Chào mừng bạn đến với bài viết thứ hai trong loạt nghiên cứu về chuỗi khối và mô hình ngôn ngữ lớn (LLM) của chúng tôi. Trong bài viết trước, chúng ta đã thảo luận về cách tích hợp LLM và công nghệ chuỗi khối từ cấp độ kỹ thuật và tại sao khung LLM lại rất phù hợp với lĩnh vực chuỗi khối. Chúng tôi cũng phác thảo các lộ trình tiềm năng để tích hợp LLM với chuỗi khối trong tương lai.
Trong bài đăng này, chúng tôi sẽ thực hiện một cách tiếp cận thực tế hơn và đi sâu vào tám lĩnh vực ứng dụng cụ thể mà chúng tôi tin rằng sẽ thay đổi đáng kể trải nghiệm người dùng blockchain. Thú vị hơn nữa, chúng tôi dự đoán rằng những ứng dụng đột phá này sẽ trở thành hiện thực trong năm tới.
Tham gia với chúng tôi khi chúng tôi khám phá tương lai của tương tác blockchain. Dưới đây là tổng quan ngắn gọn về tám ứng dụng mà chúng ta sẽ thảo luận:
Tích hợp các khả năng AI/LLM tích hợp vào chuỗi khối
Sử dụng LLM để phân tích hồ sơ giao dịch
Tăng cường bảo mật với LLM
Viết mã với LLM
Đọc mã với LLM
Hỗ trợ cộng đồng bằng LLM
Triển khai LLM để theo dõi thị trường
Áp dụng LLM để phân tích dự án
Tích hợp các khả năng AI/LLM tích hợp vào chuỗi khối
Chuỗi khối sẽ có các chức năng và mô hình trí tuệ nhân tạo tích hợp. Các nhà phát triển có thể truy cập các chức năng AI để thực hiện các tác vụ ML đặc trưng như phân loại, hồi quy, hoàn thành văn bản và AIGC trên chuỗi. Các nhà phát triển có thể gọi các chức năng trí tuệ nhân tạo này thông qua các hợp đồng thông minh.
Với các tính năng tích hợp này, các nhà phát triển có thể cung cấp trí thông minh và quyền tự chủ cho các hợp đồng thông minh của họ. Phân loại, hồi quy và AIGC là các tác vụ AI điển hình. Hãy xem ứng dụng của các chức năng này trong lĩnh vực chuỗi khối và một vài dự án ví dụ.
Phân loại
Phân loại có thể được sử dụng để xác định xem một địa chỉ là bot hay người thật. Điều này có thể thay đổi tình hình bán hàng NFT hiện tại. Việc phân loại cũng có thể cải thiện tính bảo mật của hệ sinh thái DeFi. Hợp đồng thông minh DeFi có thể lọc các giao dịch độc hại và ngăn chặn việc mất tiền.
Hồi quy
Phân tích hồi quy có thể được sử dụng để dự báo, áp dụng cho quản lý quỹ và tài sản. Numer.ai đã sử dụng trí tuệ nhân tạo để giúp họ quản lý tiền. Numer cung cấp dữ liệu thị trường chứng khoán chất lượng cao mà các nhà khoa học dữ liệu làm việc và áp dụng học máy để dự đoán thị trường chứng khoán.
AIGC
Nhiều dự án NFT đang cố gắng xây dựng một vũ trụ IP. Tuy nhiên, nội dung hạn chế của chúng không thể hỗ trợ một vũ trụ. Nếu chúng tôi có thể sử dụng AIGC trên chuỗi, chúng tôi có thể tạo ra vô số nội dung với phong cách thương hiệu mang tính biểu tượng tương tự với chi phí tương đối thấp. Các mô hình có thể xuất văn bản, hình minh họa, nhạc, âm thanh và thậm chí cả video. Điều này mở rộng đáng kể kích thước của vũ trụ IP. Những người tham gia cộng đồng có thể cùng nhau tinh chỉnh mô hình để đáp ứng mong đợi của họ. Quá trình tinh chỉnh cũng làm cho cộng đồng cảm thấy được tham gia.
Botto sử dụng mô hình AIGC để tạo nội dung nghệ thuật. Cộng đồng bình chọn cho những hình ảnh yêu thích của họ để cùng tinh chỉnh mô hình AIGC.
Nếu xem blockchain như một cơ sở dữ liệu, chúng ta cũng thấy rằng Databend kết hợp các khả năng trí tuệ nhân tạo tích hợp vào cơ sở dữ liệu của họ. Chúng cung cấp các chức năng sau:
ai_embedding_vector: Tạo các vectơ nhúng cho tài liệu văn bản.
ai_text_completion: tạo hoàn thành văn bản dựa trên gợi ý đã cho.
cosin_khoảng cách: Tính khoảng cách cosin giữa hai vectơ nhúng.
ai_to_sql: chuyển hướng dẫn ngôn ngữ tự nhiên thành truy vấn SQL.
Cung cấp khả năng AI cho blockchain
Chúng tôi biết rằng một số dự án đang đưa các khả năng của AI vào chuỗi khối.
Giza đang làm việc trên ZKML. Nó tạo ra các bằng chứng lý luận ngoài chuỗi và xác minh chúng trên chuỗi. Nó hiện hỗ trợ các chuỗi khối tương thích với Máy ảo Ethereum cũng như StarkNet. Giza gần đây đã công bố quan hệ đối tác với Yearn.finance, theo đó Yearn sẽ tận dụng khả năng trí tuệ nhân tạo của Giza để nâng cao khả năng đánh giá rủi ro của mình.
Modulus Labs cũng đang hoạt động theo hướng tương tự. Họ làm việc chăm chỉ hơn để cải thiện các hệ thống bằng chứng nhằm tạo ra các mạch hiệu suất cao cho trí tuệ nhân tạo. Họ đã phát hành các bản demo như Chess AI và Ethereum Price Prediction AI. Dự án demo mới của họ, zkMon, là bộ sưu tập NFT Mạng đối thủ sáng tạo bằng chứng không có kiến thức đầu tiên trên thế giới.
Sử dụng LLM để phân tích hồ sơ giao dịch
Phân tích hồ sơ giao dịch thường được thực hiện bởi các ứng dụng cụ thể như Debank. Phân tích hồ sơ giao dịch thủ công bởi con người là khó khăn. Phân tích thủ công liên quan đến việc thu thập dữ liệu, làm sạch dữ liệu và phân tích dữ liệu, đòi hỏi người dùng phải có kỹ năng viết mã. Do khả năng phân tích và trực quan hóa dữ liệu của LLM, giờ đây chúng tôi có một cách tiếp cận mới. Thông qua LLM, chúng tôi có thể phân tích dữ liệu trên chuỗi theo nhu cầu tùy chỉnh. Chúng tôi có thể phân tích tỷ lệ thắng, tỷ lệ hiệu suất hoặc bất kỳ thông tin nào chúng tôi muốn biết.
RSS3 đã phát triển một plugin ChatGPT có tên Hoạt động người dùng Web3 để hoạt động theo hướng này. Người dùng có thể nhập địa chỉ ví, ENS hoặc Lens để truy vấn các hoạt động trên chuỗi. Plugin này sẽ xuất thông tin giao dịch ở dạng con người có thể đọc được. Tuy nhiên, thật không may, nó không thể thực hiện các truy vấn phức tạp như có bao nhiêu người nắm giữ Azuki, hợp đồng thông minh nào phổ biến nhất, v.v. Người dùng cũng nên lưu ý rằng các địa chỉ và thẻ do plugin cung cấp không nhất thiết phải chính xác.
DeFiLlama cũng đã phát hành plugin ChatGPT. Người dùng có thể truy vấn bất kỳ dữ liệu nào có sẵn trên DeFiLlama bằng ngôn ngữ tự nhiên. Nó cũng có thể thực hiện các hoạt động lọc và sắp xếp đơn giản:
Dune cũng đang tích hợp GPT vào sản phẩm của mình để kích hoạt các tính năng sau:
Giải thích truy vấn: Sử dụng LLM để giải thích các truy vấn
Dịch truy vấn: Sử dụng LLM để dịch các ngôn ngữ SQL khác sang DuneSQL
Natural Language Query: Cho phép người dùng viết truy vấn bằng ngôn ngữ tự nhiên
Tìm kiếm: Cải thiện kết quả tìm kiếm bằng LLM
Cơ sở tri thức thuật sĩ: một chatbot cho phép người dùng giao tiếp với các tài liệu
Tận dụng LLM để tăng cường bảo mật
Do tính logic và khả năng lập luận của nó, LLM có thể được sử dụng để lọc một số giao dịch độc hại và hoạt động như một bức tường lửa cho các hợp đồng thông minh. Dưới đây là một ví dụ cụ thể về cách chặn hoạt động của bot:
Sau khi nhập địa chỉ, LLM có thể lấy tất cả dữ liệu giao dịch thông qua phần bổ trợ của bên thứ ba, sau đó phân tích các bản ghi giao dịch này và đưa ra khả năng địa chỉ đó là của rô-bốt. Chức năng này có thể được nhúng trong Dapps nơi bot không được hoan nghênh, chẳng hạn như bán hàng NFT.
Dưới đây là một ví dụ đơn giản thông qua ChatGPT. ChatGPT truy xuất các bản ghi giao dịch của tài khoản thông qua phần bổ trợ hoạt động của người dùng Web3 do RSS3 phát triển, sau đó phân tích các bản ghi giao dịch này và đưa ra khả năng tài khoản đó là rô-bốt.
Nếu chúng tôi cung cấp nhiều bản ghi giao dịch hơn và tinh chỉnh LLM trên bộ dữ liệu liên quan đến bot, thì chúng tôi có thể đạt được kết quả chính xác hơn. Dưới đây là một quy trình công việc ví dụ cho một ứng dụng như vậy. Chúng tôi cũng có thể thêm các lớp bộ nhớ đệm và cơ sở dữ liệu để cải thiện khả năng phản hồi và giảm chi phí.
Viết mã bằng LLM
LLM được sử dụng rộng rãi trong phát triển để giúp các nhà phát triển viết mã nhanh hơn và tốt hơn. Theo hướng của nhà phát triển, LLM có thể tạo mã cho họ. Hiện tại, các nhà phát triển vẫn cần cung cấp hướng dẫn chi tiết cho LLM. Rất khó để LLM tự động tạo mã cho toàn bộ dự án.
Một số mô hình LLM phổ biến dành cho mã bao gồm StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B và MPT 30 B.
Tất cả các mô hình này có thể được sử dụng để viết hợp đồng thông minh, nhưng chúng có thể chưa được đào tạo cụ thể về dữ liệu hợp đồng thông minh. Họ vẫn còn chỗ để cải thiện.
Hiện tại, chỉ có một bộ dữ liệu liên quan đến hợp đồng thông minh có sẵn trên HuggingFace. Đó là tập hợp các hợp đồng thông minh đã được kiểm toán, bao gồm 113.000 hợp đồng thông minh. Nó có thể được sử dụng cho các tác vụ như phân loại văn bản, tạo văn bản và phát hiện lỗ hổng.
Tạo mã tự động có thể hứa hẹn hơn các công cụ phát triển được hỗ trợ. Tạo mã tự động phù hợp với hợp đồng thông minh vì hợp đồng thông minh tương đối ngắn và tương đối đơn giản. Có một số cách mà LLM có thể giúp các nhà phát triển tự động tạo mã trong không gian chuỗi khối.
Bài kiểm tra
Đầu tiên, LLM có thể tạo các bài kiểm tra cho các hợp đồng thông minh được viết tốt. Ví dụ: Codium có thể tự động tạo các bài kiểm tra cho các dự án đã viết. Codium hiện hỗ trợ JS và TS. Codium bắt đầu bằng cách hiểu cơ sở mã, phân tích từng chức năng, chuỗi tài liệu và nhận xét. Codium sau đó viết phân tích mã trở lại tệp dưới dạng nhận xét và đưa ra kế hoạch kiểm tra. Người dùng có thể chọn các bài kiểm tra ưa thích của họ và Codium sẽ tạo mã kiểm tra đã chọn.
Các công cụ phụ trợ khác cũng hỗ trợ tạo các bài kiểm tra cho các chức năng đã chọn.
Chúng tôi có thể sao chép chức năng tương tự trên GPT-4 theo các bước tương tự.
Chúng tôi yêu cầu phân tích mã trước vì chúng tôi muốn LLM dành nhiều thời gian hơn cho nhiệm vụ này. LLM không biết nhiệm vụ nào khó. Nó sử dụng cùng một sức mạnh tính toán trên mỗi điểm đánh dấu. Điều này có thể dẫn đến kết quả không chính xác trong các tác vụ phức tạp. Dựa trên những đặc điểm này, chúng tôi yêu cầu phân tích mã. Bằng cách này, LLM sẽ dành nhiều mã thông báo/thời gian hơn để suy nghĩ về những nhiệm vụ này và tạo ra kết quả chất lượng cao hơn. Phương pháp này còn được gọi là "chuỗi suy nghĩ".
Để làm cho nó hoạt động cho các hợp đồng thông minh dài hơn, chúng tôi cần một LLM với ngữ cảnh lớn hơn hoặc một số kỹ thuật để bảo toàn bộ nhớ.
Tạo tập lệnh trợ giúp
Thứ hai, chúng ta có thể sử dụng LLM để tự động tạo một số tập lệnh phụ trợ, chẳng hạn như tập lệnh triển khai.
Tập lệnh triển khai giảm các lỗi tiềm ẩn trong quá trình triển khai thủ công. Ý tưởng này rất giống với việc tự động tạo các bài kiểm tra.
Ngã ba tự động
Trong một thị trường giá lên, sẽ có nhiều dự án rẽ nhánh trong đó các nhóm thực hiện các thay đổi mã nhỏ so với cơ sở mã ban đầu của họ. Đây sẽ là một trường hợp sử dụng tuyệt vời cho LLM: LLM có thể giúp các nhà phát triển tự động sửa đổi mã theo nhu cầu của nhóm. Thông thường chỉ cần thay đổi các phần cụ thể của mã. Điều này tương đối dễ đạt được đối với LLM.
Tạo mã tự động
Nếu chúng ta tiến thêm một bước nữa, LLM có thể tự động tạo hợp đồng thông minh theo nhu cầu của nhà phát triển không? So với các phần mềm phức tạp khác được viết bằng JS, Rust và Python, hợp đồng thông minh tương đối ngắn và tương đối đơn giản. Không có nhiều thư viện bên ngoài cho hợp đồng thông minh. Tìm ra cách viết hợp đồng thông minh tương đối dễ dàng đối với LLM.
Chúng tôi đã thấy một số tiến bộ trong việc tạo mã tự động. GPT-engineer là một trong những người tiên phong. Nó giải quyết các nhu cầu của người dùng và trả lời bất kỳ câu hỏi nào mà LLM có thể có, trước khi mã hóa bắt đầu. Mã này cũng bao gồm một tập lệnh chạy toàn bộ dự án. GPT-engineer có thể tự động bắt đầu các dự án dành cho nhà phát triển.
Sau khi người dùng nhập các yêu cầu của họ, kỹ sư GPT sẽ phân tích các yêu cầu và yêu cầu làm rõ một số điều. Sau khi thu thập tất cả các thông tin cần thiết, trước tiên, kỹ sư GPT sẽ đưa ra thiết kế của chương trình, bao gồm các lớp cốt lõi, chức năng và phương thức cần thiết cho nhiệm vụ này. Sau đó, kỹ sư GPT sẽ tạo mã cho từng tệp.
Với một gợi ý như thế này, chúng ta có thể tạo ra một hợp đồng thông minh ngược lại.
Hợp đồng thông minh biên dịch và hoạt động như mong đợi.
Vì GPT-engineer ban đầu được thiết kế cho Python nên nó gặp một số vấn đề khi tạo mã liên quan đến Hardhat. GPT-engineer không biết về phiên bản mới nhất của Hardhat và đôi khi tạo ra các tập lệnh triển khai và thử nghiệm đã lỗi thời.
Nếu mã của chúng tôi có lỗi, chúng tôi có thể cung cấp nhật ký lỗi bảng điều khiển và cơ sở mã cho LLM. LLM có thể liên tục sửa đổi mã cho đến khi mã có thể chạy thành công. Chúng tôi thấy một cái gì đó giống như ** [flo] (Các dự án như vậy đang phát triển theo hướng này. Hiện tại, flo chỉ hỗ trợ JS.
Nếu chúng tôi muốn tăng độ chính xác của việc tạo hợp đồng thông minh, chúng tôi có thể cải thiện kỹ sư GPT với một số gợi ý mới. Chúng ta có thể áp dụng phương pháp phát triển dựa trên thử nghiệm, yêu cầu LLM đảm bảo rằng chương trình vượt qua các thử nghiệm nhất định, để hạn chế tốt hơn chương trình được tạo.
Sử dụng LLM để đọc mã
Vì LLM hiểu mã tốt, chúng tôi có thể sử dụng LLM để viết tài liệu dành cho nhà phát triển. LLM cũng có thể theo dõi các thay đổi mã để cập nhật tài liệu. Chúng tôi đã thảo luận về phương pháp này ở cuối báo cáo nghiên cứu trước đây của mình, Khám phá trải nghiệm của nhà phát triển trên ZKRU: Phân tích chuyên sâu.
Đọc tài liệu là cách truyền thống, nhưng giao tiếp với mã là một cách mới. Người dùng có thể đặt bất kỳ câu hỏi nào về mã và LLM sẽ trả lời chúng. LLM có thể giải thích mã cho các nhà phát triển và giúp họ nhanh chóng hiểu các hợp đồng thông minh trên chuỗi. LLM cũng có thể giúp những người không có kinh nghiệm viết mã hiểu hợp đồng thông minh.
Chúng tôi đã thấy xu hướng này trong thế giới Web2. Nhiều công cụ hỗ trợ mã có khả năng diễn giải mã.
Etherescan cũng trình diễn chức năng mới của mình, cho phép người dùng giao tiếp bằng mã, tận dụng sức mạnh của LLM.
Kiểm toán thay đổi như thế nào khi mã được hiểu? Trong các thử nghiệm trên bài báo "bạn có cần kiểm toán hợp đồng thông minh thủ công không", LLM đã đạt được tỷ lệ thành công 40% trong việc xác định các lỗ hổng, vượt trội so với các đường cơ sở ngẫu nhiên. Tuy nhiên, chúng cũng có tỷ lệ dương tính giả cao. Các tác giả lưu ý, nhắc nhở thích hợp là chìa khóa.
Ngoài các gợi ý, những lý do sau hạn chế ứng dụng của nó:
Các LLM hiện tại không được đào tạo chuyên biệt cho mục đích này. Dữ liệu đào tạo có thể không liên quan đến cơ sở mã hợp đồng thông minh và các báo cáo kiểm tra tương ứng.
Thông thường các lỗi nghiêm trọng nhất là các vấn đề logic bao gồm các chức năng khác nhau. LLM hiện bị giới hạn bởi số lượng mã thông báo. LLM không thể giải quyết các vấn đề có ngữ cảnh rất dài và đòi hỏi khả năng logic.
Những vấn đề này không khó để giải quyết. Các công ty kiểm toán lớn có hàng ngàn báo cáo kiểm toán có thể được sử dụng để tinh chỉnh LLM. Các LLM có ràng buộc mã thông báo lớn đang xuất hiện. Claude có giới hạn 100.000 mã thông báo. LTM-1 mới được phát hành có giới hạn 5 triệu mã thông báo ấn tượng. Thông qua những nỗ lực giải quyết hai vấn đề này, chúng ta có thể thấy các LLM trở nên tốt hơn trong việc xác định các lỗ hổng. LLM có thể hỗ trợ kiểm toán viên và tăng tốc quá trình kiểm toán. Điều này có thể phát triển dần dần. Dưới đây là các quỹ đạo phát triển có thể:
Giúp kiểm toán viên tổ chức ngôn ngữ và định dạng báo cáo. Điều này đảm bảo tính nhất quán về ngôn ngữ trong cùng một công ty kiểm toán. Thông thường các nhóm khác nhau có thể có từ vựng ưa thích khác nhau.
Giúp kiểm toán viên xác định và xác minh các lỗ hổng tiềm ẩn.
Tự động tạo báo cáo dự thảo kiểm toán.
Sử dụng LLM để giúp đỡ cộng đồng
Quản trị là một phần quan trọng của cộng đồng. Các thành viên cộng đồng có quyền bỏ phiếu cho các đề xuất yêu thích của họ. Những đề xuất này sẽ định hình tương lai của sản phẩm.
Đối với các đề xuất quan trọng, sẽ có rất nhiều thông tin cơ bản và thảo luận cộng đồng. Rất khó để các thành viên cộng đồng hiểu đầy đủ bối cảnh này trước khi bỏ phiếu. LLM có thể giúp các thành viên cộng đồng nhanh chóng hiểu được tác động trong tương lai của các lựa chọn của họ và giúp họ bỏ phiếu.
Bot trả lời câu hỏi là một ứng dụng tiềm năng khác. Chúng tôi đã thấy bot Hỏi & Đáp dựa trên tài liệu dự án. Chúng ta có thể tiến xa hơn để xây dựng cơ sở dữ liệu tri thức lớn hơn. Chúng tôi có thể kết nối các phương tiện và nguồn khác nhau như bản trình bày, podcast, GitHub, trò chuyện Discord và Không gian Twitter. Các bot Hỏi & Đáp không chỉ tồn tại trong thanh tìm kiếm tài liệu mà còn có thể cung cấp hỗ trợ ngay lập tức cho các thành viên cộng đồng trên Discord hoặc truyền bá tầm nhìn của dự án trên Twitter và trả lời bất kỳ câu hỏi nào.
AwesomeQA hiện đang phát triển theo hướng này. Nó thực hiện ba chức năng:
Sử dụng tích hợp ChatGPT để trả lời câu hỏi từ các thành viên cộng đồng
Nhận thông tin chi tiết dựa trên dữ liệu dựa trên tin nhắn từ các thành viên cộng đồng, chẳng hạn như phân tích Câu hỏi thường gặp
Khám phá những tin nhắn nào là quan trọng, chẳng hạn như các vấn đề chưa được giải quyết
Một trong những khó khăn mà robot trả lời câu hỏi hiện đang gặp phải là làm thế nào để có được ngữ cảnh liên quan một cách chính xác từ cơ sở dữ liệu vectơ và cung cấp ngữ cảnh cho LLM. Ví dụ: nếu người dùng yêu cầu một truy vấn với các bộ lọc trên nhiều tính năng cho nhiều thành phần, rô-bốt có thể không truy xuất được ngữ cảnh liên quan từ cơ sở dữ liệu vectơ.
Cập nhật cơ sở dữ liệu vectơ là một vấn đề khác. Giải pháp hiện tại là xây dựng lại cơ sở dữ liệu vectơ hoặc cập nhật cơ sở dữ liệu vectơ thông qua không gian tên. Thêm không gian tên vào nhúng tương tự như gắn nhãn vào dữ liệu. Điều này giúp các nhà phát triển tìm và cập nhật các nội dung nhúng phù hợp dễ dàng hơn.
Sử dụng LLM để theo dõi thị trường
Thị trường thay đổi rất nhiều và nhiều điều xảy ra hàng ngày. Giống như KOL (Key Opinion Leaders) đăng những ý tưởng và suy nghĩ mới, các bản tin và email sản phẩm đổ vào hộp thư đến của bạn. LLM có thể chọn những ý tưởng và tin tức quan trọng nhất cho bạn. Nó cũng tóm tắt nội dung để rút ngắn thời gian đọc của bạn và giúp bạn theo kịp các động thái của thị trường.
minmax.ai dành riêng cho lĩnh vực báo chí. Họ cung cấp bản tóm tắt tin tức mới nhất về một chủ đề cụ thể và cũng cung cấp phân tích tình cảm về chủ đề đó.
Các báo cáo nhàm chán loại bỏ nội dung giật gân khỏi tin tức và tập trung vào các chi tiết quan trọng để giúp người đọc đưa ra quyết định đúng đắn.
Robo-advisory là một trong những lĩnh vực hot nhất hiện nay. LLM có thể thúc đẩy việc sử dụng tư vấn rô-bốt. LLM có thể cung cấp các đề xuất giao dịch và giúp người dùng quản lý danh mục đầu tư dựa trên nền tảng thông tin chứng khoán.
Các dự án như Numer.ai sử dụng AI để dự đoán thị trường và quản lý quỹ. Ngoài ra còn có danh mục đầu tư được quản lý bởi LLM. Người dùng có thể theo dõi các danh mục đầu tư này trên Robinhood.
Nhà soạn nhạc mang đến các thuật toán giao dịch với AI. AI xây dựng các chiến lược giao dịch cụ thể dựa trên thông tin chi tiết của người dùng. Sau đó, AI sẽ tự động kiểm tra lại các chiến lược giao dịch này. Nếu người dùng hài lòng với các chính sách, Composer có thể tự động thực thi các chính sách đó cho người dùng.
Phân tích dự án bằng LLM
Các dự án phân tích thường liên quan đến việc đọc khối lượng lớn tài liệu và viết các bài nghiên cứu dài. LLM có thể đọc và viết các đoạn văn ngắn. Nếu chúng ta có thể mở rộng khả năng của nó sang các đoạn văn dài, điều đó có nghĩa là LLM bằng cách nào đó có thể tạo ra một số nghiên cứu dự án? Rất có thể là có. Chúng tôi có thể nhập các trang trắng, tài liệu hoặc bản trình bày sự kiện và để LLM phân tích các dự án và người sáng lập. Bị giới hạn bởi số lượng mã thông báo, trước tiên chúng tôi có thể viết đề cương của bài báo, sau đó cập nhật và tối ưu hóa từng phần theo thông tin thu được.
Các dự án như BabyAGI đã đạt được tiến bộ theo hướng này. Sau đây là đầu ra mẫu từ BlockAGI, một biến thể của BabyAGI.
LLM cũng có thể phân tích tính cách của người sáng lập dựa trên Twitter và nói trước công chúng. Ví dụ: Trình phân tích Tweet có thể lấy các tweet gần đây và sử dụng LLM để phân tích các đặc điểm cá nhân.
Tóm lại là
Đây là tám hướng cụ thể mà LLM có thể giúp cộng đồng blockchain trong tương lai gần:
Tích hợp các chức năng AI/LLM tích hợp vào chuỗi khối.
Sử dụng LLM để phân tích hồ sơ giao dịch.
Tăng cường bảo mật với LLM.
Viết mã bằng LLM.
Sử dụng LLM để đọc mã.
Tận dụng LLM để hỗ trợ cộng đồng.
Sử dụng LLM để theo dõi thị trường.
Áp dụng LLM để phân tích dự án.
LLM có thể mang lại lợi ích cho tất cả các thành viên của không gian tiền điện tử, bao gồm chủ dự án, nhà phân tích và kỹ sư. Những người sáng lập có thể sử dụng LLM để tự động hóa các tác vụ như tài liệu và Hỏi & Đáp. Các kỹ sư có thể sử dụng LLM để viết mã nhanh hơn và an toàn hơn. Các nhà phân tích có thể nghiên cứu các dự án dễ dàng hơn.
Về lâu dài, chúng tôi cũng nhận thấy cơ hội tiềm năng để áp dụng LLM trong không gian GameFi. LLM có thể tạo ra nhiều nhiệm vụ thú vị hơn trong trò chơi và đóng các vai trò khác nhau trong trò chơi. Thế giới trong game sẽ chân thực và thú vị hơn. Các NPC sẽ phản ứng linh hoạt dựa trên hành động của người chơi. Các nhiệm vụ sẽ có nhiều kết thúc hơn tùy thuộc vào cách người dùng giải quyết chúng.
LLM có thể được tích hợp vào các dự án hiện có, nhưng cũng mở ra cơ hội cho những người mới tham gia. Ví dụ: đã có một số người chơi hàng đầu trong lĩnh vực phân tích dữ liệu trên chuỗi. Dune có thể tích hợp LLM để cải thiện trải nghiệm người dùng. Tuy nhiên, LLM cũng mang đến cơ hội cho những người mới tham gia. Những người mới tham gia có thể đặt LLM ở trung tâm của thiết kế sản phẩm của họ. Các sản phẩm sáng tạo do AI dẫn đầu và lấy AI làm trung tâm này có thể mang lại sự cạnh tranh mới cho lĩnh vực phân tích dữ liệu trên chuỗi.
Có sự chồng chéo trong việc sử dụng LLM trong thế giới Web2 và Web3, nhưng chúng có thể triển khai các sản phẩm theo những cách khác nhau. Vì dữ liệu chúng tôi sử dụng trong thế giới Web3 không giống với dữ liệu trong thế giới Web2. Cơ sở tri thức của LLM cũng có thể khác nhau trong Web2 và Web3. Dữ liệu Web3 liên quan đến chuỗi khối, giá mã thông báo, tweet, dự án và nghiên cứu. Do đó, Web2 và Web3 yêu cầu các LLM khác nhau để phục vụ người dùng cuối.
Do sự bùng nổ của LLM, chúng ta đang chứng kiến sự phổ biến ngày càng tăng của AIxBlockchain. Tuy nhiên, nhiều AIxBlockhain không thực tế trong một khoảng thời gian ngắn. Chuỗi khối và bằng chứng không kiến thức không thể cung cấp sức mạnh tính toán quy mô lớn để đào tạo và lập luận cho một số mô hình phức tạp. Các mô hình nhỏ không thể giải quyết các nhiệm vụ phức tạp. Một cách tiếp cận thực tế hơn là áp dụng LLM trong lĩnh vực chuỗi khối. LLM gần đây đã đạt được nhiều tiến bộ hơn so với các chủ đề AI khác. Sẽ hợp lý hơn khi kết hợp LLM và blockchain.
Cộng đồng LLM đang nỗ lực cải thiện giới hạn mã thông báo và tăng độ chính xác của phản hồi. Những gì còn lại cho cộng đồng blockchain là nguồn dữ liệu và đường dẫn dữ liệu. Dữ liệu được làm sạch có thể được sử dụng để tinh chỉnh LLM nhằm cải thiện độ chính xác trong môi trường chuỗi khối. Các đường dẫn dữ liệu có thể tích hợp nhiều ứng dụng liên quan đến chuỗi khối hơn vào LLM và phát triển các tác nhân dành riêng cho tiền điện tử hơn.
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
IOSG Ventures: Thảo luận chuyên sâu về khả năng mới của LLM để mở tương tác chuỗi khối
Tác giả gốc: Yiping, IOSG Ventures
Chào mừng bạn đến với bài viết thứ hai trong loạt nghiên cứu về chuỗi khối và mô hình ngôn ngữ lớn (LLM) của chúng tôi. Trong bài viết trước, chúng ta đã thảo luận về cách tích hợp LLM và công nghệ chuỗi khối từ cấp độ kỹ thuật và tại sao khung LLM lại rất phù hợp với lĩnh vực chuỗi khối. Chúng tôi cũng phác thảo các lộ trình tiềm năng để tích hợp LLM với chuỗi khối trong tương lai.
Trong bài đăng này, chúng tôi sẽ thực hiện một cách tiếp cận thực tế hơn và đi sâu vào tám lĩnh vực ứng dụng cụ thể mà chúng tôi tin rằng sẽ thay đổi đáng kể trải nghiệm người dùng blockchain. Thú vị hơn nữa, chúng tôi dự đoán rằng những ứng dụng đột phá này sẽ trở thành hiện thực trong năm tới.
Tham gia với chúng tôi khi chúng tôi khám phá tương lai của tương tác blockchain. Dưới đây là tổng quan ngắn gọn về tám ứng dụng mà chúng ta sẽ thảo luận:
Tích hợp các khả năng AI/LLM tích hợp vào chuỗi khối
Sử dụng LLM để phân tích hồ sơ giao dịch
Tăng cường bảo mật với LLM
Viết mã với LLM
Đọc mã với LLM
Hỗ trợ cộng đồng bằng LLM
Triển khai LLM để theo dõi thị trường
Áp dụng LLM để phân tích dự án
Tích hợp các khả năng AI/LLM tích hợp vào chuỗi khối
Chuỗi khối sẽ có các chức năng và mô hình trí tuệ nhân tạo tích hợp. Các nhà phát triển có thể truy cập các chức năng AI để thực hiện các tác vụ ML đặc trưng như phân loại, hồi quy, hoàn thành văn bản và AIGC trên chuỗi. Các nhà phát triển có thể gọi các chức năng trí tuệ nhân tạo này thông qua các hợp đồng thông minh.
Với các tính năng tích hợp này, các nhà phát triển có thể cung cấp trí thông minh và quyền tự chủ cho các hợp đồng thông minh của họ. Phân loại, hồi quy và AIGC là các tác vụ AI điển hình. Hãy xem ứng dụng của các chức năng này trong lĩnh vực chuỗi khối và một vài dự án ví dụ.
Phân loại
Phân loại có thể được sử dụng để xác định xem một địa chỉ là bot hay người thật. Điều này có thể thay đổi tình hình bán hàng NFT hiện tại. Việc phân loại cũng có thể cải thiện tính bảo mật của hệ sinh thái DeFi. Hợp đồng thông minh DeFi có thể lọc các giao dịch độc hại và ngăn chặn việc mất tiền.
Hồi quy
Phân tích hồi quy có thể được sử dụng để dự báo, áp dụng cho quản lý quỹ và tài sản. Numer.ai đã sử dụng trí tuệ nhân tạo để giúp họ quản lý tiền. Numer cung cấp dữ liệu thị trường chứng khoán chất lượng cao mà các nhà khoa học dữ liệu làm việc và áp dụng học máy để dự đoán thị trường chứng khoán.
AIGC
Nhiều dự án NFT đang cố gắng xây dựng một vũ trụ IP. Tuy nhiên, nội dung hạn chế của chúng không thể hỗ trợ một vũ trụ. Nếu chúng tôi có thể sử dụng AIGC trên chuỗi, chúng tôi có thể tạo ra vô số nội dung với phong cách thương hiệu mang tính biểu tượng tương tự với chi phí tương đối thấp. Các mô hình có thể xuất văn bản, hình minh họa, nhạc, âm thanh và thậm chí cả video. Điều này mở rộng đáng kể kích thước của vũ trụ IP. Những người tham gia cộng đồng có thể cùng nhau tinh chỉnh mô hình để đáp ứng mong đợi của họ. Quá trình tinh chỉnh cũng làm cho cộng đồng cảm thấy được tham gia.
Botto sử dụng mô hình AIGC để tạo nội dung nghệ thuật. Cộng đồng bình chọn cho những hình ảnh yêu thích của họ để cùng tinh chỉnh mô hình AIGC.
Nếu xem blockchain như một cơ sở dữ liệu, chúng ta cũng thấy rằng Databend kết hợp các khả năng trí tuệ nhân tạo tích hợp vào cơ sở dữ liệu của họ. Chúng cung cấp các chức năng sau:
Cung cấp khả năng AI cho blockchain
Chúng tôi biết rằng một số dự án đang đưa các khả năng của AI vào chuỗi khối.
Giza đang làm việc trên ZKML. Nó tạo ra các bằng chứng lý luận ngoài chuỗi và xác minh chúng trên chuỗi. Nó hiện hỗ trợ các chuỗi khối tương thích với Máy ảo Ethereum cũng như StarkNet. Giza gần đây đã công bố quan hệ đối tác với Yearn.finance, theo đó Yearn sẽ tận dụng khả năng trí tuệ nhân tạo của Giza để nâng cao khả năng đánh giá rủi ro của mình.
Modulus Labs cũng đang hoạt động theo hướng tương tự. Họ làm việc chăm chỉ hơn để cải thiện các hệ thống bằng chứng nhằm tạo ra các mạch hiệu suất cao cho trí tuệ nhân tạo. Họ đã phát hành các bản demo như Chess AI và Ethereum Price Prediction AI. Dự án demo mới của họ, zkMon, là bộ sưu tập NFT Mạng đối thủ sáng tạo bằng chứng không có kiến thức đầu tiên trên thế giới.
Sử dụng LLM để phân tích hồ sơ giao dịch
Phân tích hồ sơ giao dịch thường được thực hiện bởi các ứng dụng cụ thể như Debank. Phân tích hồ sơ giao dịch thủ công bởi con người là khó khăn. Phân tích thủ công liên quan đến việc thu thập dữ liệu, làm sạch dữ liệu và phân tích dữ liệu, đòi hỏi người dùng phải có kỹ năng viết mã. Do khả năng phân tích và trực quan hóa dữ liệu của LLM, giờ đây chúng tôi có một cách tiếp cận mới. Thông qua LLM, chúng tôi có thể phân tích dữ liệu trên chuỗi theo nhu cầu tùy chỉnh. Chúng tôi có thể phân tích tỷ lệ thắng, tỷ lệ hiệu suất hoặc bất kỳ thông tin nào chúng tôi muốn biết.
RSS3 đã phát triển một plugin ChatGPT có tên Hoạt động người dùng Web3 để hoạt động theo hướng này. Người dùng có thể nhập địa chỉ ví, ENS hoặc Lens để truy vấn các hoạt động trên chuỗi. Plugin này sẽ xuất thông tin giao dịch ở dạng con người có thể đọc được. Tuy nhiên, thật không may, nó không thể thực hiện các truy vấn phức tạp như có bao nhiêu người nắm giữ Azuki, hợp đồng thông minh nào phổ biến nhất, v.v. Người dùng cũng nên lưu ý rằng các địa chỉ và thẻ do plugin cung cấp không nhất thiết phải chính xác.
DeFiLlama cũng đã phát hành plugin ChatGPT. Người dùng có thể truy vấn bất kỳ dữ liệu nào có sẵn trên DeFiLlama bằng ngôn ngữ tự nhiên. Nó cũng có thể thực hiện các hoạt động lọc và sắp xếp đơn giản:
Dune cũng đang tích hợp GPT vào sản phẩm của mình để kích hoạt các tính năng sau:
Tận dụng LLM để tăng cường bảo mật
Do tính logic và khả năng lập luận của nó, LLM có thể được sử dụng để lọc một số giao dịch độc hại và hoạt động như một bức tường lửa cho các hợp đồng thông minh. Dưới đây là một ví dụ cụ thể về cách chặn hoạt động của bot:
Sau khi nhập địa chỉ, LLM có thể lấy tất cả dữ liệu giao dịch thông qua phần bổ trợ của bên thứ ba, sau đó phân tích các bản ghi giao dịch này và đưa ra khả năng địa chỉ đó là của rô-bốt. Chức năng này có thể được nhúng trong Dapps nơi bot không được hoan nghênh, chẳng hạn như bán hàng NFT.
Dưới đây là một ví dụ đơn giản thông qua ChatGPT. ChatGPT truy xuất các bản ghi giao dịch của tài khoản thông qua phần bổ trợ hoạt động của người dùng Web3 do RSS3 phát triển, sau đó phân tích các bản ghi giao dịch này và đưa ra khả năng tài khoản đó là rô-bốt.
Nếu chúng tôi cung cấp nhiều bản ghi giao dịch hơn và tinh chỉnh LLM trên bộ dữ liệu liên quan đến bot, thì chúng tôi có thể đạt được kết quả chính xác hơn. Dưới đây là một quy trình công việc ví dụ cho một ứng dụng như vậy. Chúng tôi cũng có thể thêm các lớp bộ nhớ đệm và cơ sở dữ liệu để cải thiện khả năng phản hồi và giảm chi phí.
Viết mã bằng LLM
LLM được sử dụng rộng rãi trong phát triển để giúp các nhà phát triển viết mã nhanh hơn và tốt hơn. Theo hướng của nhà phát triển, LLM có thể tạo mã cho họ. Hiện tại, các nhà phát triển vẫn cần cung cấp hướng dẫn chi tiết cho LLM. Rất khó để LLM tự động tạo mã cho toàn bộ dự án.
Một số mô hình LLM phổ biến dành cho mã bao gồm StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B và MPT 30 B.
Tất cả các mô hình này có thể được sử dụng để viết hợp đồng thông minh, nhưng chúng có thể chưa được đào tạo cụ thể về dữ liệu hợp đồng thông minh. Họ vẫn còn chỗ để cải thiện.
Hiện tại, chỉ có một bộ dữ liệu liên quan đến hợp đồng thông minh có sẵn trên HuggingFace. Đó là tập hợp các hợp đồng thông minh đã được kiểm toán, bao gồm 113.000 hợp đồng thông minh. Nó có thể được sử dụng cho các tác vụ như phân loại văn bản, tạo văn bản và phát hiện lỗ hổng.
Tạo mã tự động có thể hứa hẹn hơn các công cụ phát triển được hỗ trợ. Tạo mã tự động phù hợp với hợp đồng thông minh vì hợp đồng thông minh tương đối ngắn và tương đối đơn giản. Có một số cách mà LLM có thể giúp các nhà phát triển tự động tạo mã trong không gian chuỗi khối.
Bài kiểm tra
Đầu tiên, LLM có thể tạo các bài kiểm tra cho các hợp đồng thông minh được viết tốt. Ví dụ: Codium có thể tự động tạo các bài kiểm tra cho các dự án đã viết. Codium hiện hỗ trợ JS và TS. Codium bắt đầu bằng cách hiểu cơ sở mã, phân tích từng chức năng, chuỗi tài liệu và nhận xét. Codium sau đó viết phân tích mã trở lại tệp dưới dạng nhận xét và đưa ra kế hoạch kiểm tra. Người dùng có thể chọn các bài kiểm tra ưa thích của họ và Codium sẽ tạo mã kiểm tra đã chọn.
Các công cụ phụ trợ khác cũng hỗ trợ tạo các bài kiểm tra cho các chức năng đã chọn.
Chúng tôi có thể sao chép chức năng tương tự trên GPT-4 theo các bước tương tự.
Chúng tôi yêu cầu phân tích mã trước vì chúng tôi muốn LLM dành nhiều thời gian hơn cho nhiệm vụ này. LLM không biết nhiệm vụ nào khó. Nó sử dụng cùng một sức mạnh tính toán trên mỗi điểm đánh dấu. Điều này có thể dẫn đến kết quả không chính xác trong các tác vụ phức tạp. Dựa trên những đặc điểm này, chúng tôi yêu cầu phân tích mã. Bằng cách này, LLM sẽ dành nhiều mã thông báo/thời gian hơn để suy nghĩ về những nhiệm vụ này và tạo ra kết quả chất lượng cao hơn. Phương pháp này còn được gọi là "chuỗi suy nghĩ".
Để làm cho nó hoạt động cho các hợp đồng thông minh dài hơn, chúng tôi cần một LLM với ngữ cảnh lớn hơn hoặc một số kỹ thuật để bảo toàn bộ nhớ.
Tạo tập lệnh trợ giúp
Thứ hai, chúng ta có thể sử dụng LLM để tự động tạo một số tập lệnh phụ trợ, chẳng hạn như tập lệnh triển khai.
Tập lệnh triển khai giảm các lỗi tiềm ẩn trong quá trình triển khai thủ công. Ý tưởng này rất giống với việc tự động tạo các bài kiểm tra.
Ngã ba tự động
Trong một thị trường giá lên, sẽ có nhiều dự án rẽ nhánh trong đó các nhóm thực hiện các thay đổi mã nhỏ so với cơ sở mã ban đầu của họ. Đây sẽ là một trường hợp sử dụng tuyệt vời cho LLM: LLM có thể giúp các nhà phát triển tự động sửa đổi mã theo nhu cầu của nhóm. Thông thường chỉ cần thay đổi các phần cụ thể của mã. Điều này tương đối dễ đạt được đối với LLM.
Tạo mã tự động
Nếu chúng ta tiến thêm một bước nữa, LLM có thể tự động tạo hợp đồng thông minh theo nhu cầu của nhà phát triển không? So với các phần mềm phức tạp khác được viết bằng JS, Rust và Python, hợp đồng thông minh tương đối ngắn và tương đối đơn giản. Không có nhiều thư viện bên ngoài cho hợp đồng thông minh. Tìm ra cách viết hợp đồng thông minh tương đối dễ dàng đối với LLM.
Chúng tôi đã thấy một số tiến bộ trong việc tạo mã tự động. GPT-engineer là một trong những người tiên phong. Nó giải quyết các nhu cầu của người dùng và trả lời bất kỳ câu hỏi nào mà LLM có thể có, trước khi mã hóa bắt đầu. Mã này cũng bao gồm một tập lệnh chạy toàn bộ dự án. GPT-engineer có thể tự động bắt đầu các dự án dành cho nhà phát triển.
Sau khi người dùng nhập các yêu cầu của họ, kỹ sư GPT sẽ phân tích các yêu cầu và yêu cầu làm rõ một số điều. Sau khi thu thập tất cả các thông tin cần thiết, trước tiên, kỹ sư GPT sẽ đưa ra thiết kế của chương trình, bao gồm các lớp cốt lõi, chức năng và phương thức cần thiết cho nhiệm vụ này. Sau đó, kỹ sư GPT sẽ tạo mã cho từng tệp.
Với một gợi ý như thế này, chúng ta có thể tạo ra một hợp đồng thông minh ngược lại.
Hợp đồng thông minh biên dịch và hoạt động như mong đợi.
Vì GPT-engineer ban đầu được thiết kế cho Python nên nó gặp một số vấn đề khi tạo mã liên quan đến Hardhat. GPT-engineer không biết về phiên bản mới nhất của Hardhat và đôi khi tạo ra các tập lệnh triển khai và thử nghiệm đã lỗi thời.
Nếu mã của chúng tôi có lỗi, chúng tôi có thể cung cấp nhật ký lỗi bảng điều khiển và cơ sở mã cho LLM. LLM có thể liên tục sửa đổi mã cho đến khi mã có thể chạy thành công. Chúng tôi thấy một cái gì đó giống như ** [flo] (Các dự án như vậy đang phát triển theo hướng này. Hiện tại, flo chỉ hỗ trợ JS.
Nếu chúng tôi muốn tăng độ chính xác của việc tạo hợp đồng thông minh, chúng tôi có thể cải thiện kỹ sư GPT với một số gợi ý mới. Chúng ta có thể áp dụng phương pháp phát triển dựa trên thử nghiệm, yêu cầu LLM đảm bảo rằng chương trình vượt qua các thử nghiệm nhất định, để hạn chế tốt hơn chương trình được tạo.
Sử dụng LLM để đọc mã
Vì LLM hiểu mã tốt, chúng tôi có thể sử dụng LLM để viết tài liệu dành cho nhà phát triển. LLM cũng có thể theo dõi các thay đổi mã để cập nhật tài liệu. Chúng tôi đã thảo luận về phương pháp này ở cuối báo cáo nghiên cứu trước đây của mình, Khám phá trải nghiệm của nhà phát triển trên ZKRU: Phân tích chuyên sâu.
Đọc tài liệu là cách truyền thống, nhưng giao tiếp với mã là một cách mới. Người dùng có thể đặt bất kỳ câu hỏi nào về mã và LLM sẽ trả lời chúng. LLM có thể giải thích mã cho các nhà phát triển và giúp họ nhanh chóng hiểu các hợp đồng thông minh trên chuỗi. LLM cũng có thể giúp những người không có kinh nghiệm viết mã hiểu hợp đồng thông minh.
Chúng tôi đã thấy xu hướng này trong thế giới Web2. Nhiều công cụ hỗ trợ mã có khả năng diễn giải mã.
Etherescan cũng trình diễn chức năng mới của mình, cho phép người dùng giao tiếp bằng mã, tận dụng sức mạnh của LLM.
Kiểm toán thay đổi như thế nào khi mã được hiểu? Trong các thử nghiệm trên bài báo "bạn có cần kiểm toán hợp đồng thông minh thủ công không", LLM đã đạt được tỷ lệ thành công 40% trong việc xác định các lỗ hổng, vượt trội so với các đường cơ sở ngẫu nhiên. Tuy nhiên, chúng cũng có tỷ lệ dương tính giả cao. Các tác giả lưu ý, nhắc nhở thích hợp là chìa khóa.
Ngoài các gợi ý, những lý do sau hạn chế ứng dụng của nó:
Những vấn đề này không khó để giải quyết. Các công ty kiểm toán lớn có hàng ngàn báo cáo kiểm toán có thể được sử dụng để tinh chỉnh LLM. Các LLM có ràng buộc mã thông báo lớn đang xuất hiện. Claude có giới hạn 100.000 mã thông báo. LTM-1 mới được phát hành có giới hạn 5 triệu mã thông báo ấn tượng. Thông qua những nỗ lực giải quyết hai vấn đề này, chúng ta có thể thấy các LLM trở nên tốt hơn trong việc xác định các lỗ hổng. LLM có thể hỗ trợ kiểm toán viên và tăng tốc quá trình kiểm toán. Điều này có thể phát triển dần dần. Dưới đây là các quỹ đạo phát triển có thể:
Giúp kiểm toán viên tổ chức ngôn ngữ và định dạng báo cáo. Điều này đảm bảo tính nhất quán về ngôn ngữ trong cùng một công ty kiểm toán. Thông thường các nhóm khác nhau có thể có từ vựng ưa thích khác nhau.
Giúp kiểm toán viên xác định và xác minh các lỗ hổng tiềm ẩn.
Tự động tạo báo cáo dự thảo kiểm toán.
Sử dụng LLM để giúp đỡ cộng đồng
Quản trị là một phần quan trọng của cộng đồng. Các thành viên cộng đồng có quyền bỏ phiếu cho các đề xuất yêu thích của họ. Những đề xuất này sẽ định hình tương lai của sản phẩm.
Đối với các đề xuất quan trọng, sẽ có rất nhiều thông tin cơ bản và thảo luận cộng đồng. Rất khó để các thành viên cộng đồng hiểu đầy đủ bối cảnh này trước khi bỏ phiếu. LLM có thể giúp các thành viên cộng đồng nhanh chóng hiểu được tác động trong tương lai của các lựa chọn của họ và giúp họ bỏ phiếu.
Bot trả lời câu hỏi là một ứng dụng tiềm năng khác. Chúng tôi đã thấy bot Hỏi & Đáp dựa trên tài liệu dự án. Chúng ta có thể tiến xa hơn để xây dựng cơ sở dữ liệu tri thức lớn hơn. Chúng tôi có thể kết nối các phương tiện và nguồn khác nhau như bản trình bày, podcast, GitHub, trò chuyện Discord và Không gian Twitter. Các bot Hỏi & Đáp không chỉ tồn tại trong thanh tìm kiếm tài liệu mà còn có thể cung cấp hỗ trợ ngay lập tức cho các thành viên cộng đồng trên Discord hoặc truyền bá tầm nhìn của dự án trên Twitter và trả lời bất kỳ câu hỏi nào.
AwesomeQA hiện đang phát triển theo hướng này. Nó thực hiện ba chức năng:
Một trong những khó khăn mà robot trả lời câu hỏi hiện đang gặp phải là làm thế nào để có được ngữ cảnh liên quan một cách chính xác từ cơ sở dữ liệu vectơ và cung cấp ngữ cảnh cho LLM. Ví dụ: nếu người dùng yêu cầu một truy vấn với các bộ lọc trên nhiều tính năng cho nhiều thành phần, rô-bốt có thể không truy xuất được ngữ cảnh liên quan từ cơ sở dữ liệu vectơ.
Cập nhật cơ sở dữ liệu vectơ là một vấn đề khác. Giải pháp hiện tại là xây dựng lại cơ sở dữ liệu vectơ hoặc cập nhật cơ sở dữ liệu vectơ thông qua không gian tên. Thêm không gian tên vào nhúng tương tự như gắn nhãn vào dữ liệu. Điều này giúp các nhà phát triển tìm và cập nhật các nội dung nhúng phù hợp dễ dàng hơn.
Sử dụng LLM để theo dõi thị trường
Thị trường thay đổi rất nhiều và nhiều điều xảy ra hàng ngày. Giống như KOL (Key Opinion Leaders) đăng những ý tưởng và suy nghĩ mới, các bản tin và email sản phẩm đổ vào hộp thư đến của bạn. LLM có thể chọn những ý tưởng và tin tức quan trọng nhất cho bạn. Nó cũng tóm tắt nội dung để rút ngắn thời gian đọc của bạn và giúp bạn theo kịp các động thái của thị trường.
minmax.ai dành riêng cho lĩnh vực báo chí. Họ cung cấp bản tóm tắt tin tức mới nhất về một chủ đề cụ thể và cũng cung cấp phân tích tình cảm về chủ đề đó.
Các báo cáo nhàm chán loại bỏ nội dung giật gân khỏi tin tức và tập trung vào các chi tiết quan trọng để giúp người đọc đưa ra quyết định đúng đắn.
Robo-advisory là một trong những lĩnh vực hot nhất hiện nay. LLM có thể thúc đẩy việc sử dụng tư vấn rô-bốt. LLM có thể cung cấp các đề xuất giao dịch và giúp người dùng quản lý danh mục đầu tư dựa trên nền tảng thông tin chứng khoán.
Các dự án như Numer.ai sử dụng AI để dự đoán thị trường và quản lý quỹ. Ngoài ra còn có danh mục đầu tư được quản lý bởi LLM. Người dùng có thể theo dõi các danh mục đầu tư này trên Robinhood.
Nhà soạn nhạc mang đến các thuật toán giao dịch với AI. AI xây dựng các chiến lược giao dịch cụ thể dựa trên thông tin chi tiết của người dùng. Sau đó, AI sẽ tự động kiểm tra lại các chiến lược giao dịch này. Nếu người dùng hài lòng với các chính sách, Composer có thể tự động thực thi các chính sách đó cho người dùng.
Phân tích dự án bằng LLM
Các dự án phân tích thường liên quan đến việc đọc khối lượng lớn tài liệu và viết các bài nghiên cứu dài. LLM có thể đọc và viết các đoạn văn ngắn. Nếu chúng ta có thể mở rộng khả năng của nó sang các đoạn văn dài, điều đó có nghĩa là LLM bằng cách nào đó có thể tạo ra một số nghiên cứu dự án? Rất có thể là có. Chúng tôi có thể nhập các trang trắng, tài liệu hoặc bản trình bày sự kiện và để LLM phân tích các dự án và người sáng lập. Bị giới hạn bởi số lượng mã thông báo, trước tiên chúng tôi có thể viết đề cương của bài báo, sau đó cập nhật và tối ưu hóa từng phần theo thông tin thu được.
Các dự án như BabyAGI đã đạt được tiến bộ theo hướng này. Sau đây là đầu ra mẫu từ BlockAGI, một biến thể của BabyAGI.
LLM cũng có thể phân tích tính cách của người sáng lập dựa trên Twitter và nói trước công chúng. Ví dụ: Trình phân tích Tweet có thể lấy các tweet gần đây và sử dụng LLM để phân tích các đặc điểm cá nhân.
Tóm lại là
Đây là tám hướng cụ thể mà LLM có thể giúp cộng đồng blockchain trong tương lai gần:
Tích hợp các chức năng AI/LLM tích hợp vào chuỗi khối.
Sử dụng LLM để phân tích hồ sơ giao dịch.
Tăng cường bảo mật với LLM.
Viết mã bằng LLM.
Sử dụng LLM để đọc mã.
Tận dụng LLM để hỗ trợ cộng đồng.
Sử dụng LLM để theo dõi thị trường.
Áp dụng LLM để phân tích dự án.
LLM có thể mang lại lợi ích cho tất cả các thành viên của không gian tiền điện tử, bao gồm chủ dự án, nhà phân tích và kỹ sư. Những người sáng lập có thể sử dụng LLM để tự động hóa các tác vụ như tài liệu và Hỏi & Đáp. Các kỹ sư có thể sử dụng LLM để viết mã nhanh hơn và an toàn hơn. Các nhà phân tích có thể nghiên cứu các dự án dễ dàng hơn.
Về lâu dài, chúng tôi cũng nhận thấy cơ hội tiềm năng để áp dụng LLM trong không gian GameFi. LLM có thể tạo ra nhiều nhiệm vụ thú vị hơn trong trò chơi và đóng các vai trò khác nhau trong trò chơi. Thế giới trong game sẽ chân thực và thú vị hơn. Các NPC sẽ phản ứng linh hoạt dựa trên hành động của người chơi. Các nhiệm vụ sẽ có nhiều kết thúc hơn tùy thuộc vào cách người dùng giải quyết chúng.
LLM có thể được tích hợp vào các dự án hiện có, nhưng cũng mở ra cơ hội cho những người mới tham gia. Ví dụ: đã có một số người chơi hàng đầu trong lĩnh vực phân tích dữ liệu trên chuỗi. Dune có thể tích hợp LLM để cải thiện trải nghiệm người dùng. Tuy nhiên, LLM cũng mang đến cơ hội cho những người mới tham gia. Những người mới tham gia có thể đặt LLM ở trung tâm của thiết kế sản phẩm của họ. Các sản phẩm sáng tạo do AI dẫn đầu và lấy AI làm trung tâm này có thể mang lại sự cạnh tranh mới cho lĩnh vực phân tích dữ liệu trên chuỗi.
Có sự chồng chéo trong việc sử dụng LLM trong thế giới Web2 và Web3, nhưng chúng có thể triển khai các sản phẩm theo những cách khác nhau. Vì dữ liệu chúng tôi sử dụng trong thế giới Web3 không giống với dữ liệu trong thế giới Web2. Cơ sở tri thức của LLM cũng có thể khác nhau trong Web2 và Web3. Dữ liệu Web3 liên quan đến chuỗi khối, giá mã thông báo, tweet, dự án và nghiên cứu. Do đó, Web2 và Web3 yêu cầu các LLM khác nhau để phục vụ người dùng cuối.
Do sự bùng nổ của LLM, chúng ta đang chứng kiến sự phổ biến ngày càng tăng của AIxBlockchain. Tuy nhiên, nhiều AIxBlockhain không thực tế trong một khoảng thời gian ngắn. Chuỗi khối và bằng chứng không kiến thức không thể cung cấp sức mạnh tính toán quy mô lớn để đào tạo và lập luận cho một số mô hình phức tạp. Các mô hình nhỏ không thể giải quyết các nhiệm vụ phức tạp. Một cách tiếp cận thực tế hơn là áp dụng LLM trong lĩnh vực chuỗi khối. LLM gần đây đã đạt được nhiều tiến bộ hơn so với các chủ đề AI khác. Sẽ hợp lý hơn khi kết hợp LLM và blockchain.
Cộng đồng LLM đang nỗ lực cải thiện giới hạn mã thông báo và tăng độ chính xác của phản hồi. Những gì còn lại cho cộng đồng blockchain là nguồn dữ liệu và đường dẫn dữ liệu. Dữ liệu được làm sạch có thể được sử dụng để tinh chỉnh LLM nhằm cải thiện độ chính xác trong môi trường chuỗi khối. Các đường dẫn dữ liệu có thể tích hợp nhiều ứng dụng liên quan đến chuỗi khối hơn vào LLM và phát triển các tác nhân dành riêng cho tiền điện tử hơn.