо майбутнє взаємодії блокчейну. Ось короткий огляд восьми програм, які ми будемо обговорювати:
Інтеграція вбудованих можливостей AI/LLM у блокчейн
Використання LLM для аналізу записів транзакцій
Підвищте безпеку за допомогою LLM
Напишіть код за допомогою LLM
Читайте код за допомогою LLM
Допомога спільноті з LLM
Впровадити LLM для відстеження ринку
Застосуйте LLM для аналізу проектів
Інтегруйте вбудовані можливості AI/LLM у блокчейн
Блокчейн матиме вбудовані функції та моделі штучного інтелекту. Розробники можуть отримати доступ до функцій штучного інтелекту для виконання характерних завдань машинного навчання, таких як класифікація, регресія, доповнення тексту та AIGC у мережі. Розробники можуть викликати ці функції штучного інтелекту за допомогою смарт-контрактів.
Завдяки цим вбудованим функціям розробники можуть надати інтелектуальності та автономності своїм смарт-контрактам. Класифікація, регресія та AIGC є типовими завданнями ШІ. Давайте подивимося застосування цих функцій у сфері блокчейну та кілька прикладів проектів.
Класифікація
За допомогою класифікації можна визначити, чи є адреса ботом чи реальною особою. Це може змінити поточну ситуацію з продажами NFT. Класифікація також може покращити безпеку екосистеми DeFi. Розумні контракти DeFi можуть фільтрувати зловмисні транзакції та запобігати втраті коштів.
Регресія
Регресійний аналіз можна використовувати для прогнозування, застосовувати до управління фондами та активами. Numer.ai вже використовує штучний інтелект, щоб допомогти їм управляти грошима. Numer надає високоякісні дані фондового ринку, над якими працюють дослідники даних і застосовують машинне навчання для прогнозування фондового ринку.
AIGC
Багато проектів NFT намагаються побудувати IP-всесвіт. Однак їх обмежений вміст не може підтримувати всесвіт. Якщо ми можемо використовувати AIGC у ланцюжку, ми можемо виводити незліченну кількість контенту з подібним культовим стилем бренду за відносно низькою ціною. Моделі можуть виводити текст, ілюстрації, музику, звук і навіть відео. Це значно розширює розмір всесвіту IP. Учасники спільноти можуть колективно налаштувати модель відповідно до своїх очікувань. Процес тонкого налаштування також змушує спільноту відчувати себе залученою.
Botto використовує модель AIGC для створення художнього контенту. Спільнота голосує за свої улюблені зображення, щоб колективно налаштувати модель AIGC.
Якщо розглядати блокчейн як базу даних, ми також виявимо, що Databend включає в свою базу даних вбудовані можливості штучного інтелекту. Вони забезпечують такі функції:
ai_embedding_vector: генерувати вектори вбудовування для текстових документів.
ai_text_completion: генерувати завершення тексту на основі наданої підказки.
cosine_distance: обчислює косинусну відстань між двома вкладеними векторами.
ai_to_sql: конвертувати інструкції природною мовою в запити SQL.
Надайте можливості ШІ для блокчейну
Ми знаємо, що деякі проекти привносять можливості ШІ в блокчейн.
Гіза працює над ZKML. Він генерує аргументовані докази поза мережею та перевіряє їх у мережі. Тепер він підтримує блокчейни, сумісні з віртуальною машиною Ethereum, а також StarkNet. Giza нещодавно оголосила про партнерство з Yearn.finance, згідно з яким Yearn використовуватиме можливості штучного інтелекту Giza для покращення своїх можливостей оцінки ризиків.
Modulus Labs також працює в подібному напрямку. Вони більше працюють над вдосконаленням систем перевірки, щоб створювати високопродуктивні схеми для штучного інтелекту. Вони випустили демонстраційні версії, такі як Chess AI та Ethereum Price Prediction AI. Їхній новий демонстраційний проект, zkMon, є першим у світі предметом колекціонування Generative Adversarial Network NFT, який не має жодних знань.
Використовуйте LLM для аналізу записів транзакцій
Аналіз записів транзакцій зазвичай виконується спеціальними програмами, наприклад Debank. Людям важко аналізувати записи транзакцій вручну. Аналіз вручну передбачає збір, очищення та аналіз даних, що вимагає від користувачів навичок програмування. Завдяки здатності LLM аналізувати та візуалізувати дані, ми тепер маємо новий підхід. За допомогою LLM ми можемо аналізувати дані в мережі відповідно до індивідуальних потреб. Ми можемо аналізувати коефіцієнт виграшу, коефіцієнт продуктивності або іншу інформацію, яку ми хочемо знати.
Для роботи в цьому напрямку RSS3 розробив плагін ChatGPT під назвою Web3 User Activity. Користувачі можуть вводити адресу гаманця, ENS або Lens, щоб запитувати дії в мережі. Цей плагін виводить інформацію про транзакції у формі, зрозумілій людині. На жаль, він не може виконувати складні запити, наприклад, скільки є власників Azuki, які смарт-контракти є найпопулярнішими тощо. Користувачі також повинні знати, що адреси та теги, надані плагінами, не обов’язково точні.
DeFiLlama також випустила плагін ChatGPT. Користувачі можуть запитувати будь-які дані, доступні на DeFiLlama, природною мовою. Він також може виконувати прості операції фільтрації та сортування:
Dune також інтегрує GPT у свій продукт, щоб забезпечити такі можливості:
Інтерпретація запитів: використовуйте LLM для пояснення запитів
Переклад запитів: використовуйте LLM для перекладу інших мов SQL на DuneSQL
Запит природною мовою: дозволяє користувачам писати запити природною мовою
Пошук: покращуйте результати пошуку за допомогою LLM
База знань майстра: чат-бот, який дозволяє користувачам спілкуватися з документами
Використовуйте LLM для підвищення безпеки
Завдяки своїм можливостям логіки та аргументації LLM можна використовувати для фільтрації деяких зловмисних транзакцій і діяти як брандмауер для смарт-контрактів. Ось конкретний приклад блокування активності бота:
Після введення адреси LLM може отримати всі дані про транзакції за допомогою стороннього плагіна, потім проаналізувати ці записи транзакцій і визначити ймовірність того, що адреса є роботом. Цю функцію можна вбудувати в Dapps, де боти не вітаються, наприклад, продажі NFT.
Нижче наведено простий приклад через ChatGPT. ChatGPT отримує записи про транзакції облікового запису через плагін активності користувача Web3, розроблений RSS3, потім аналізує ці записи про транзакції та виводить можливість того, що обліковий запис є роботом.
Якщо ми подамо більше записів про транзакції та точно налаштуємо LLM на набір даних, пов’язаних із роботом, ми зможемо досягти більш точних результатів. Нижче наведено приклад робочого процесу для такої програми. Ми також можемо додати рівні кешування та бази даних, щоб покращити швидкість реагування та зменшити витрати.
Напишіть код за допомогою LLM
LLM широко використовується в розробці, щоб допомогти розробникам писати код швидше та краще. За вказівкою розробника LLM може згенерувати для них код. Наразі розробникам ще потрібно надати детальні інструкції для LLM. LLM важко автоматично генерувати код для всього проекту.
Деякі популярні моделі LLM для коду включають StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B і MPT 30 B.
Усі ці моделі можна використовувати для написання смарт-контрактів, але вони, можливо, не були навчені спеціально для даних смарт-контрактів. Їм ще є куди вдосконалюватися.
Зараз на HuggingFace доступний лише один набір даних, пов’язаний зі смарт-контрактами. Це набір перевірених смарт-контрактів, який містить 113 000 смарт-контрактів. Його можна використовувати для таких завдань, як класифікація тексту, генерація тексту та виявлення вразливостей.
Автоматична генерація коду може бути більш перспективною, ніж інструменти допоміжної розробки. Автоматична генерація коду підходить для смарт-контрактів, оскільки смарт-контракти відносно короткі та відносно прості. Є кілька способів, за допомогою яких LLM може допомогти розробникам автоматично генерувати код у просторі блокчейну.
тест
По-перше, LLM може генерувати тести для добре написаних смарт-контрактів. Наприклад, Codium може автоматично створювати тести для письмових проектів. Наразі Codium підтримує JS і TS. Codium починає з розуміння кодової бази, аналізу кожної функції, рядка документації та коментаря. Потім Codium записує аналіз коду назад у файл як коментарі та виводить план тестування. Користувачі можуть вибрати бажані тести, і Codium згенерує вибраний тестовий код.
Інші допоміжні інструменти також підтримують генерацію тестів для вибраних функцій.
Ми можемо відтворити подібні функції на GPT-4, виконавши подібні дії.
Спочатку ми попросили аналіз коду, тому що хотіли, щоб LLM витрачав більше часу на це завдання. LLM не знає, які завдання є складними. Він витрачає однакову обчислювальну потужність на кожен маркер. Це може призвести до неточних результатів складних завдань. На основі цих характеристик ми запитуємо аналіз коду. Таким чином LLM витратить більше токенів/часу на роздуми про ці завдання та виведе результати вищої якості. Цей метод також відомий як «ланцюжок мислення».
Щоб це працювало для більш довгих смарт-контрактів, нам потрібен LLM із більшим контекстом або певна інженерія для збереження пам’яті.
Створення допоміжних сценаріїв
По-друге, ми можемо використовувати LLM для автоматичного створення деяких допоміжних сценаріїв, наприклад сценаріїв розгортання.
Сценарії розгортання зменшують можливі помилки під час розгортання вручну. Ідея дуже схожа на автоматичне генерування тестів.
Автоматичне розгалуження
На зростаючому ринку буде багато розгалужених проектів, де команди вносять невеликі зміни в код своєї початкової кодової бази. Це було б чудовим варіантом використання LLM: LLM може допомогти розробникам автоматично змінювати код відповідно до потреб команди. Зазвичай потрібно змінити лише певні частини коду. Це відносно легко досягти для LLM.
Автоматична генерація коду
Якщо ми підемо ще далі, чи може LLM автоматично генерувати смарт-контракти відповідно до потреб розробників? У порівнянні з іншим складним програмним забезпеченням, написаним на JS, Rust і Python, смарт-контракти відносно короткі та відносно прості. Зовнішніх бібліотек для смарт-контрактів небагато. З’ясувати, як написати смарт-контракт, для LLM відносно легко.
Ми вже побачили певний прогрес у автоматичному створенні коду. GPT-engineer є одним із піонерів. Він задовольняє потреби користувача та відповідає на будь-які запитання, які можуть виникнути у LLM, до початку кодування. Код також містить сценарій, який запускає весь проект. GPT-інженер може автоматично запускати проекти для розробників.
Після того, як користувач вводить свої вимоги, GPT-інженер аналізує вимоги та запитує деякі пояснення. Після збору всієї необхідної інформації GPT-інженер спочатку виведе дизайн програми, включаючи основні класи, функції та методи, необхідні для цього завдання. Потім GPT-інженер згенерує код для кожного файлу.
За допомогою такої підказки ми можемо створити лічильник смарт-контрактів.
Розумні контракти складаються та працюють, як очікувалося.
Оскільки GPT-engineer спочатку був розроблений для Python, він має деякі проблеми з генеруванням коду, пов’язаного з Hardhat. GPT-інженер не знає про останню версію Hardhat і іноді створює застарілі сценарії тестування та розгортання.
Якщо в нашому коді є помилки, ми можемо передати журнали помилок кодової бази та консолі в LLM. LLM може безперервно змінювати код, доки він не запуститься успішно. Ми бачимо щось на зразок ** [flo] (Такі проекти розвиваються в цьому напрямку. Зараз flo підтримує тільки JS.
Якщо ми хочемо підвищити точність генерації смарт-контрактів, ми можемо вдосконалити GPT-інженер за допомогою нових підказок. Ми можемо прийняти метод розробки, керований тестуванням, вимагаючи від LLM переконатися, що програма проходить певні тести, щоб краще обмежити згенеровану програму.
Використовуйте LLM для читання коду
Оскільки LLM добре розуміє код, ми можемо використовувати LLM для написання документації для розробників. LLM також може відстежувати зміни коду для оновлення документації. Ми обговорювали цей підхід наприкінці нашого попереднього дослідницького звіту «Дослідження досвіду розробників щодо ZKRU: поглиблений аналіз».
Читання документації є традиційним способом, але спілкування з кодом є новим способом. Користувачі можуть задавати будь-які запитання щодо коду, і LLM відповість на них. LLM може пояснити код для розробників і допомогти їм швидко зрозуміти розумні контракти в ланцюжку. LLM також може допомогти людям без досвіду кодування зрозуміти розумні контракти.
Ми вже бачили цю тенденцію у світі Web2. Багато інструментів допомоги коду мають можливості інтерпретації коду.
Etherescan також продемонстрував свою нову функціональність, дозволяючи користувачам спілкуватися з кодом, використовуючи потужність LLM.
Як аудит змінюється, коли код розуміється? Під час експериментів на тему «Чи потрібен вам ручний аудит смарт-контракту», LLM досяг 40% показника виявлення вразливостей, перевершивши випадкові базові показники. Однак вони також мають високий рівень помилкових спрацьовувань. Автори зазначають, що відповідна підказка є ключовою.
Крім підказок, наступні причини обмежують його застосування:
Нинішні магістратури не проходять спеціальної підготовки для цієї мети. Навчальні дані можуть не включати базу коду смарт-контракту та відповідні аудиторські звіти.
Зазвичай найбільш серйозними помилками є логічні проблеми, що складаються з різних функцій. LLM наразі обмежена кількістю токенів. LLM не може вирішити проблеми, які мають дуже довгий контекст і вимагають логічних здібностей.
Ці проблеми не важко вирішити. Великі аудиторські фірми мають тисячі аудиторських звітів, які можна використовувати для точного налаштування LLM. З’являються LLM з великими обмеженнями токенів. Клод має обмеження в 100 000 токенів. Нещодавно випущений LTM-1 має вражаючий ліміт у 5 мільйонів токенів. Завдяки зусиллям, спрямованим на вирішення цих двох проблем, ми можемо побачити, що LLMs стануть кращими у визначенні вразливостей. LLM може допомогти аудиторам і прискорити процес аудиту. Це може розвиватися поступово. Ось можливі траєкторії розвитку:
Допоможіть аудиторам організувати мову та формат звітів. Це забезпечує узгодженість мови в одній аудиторській фірмі. Часто різні групи можуть мати різний словниковий запас.
Допомогти аудиторам виявити та перевірити потенційні вразливості.
Автоматично генерувати проект звіту про аудит.
Використовуйте LLM, щоб допомогти спільноті
Управління є важливою частиною спільноти. Учасники спільноти мають право голосувати за свої улюблені пропозиції. Ці пропозиції формуватимуть майбутнє продукту.
Для важливих пропозицій буде багато довідкової інформації та обговорення спільноти. Членам спільноти важко повністю зрозуміти цей контекст до голосування. LLM може допомогти членам спільноти швидко зрозуміти майбутній вплив їхнього вибору та допомогти їм проголосувати.
Ще одним потенційним застосуванням є боти, які відповідають на питання. Ми бачили ботів Q&A на основі проектної документації. Ми можемо піти далі, щоб створити більшу базу даних знань. Ми можемо підключати різні медіа та джерела, як-от презентації, подкасти, GitHub, чати Discord і Twitter Spaces. Боти із запитаннями й відповідями існують не лише в панелі пошуку документації, але й можуть надавати миттєву підтримку учасникам спільноти на Discord або поширювати бачення проекту в Twitter і відповідати на будь-які запитання.
Зараз AwesomeQA розвивається в цьому напрямку. Він реалізує три функції:
Використовуйте інтеграцію ChatGPT, щоб відповідати на запитання учасників спільноти
Отримуйте статистику на основі даних на основі повідомлень від учасників спільноти, як-от аналіз поширених запитань
Дізнайтеся, які повідомлення є важливими, як-от невирішені проблеми
Однією з труднощів, з якою зараз стикаються роботи, що відповідають на питання, є те, як точно отримати релевантний контекст із векторної бази даних і надати контекст LLM. Наприклад, якщо користувач запитує запит із фільтрами кількох функцій для кількох елементів, робот може не мати змоги отримати відповідний контекст із векторної бази даних.
Інше питання – оновлення векторної бази даних. Поточне рішення — перебудувати векторну базу даних або оновити векторну базу даних через простір імен. Додавання просторів імен до вбудовування подібне до приєднання міток до даних. Це допомагає розробникам легше знаходити та оновлювати відповідні вбудовування.
Використовуйте LLM для відстеження ринку
Ринок сильно змінюється, і щодня відбувається багато речей. Як KOL (Ключові лідери думок), які публікують нові ідеї та міркування, інформаційні бюлетені та електронні листи про продукти надходять у вашу скриньку. LLM може вибрати для вас найважливіші ідеї та новини. Він також узагальнює вміст, щоб скоротити час читання та допомогти вам йти в ногу з динамікою ринку.
minmax.ai присвячений сфері журналістики. Вони надають короткий огляд останніх новин на певну тему, а також надають аналіз настроїв щодо цієї теми.
Нудні звіти вилучають із новин сенсаційний вміст і зосереджуються на важливих деталях, щоб допомогти читачам прийняти правильні рішення.
Робо-консультації зараз є однією з найпопулярніших сфер. LLM може стимулювати використання робо-порад. LLM може надати торгові рекомендації та допомогти користувачам керувати портфелями на основі інформації про біржі.
Такі проекти, як Numer.ai, використовують ШІ для прогнозування ринків і управління коштами. Є також портфелі, якими керує LLM. Користувачі можуть стежити за цими портфоліо на Robinhood.
Composer пропонує алгоритми торгівлі за допомогою ШІ. ШІ будує конкретні торгові стратегії на основі інформації користувачів. Потім ШІ автоматично перевірить ці торгові стратегії. Якщо користувач задоволений політиками, Composer може автоматично застосувати ці політики для користувача.
Аналізуйте проекти за допомогою LLM
Аналітичні проекти часто передбачають читання великих обсягів матеріалу та написання довгих наукових робіт. LLM може читати та писати короткі абзаци. Якщо ми можемо розширити його можливості до довгих абзаців, чи означає це, що LLM може якось виводити деякі дослідження проекту? Швидше за все так. Ми можемо вводити офіційні документи, документи чи презентації подій і дозволяти LLM аналізувати проекти та засновників. Обмежуючись кількістю токенів, ми можемо спочатку написати схему статті, а потім оновити й оптимізувати кожну частину відповідно до отриманої інформації.
Такі проекти, як BabyAGI, вже прогресують у цьому напрямку. Нижче наведено зразок вихідних даних BlockAGI, варіанту BabyAGI.
LLM також може аналізувати особистість засновника на основі Twitter та публічних виступів. Наприклад, Tweet Analyzer може брати останні твіти та використовувати LLM для аналізу особистих рис.
на завершення
Ось вісім конкретних напрямків, у яких LLM може допомогти спільноті блокчейнів у найближчому майбутньому:
Інтегруйте вбудовані функції AI/LLM у блокчейн.
Використовуйте LLM для аналізу записів транзакцій.
Підвищте безпеку за допомогою LLM.
Напишіть код за допомогою LLM.
Використовуйте LLM для читання коду.
Використовуйте LLM для допомоги громаді.
Використовуйте LLM для відстеження ринку.
Застосуйте LLM для аналізу проектів.
LLM може принести користь усім учасникам криптопростору, включаючи власників проектів, аналітиків та інженерів. Засновники можуть використовувати LLM для автоматизації таких завдань, як документація та запитання та відповіді. Інженери можуть використовувати LLM, щоб писати код швидше та безпечніше. Аналітики можуть легше досліджувати проекти.
У довгостроковій перспективі ми також бачимо потенційну можливість застосувати LLM у просторі GameFi. LLM може створювати більш цікаві завдання в грі та грати різні ролі в грі. Світ у грі стане більш реальним і цікавим. NPC динамічно реагуватимуть на дії гравця. Квести матимуть більше кінцівок залежно від того, як користувач їх вирішує.
LLM можна інтегрувати в існуючі проекти, але також відкриває можливості для нових учасників. Наприклад, уже є кілька найкращих гравців у сфері аналізу даних у мережі. Dune може інтегрувати LLM для покращення взаємодії з користувачем. Однак LLM також відкриває можливості для нових учасників. Ці нові учасники можуть розмістити LLM у центрі дизайну свого продукту. Ці креативні продукти, орієнтовані на штучний інтелект, можуть створити нову конкуренцію в області аналізу даних у мережі.
Існує збіг у використанні LLM у світах Web2 і Web3, але вони можуть реалізовувати продукти різними способами. Оскільки дані, які ми використовуємо у світі Web3, відрізняються від даних у світі Web2. База знань LLM також може відрізнятися в Web2 і Web3. Дані Web3 включають блокчейни, ціни на токени, твіти, проекти та дослідження. Тому Web2 і Web3 потребують різних LLM для обслуговування кінцевих користувачів.
Завдяки буму LLM ми спостерігаємо зростання популярності AIxBlockchain. Однак багато AIxBlockhains не є практичними протягом короткого періоду часу. Блокчейн і докази з нульовим знанням не можуть забезпечити великомасштабну обчислювальну потужність для навчання та міркування для деяких складних моделей. Маленькі моделі не можуть вирішити складні завдання. Більш практичним підходом є застосування LLM у домені блокчейну. LLM нещодавно досяг більшого прогресу, ніж інші теми AI. Доцільніше поєднувати LLM і блокчейн.
Спільнота LLM працює над покращенням лімітів токенів і підвищенням точності відповідей. Спільноті блокчейнів залишається лише джерела даних і канали даних. Очищені дані можна використовувати для точного налаштування LLM для підвищення точності в середовищі блокчейн. Конвеєри даних можуть інтегрувати більше додатків, пов’язаних з блокчейном, у LLM і розробляти більш специфічні криптоагенти.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
IOSG Ventures: поглиблене обговорення нової можливості LLM відкрити взаємодію блокчейну
Автор оригіналу: Yiping, IOSG Ventures
Ласкаво просимо до другої статті нашої великої мовної моделі (LLM) і серії досліджень блокчейну. У попередній статті ми обговорювали, як інтегрувати LLM і технологію блокчейн на технічному рівні, і чому структура LLM дуже підходить для сфери блокчейну. Ми також окреслюємо потенційні шляхи інтеграції LLM з блокчейном у майбутньому.
У цій публікації ми розглянемо більш практичний підхід і заглибимося у вісім конкретних областей застосування, які, на нашу думку, кардинально змінять досвід користувача блокчейну. Що ще більш цікаво, ми прогнозуємо, що ці проривні програми стануть реальністю протягом наступного року.
Приєднуйтесь до нас, коли ми відкриваємо майбутнє взаємодії блокчейну. Ось короткий огляд восьми програм, які ми будемо обговорювати:
Інтеграція вбудованих можливостей AI/LLM у блокчейн
Використання LLM для аналізу записів транзакцій
Підвищте безпеку за допомогою LLM
Напишіть код за допомогою LLM
Читайте код за допомогою LLM
Допомога спільноті з LLM
Впровадити LLM для відстеження ринку
Застосуйте LLM для аналізу проектів
Інтегруйте вбудовані можливості AI/LLM у блокчейн
Блокчейн матиме вбудовані функції та моделі штучного інтелекту. Розробники можуть отримати доступ до функцій штучного інтелекту для виконання характерних завдань машинного навчання, таких як класифікація, регресія, доповнення тексту та AIGC у мережі. Розробники можуть викликати ці функції штучного інтелекту за допомогою смарт-контрактів.
Завдяки цим вбудованим функціям розробники можуть надати інтелектуальності та автономності своїм смарт-контрактам. Класифікація, регресія та AIGC є типовими завданнями ШІ. Давайте подивимося застосування цих функцій у сфері блокчейну та кілька прикладів проектів.
Класифікація
За допомогою класифікації можна визначити, чи є адреса ботом чи реальною особою. Це може змінити поточну ситуацію з продажами NFT. Класифікація також може покращити безпеку екосистеми DeFi. Розумні контракти DeFi можуть фільтрувати зловмисні транзакції та запобігати втраті коштів.
Регресія
Регресійний аналіз можна використовувати для прогнозування, застосовувати до управління фондами та активами. Numer.ai вже використовує штучний інтелект, щоб допомогти їм управляти грошима. Numer надає високоякісні дані фондового ринку, над якими працюють дослідники даних і застосовують машинне навчання для прогнозування фондового ринку.
AIGC
Багато проектів NFT намагаються побудувати IP-всесвіт. Однак їх обмежений вміст не може підтримувати всесвіт. Якщо ми можемо використовувати AIGC у ланцюжку, ми можемо виводити незліченну кількість контенту з подібним культовим стилем бренду за відносно низькою ціною. Моделі можуть виводити текст, ілюстрації, музику, звук і навіть відео. Це значно розширює розмір всесвіту IP. Учасники спільноти можуть колективно налаштувати модель відповідно до своїх очікувань. Процес тонкого налаштування також змушує спільноту відчувати себе залученою.
Botto використовує модель AIGC для створення художнього контенту. Спільнота голосує за свої улюблені зображення, щоб колективно налаштувати модель AIGC.
Якщо розглядати блокчейн як базу даних, ми також виявимо, що Databend включає в свою базу даних вбудовані можливості штучного інтелекту. Вони забезпечують такі функції:
Надайте можливості ШІ для блокчейну
Ми знаємо, що деякі проекти привносять можливості ШІ в блокчейн.
Гіза працює над ZKML. Він генерує аргументовані докази поза мережею та перевіряє їх у мережі. Тепер він підтримує блокчейни, сумісні з віртуальною машиною Ethereum, а також StarkNet. Giza нещодавно оголосила про партнерство з Yearn.finance, згідно з яким Yearn використовуватиме можливості штучного інтелекту Giza для покращення своїх можливостей оцінки ризиків.
Modulus Labs також працює в подібному напрямку. Вони більше працюють над вдосконаленням систем перевірки, щоб створювати високопродуктивні схеми для штучного інтелекту. Вони випустили демонстраційні версії, такі як Chess AI та Ethereum Price Prediction AI. Їхній новий демонстраційний проект, zkMon, є першим у світі предметом колекціонування Generative Adversarial Network NFT, який не має жодних знань.
Використовуйте LLM для аналізу записів транзакцій
Аналіз записів транзакцій зазвичай виконується спеціальними програмами, наприклад Debank. Людям важко аналізувати записи транзакцій вручну. Аналіз вручну передбачає збір, очищення та аналіз даних, що вимагає від користувачів навичок програмування. Завдяки здатності LLM аналізувати та візуалізувати дані, ми тепер маємо новий підхід. За допомогою LLM ми можемо аналізувати дані в мережі відповідно до індивідуальних потреб. Ми можемо аналізувати коефіцієнт виграшу, коефіцієнт продуктивності або іншу інформацію, яку ми хочемо знати.
Для роботи в цьому напрямку RSS3 розробив плагін ChatGPT під назвою Web3 User Activity. Користувачі можуть вводити адресу гаманця, ENS або Lens, щоб запитувати дії в мережі. Цей плагін виводить інформацію про транзакції у формі, зрозумілій людині. На жаль, він не може виконувати складні запити, наприклад, скільки є власників Azuki, які смарт-контракти є найпопулярнішими тощо. Користувачі також повинні знати, що адреси та теги, надані плагінами, не обов’язково точні.
DeFiLlama також випустила плагін ChatGPT. Користувачі можуть запитувати будь-які дані, доступні на DeFiLlama, природною мовою. Він також може виконувати прості операції фільтрації та сортування:
Dune також інтегрує GPT у свій продукт, щоб забезпечити такі можливості:
Використовуйте LLM для підвищення безпеки
Завдяки своїм можливостям логіки та аргументації LLM можна використовувати для фільтрації деяких зловмисних транзакцій і діяти як брандмауер для смарт-контрактів. Ось конкретний приклад блокування активності бота:
Після введення адреси LLM може отримати всі дані про транзакції за допомогою стороннього плагіна, потім проаналізувати ці записи транзакцій і визначити ймовірність того, що адреса є роботом. Цю функцію можна вбудувати в Dapps, де боти не вітаються, наприклад, продажі NFT.
Нижче наведено простий приклад через ChatGPT. ChatGPT отримує записи про транзакції облікового запису через плагін активності користувача Web3, розроблений RSS3, потім аналізує ці записи про транзакції та виводить можливість того, що обліковий запис є роботом.
Якщо ми подамо більше записів про транзакції та точно налаштуємо LLM на набір даних, пов’язаних із роботом, ми зможемо досягти більш точних результатів. Нижче наведено приклад робочого процесу для такої програми. Ми також можемо додати рівні кешування та бази даних, щоб покращити швидкість реагування та зменшити витрати.
Напишіть код за допомогою LLM
LLM широко використовується в розробці, щоб допомогти розробникам писати код швидше та краще. За вказівкою розробника LLM може згенерувати для них код. Наразі розробникам ще потрібно надати детальні інструкції для LLM. LLM важко автоматично генерувати код для всього проекту.
Деякі популярні моделі LLM для коду включають StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B і MPT 30 B.
Усі ці моделі можна використовувати для написання смарт-контрактів, але вони, можливо, не були навчені спеціально для даних смарт-контрактів. Їм ще є куди вдосконалюватися.
Зараз на HuggingFace доступний лише один набір даних, пов’язаний зі смарт-контрактами. Це набір перевірених смарт-контрактів, який містить 113 000 смарт-контрактів. Його можна використовувати для таких завдань, як класифікація тексту, генерація тексту та виявлення вразливостей.
Автоматична генерація коду може бути більш перспективною, ніж інструменти допоміжної розробки. Автоматична генерація коду підходить для смарт-контрактів, оскільки смарт-контракти відносно короткі та відносно прості. Є кілька способів, за допомогою яких LLM може допомогти розробникам автоматично генерувати код у просторі блокчейну.
тест
По-перше, LLM може генерувати тести для добре написаних смарт-контрактів. Наприклад, Codium може автоматично створювати тести для письмових проектів. Наразі Codium підтримує JS і TS. Codium починає з розуміння кодової бази, аналізу кожної функції, рядка документації та коментаря. Потім Codium записує аналіз коду назад у файл як коментарі та виводить план тестування. Користувачі можуть вибрати бажані тести, і Codium згенерує вибраний тестовий код.
Інші допоміжні інструменти також підтримують генерацію тестів для вибраних функцій.
Ми можемо відтворити подібні функції на GPT-4, виконавши подібні дії.
Спочатку ми попросили аналіз коду, тому що хотіли, щоб LLM витрачав більше часу на це завдання. LLM не знає, які завдання є складними. Він витрачає однакову обчислювальну потужність на кожен маркер. Це може призвести до неточних результатів складних завдань. На основі цих характеристик ми запитуємо аналіз коду. Таким чином LLM витратить більше токенів/часу на роздуми про ці завдання та виведе результати вищої якості. Цей метод також відомий як «ланцюжок мислення».
Щоб це працювало для більш довгих смарт-контрактів, нам потрібен LLM із більшим контекстом або певна інженерія для збереження пам’яті.
Створення допоміжних сценаріїв
По-друге, ми можемо використовувати LLM для автоматичного створення деяких допоміжних сценаріїв, наприклад сценаріїв розгортання.
Сценарії розгортання зменшують можливі помилки під час розгортання вручну. Ідея дуже схожа на автоматичне генерування тестів.
Автоматичне розгалуження
На зростаючому ринку буде багато розгалужених проектів, де команди вносять невеликі зміни в код своєї початкової кодової бази. Це було б чудовим варіантом використання LLM: LLM може допомогти розробникам автоматично змінювати код відповідно до потреб команди. Зазвичай потрібно змінити лише певні частини коду. Це відносно легко досягти для LLM.
Автоматична генерація коду
Якщо ми підемо ще далі, чи може LLM автоматично генерувати смарт-контракти відповідно до потреб розробників? У порівнянні з іншим складним програмним забезпеченням, написаним на JS, Rust і Python, смарт-контракти відносно короткі та відносно прості. Зовнішніх бібліотек для смарт-контрактів небагато. З’ясувати, як написати смарт-контракт, для LLM відносно легко.
Ми вже побачили певний прогрес у автоматичному створенні коду. GPT-engineer є одним із піонерів. Він задовольняє потреби користувача та відповідає на будь-які запитання, які можуть виникнути у LLM, до початку кодування. Код також містить сценарій, який запускає весь проект. GPT-інженер може автоматично запускати проекти для розробників.
Після того, як користувач вводить свої вимоги, GPT-інженер аналізує вимоги та запитує деякі пояснення. Після збору всієї необхідної інформації GPT-інженер спочатку виведе дизайн програми, включаючи основні класи, функції та методи, необхідні для цього завдання. Потім GPT-інженер згенерує код для кожного файлу.
За допомогою такої підказки ми можемо створити лічильник смарт-контрактів.
Розумні контракти складаються та працюють, як очікувалося.
Оскільки GPT-engineer спочатку був розроблений для Python, він має деякі проблеми з генеруванням коду, пов’язаного з Hardhat. GPT-інженер не знає про останню версію Hardhat і іноді створює застарілі сценарії тестування та розгортання.
Якщо в нашому коді є помилки, ми можемо передати журнали помилок кодової бази та консолі в LLM. LLM може безперервно змінювати код, доки він не запуститься успішно. Ми бачимо щось на зразок ** [flo] (Такі проекти розвиваються в цьому напрямку. Зараз flo підтримує тільки JS.
Якщо ми хочемо підвищити точність генерації смарт-контрактів, ми можемо вдосконалити GPT-інженер за допомогою нових підказок. Ми можемо прийняти метод розробки, керований тестуванням, вимагаючи від LLM переконатися, що програма проходить певні тести, щоб краще обмежити згенеровану програму.
Використовуйте LLM для читання коду
Оскільки LLM добре розуміє код, ми можемо використовувати LLM для написання документації для розробників. LLM також може відстежувати зміни коду для оновлення документації. Ми обговорювали цей підхід наприкінці нашого попереднього дослідницького звіту «Дослідження досвіду розробників щодо ZKRU: поглиблений аналіз».
Читання документації є традиційним способом, але спілкування з кодом є новим способом. Користувачі можуть задавати будь-які запитання щодо коду, і LLM відповість на них. LLM може пояснити код для розробників і допомогти їм швидко зрозуміти розумні контракти в ланцюжку. LLM також може допомогти людям без досвіду кодування зрозуміти розумні контракти.
Ми вже бачили цю тенденцію у світі Web2. Багато інструментів допомоги коду мають можливості інтерпретації коду.
Etherescan також продемонстрував свою нову функціональність, дозволяючи користувачам спілкуватися з кодом, використовуючи потужність LLM.
Як аудит змінюється, коли код розуміється? Під час експериментів на тему «Чи потрібен вам ручний аудит смарт-контракту», LLM досяг 40% показника виявлення вразливостей, перевершивши випадкові базові показники. Однак вони також мають високий рівень помилкових спрацьовувань. Автори зазначають, що відповідна підказка є ключовою.
Крім підказок, наступні причини обмежують його застосування:
Ці проблеми не важко вирішити. Великі аудиторські фірми мають тисячі аудиторських звітів, які можна використовувати для точного налаштування LLM. З’являються LLM з великими обмеженнями токенів. Клод має обмеження в 100 000 токенів. Нещодавно випущений LTM-1 має вражаючий ліміт у 5 мільйонів токенів. Завдяки зусиллям, спрямованим на вирішення цих двох проблем, ми можемо побачити, що LLMs стануть кращими у визначенні вразливостей. LLM може допомогти аудиторам і прискорити процес аудиту. Це може розвиватися поступово. Ось можливі траєкторії розвитку:
Допоможіть аудиторам організувати мову та формат звітів. Це забезпечує узгодженість мови в одній аудиторській фірмі. Часто різні групи можуть мати різний словниковий запас.
Допомогти аудиторам виявити та перевірити потенційні вразливості.
Автоматично генерувати проект звіту про аудит.
Використовуйте LLM, щоб допомогти спільноті
Управління є важливою частиною спільноти. Учасники спільноти мають право голосувати за свої улюблені пропозиції. Ці пропозиції формуватимуть майбутнє продукту.
Для важливих пропозицій буде багато довідкової інформації та обговорення спільноти. Членам спільноти важко повністю зрозуміти цей контекст до голосування. LLM може допомогти членам спільноти швидко зрозуміти майбутній вплив їхнього вибору та допомогти їм проголосувати.
Ще одним потенційним застосуванням є боти, які відповідають на питання. Ми бачили ботів Q&A на основі проектної документації. Ми можемо піти далі, щоб створити більшу базу даних знань. Ми можемо підключати різні медіа та джерела, як-от презентації, подкасти, GitHub, чати Discord і Twitter Spaces. Боти із запитаннями й відповідями існують не лише в панелі пошуку документації, але й можуть надавати миттєву підтримку учасникам спільноти на Discord або поширювати бачення проекту в Twitter і відповідати на будь-які запитання.
Зараз AwesomeQA розвивається в цьому напрямку. Він реалізує три функції:
Однією з труднощів, з якою зараз стикаються роботи, що відповідають на питання, є те, як точно отримати релевантний контекст із векторної бази даних і надати контекст LLM. Наприклад, якщо користувач запитує запит із фільтрами кількох функцій для кількох елементів, робот може не мати змоги отримати відповідний контекст із векторної бази даних.
Інше питання – оновлення векторної бази даних. Поточне рішення — перебудувати векторну базу даних або оновити векторну базу даних через простір імен. Додавання просторів імен до вбудовування подібне до приєднання міток до даних. Це допомагає розробникам легше знаходити та оновлювати відповідні вбудовування.
Використовуйте LLM для відстеження ринку
Ринок сильно змінюється, і щодня відбувається багато речей. Як KOL (Ключові лідери думок), які публікують нові ідеї та міркування, інформаційні бюлетені та електронні листи про продукти надходять у вашу скриньку. LLM може вибрати для вас найважливіші ідеї та новини. Він також узагальнює вміст, щоб скоротити час читання та допомогти вам йти в ногу з динамікою ринку.
minmax.ai присвячений сфері журналістики. Вони надають короткий огляд останніх новин на певну тему, а також надають аналіз настроїв щодо цієї теми.
Нудні звіти вилучають із новин сенсаційний вміст і зосереджуються на важливих деталях, щоб допомогти читачам прийняти правильні рішення.
Робо-консультації зараз є однією з найпопулярніших сфер. LLM може стимулювати використання робо-порад. LLM може надати торгові рекомендації та допомогти користувачам керувати портфелями на основі інформації про біржі.
Такі проекти, як Numer.ai, використовують ШІ для прогнозування ринків і управління коштами. Є також портфелі, якими керує LLM. Користувачі можуть стежити за цими портфоліо на Robinhood.
Composer пропонує алгоритми торгівлі за допомогою ШІ. ШІ будує конкретні торгові стратегії на основі інформації користувачів. Потім ШІ автоматично перевірить ці торгові стратегії. Якщо користувач задоволений політиками, Composer може автоматично застосувати ці політики для користувача.
Аналізуйте проекти за допомогою LLM
Аналітичні проекти часто передбачають читання великих обсягів матеріалу та написання довгих наукових робіт. LLM може читати та писати короткі абзаци. Якщо ми можемо розширити його можливості до довгих абзаців, чи означає це, що LLM може якось виводити деякі дослідження проекту? Швидше за все так. Ми можемо вводити офіційні документи, документи чи презентації подій і дозволяти LLM аналізувати проекти та засновників. Обмежуючись кількістю токенів, ми можемо спочатку написати схему статті, а потім оновити й оптимізувати кожну частину відповідно до отриманої інформації.
Такі проекти, як BabyAGI, вже прогресують у цьому напрямку. Нижче наведено зразок вихідних даних BlockAGI, варіанту BabyAGI.
LLM також може аналізувати особистість засновника на основі Twitter та публічних виступів. Наприклад, Tweet Analyzer може брати останні твіти та використовувати LLM для аналізу особистих рис.
на завершення
Ось вісім конкретних напрямків, у яких LLM може допомогти спільноті блокчейнів у найближчому майбутньому:
Інтегруйте вбудовані функції AI/LLM у блокчейн.
Використовуйте LLM для аналізу записів транзакцій.
Підвищте безпеку за допомогою LLM.
Напишіть код за допомогою LLM.
Використовуйте LLM для читання коду.
Використовуйте LLM для допомоги громаді.
Використовуйте LLM для відстеження ринку.
Застосуйте LLM для аналізу проектів.
LLM може принести користь усім учасникам криптопростору, включаючи власників проектів, аналітиків та інженерів. Засновники можуть використовувати LLM для автоматизації таких завдань, як документація та запитання та відповіді. Інженери можуть використовувати LLM, щоб писати код швидше та безпечніше. Аналітики можуть легше досліджувати проекти.
У довгостроковій перспективі ми також бачимо потенційну можливість застосувати LLM у просторі GameFi. LLM може створювати більш цікаві завдання в грі та грати різні ролі в грі. Світ у грі стане більш реальним і цікавим. NPC динамічно реагуватимуть на дії гравця. Квести матимуть більше кінцівок залежно від того, як користувач їх вирішує.
LLM можна інтегрувати в існуючі проекти, але також відкриває можливості для нових учасників. Наприклад, уже є кілька найкращих гравців у сфері аналізу даних у мережі. Dune може інтегрувати LLM для покращення взаємодії з користувачем. Однак LLM також відкриває можливості для нових учасників. Ці нові учасники можуть розмістити LLM у центрі дизайну свого продукту. Ці креативні продукти, орієнтовані на штучний інтелект, можуть створити нову конкуренцію в області аналізу даних у мережі.
Існує збіг у використанні LLM у світах Web2 і Web3, але вони можуть реалізовувати продукти різними способами. Оскільки дані, які ми використовуємо у світі Web3, відрізняються від даних у світі Web2. База знань LLM також може відрізнятися в Web2 і Web3. Дані Web3 включають блокчейни, ціни на токени, твіти, проекти та дослідження. Тому Web2 і Web3 потребують різних LLM для обслуговування кінцевих користувачів.
Завдяки буму LLM ми спостерігаємо зростання популярності AIxBlockchain. Однак багато AIxBlockhains не є практичними протягом короткого періоду часу. Блокчейн і докази з нульовим знанням не можуть забезпечити великомасштабну обчислювальну потужність для навчання та міркування для деяких складних моделей. Маленькі моделі не можуть вирішити складні завдання. Більш практичним підходом є застосування LLM у домені блокчейну. LLM нещодавно досяг більшого прогресу, ніж інші теми AI. Доцільніше поєднувати LLM і блокчейн.
Спільнота LLM працює над покращенням лімітів токенів і підвищенням точності відповідей. Спільноті блокчейнів залишається лише джерела даних і канали даних. Очищені дані можна використовувати для точного налаштування LLM для підвищення точності в середовищі блокчейн. Конвеєри даних можуть інтегрувати більше додатків, пов’язаних з блокчейном, у LLM і розробляти більш специфічні криптоагенти.