مرحبًا بكم في المقالة الثانية في نموذج اللغة الكبير (LLM) وسلسلة أبحاث blockchain. في المقالة السابقة ، ناقشنا كيفية دمج تقنية LLM و blockchain من المستوى التقني ، ولماذا يكون إطار عمل LLM مناسبًا جدًا لمجال blockchain. نحدد أيضًا المسارات المحتملة لدمج LLM مع blockchain في المستقبل.
في هذا المنشور ، سنتخذ نهجًا عمليًا أكثر ونغوص في ثمانية مجالات تطبيق محددة نعتقد أنها ستغير تجربة مستخدم blockchain بشكل كبير. والأكثر إثارة ، نتوقع أن تصبح هذه التطبيقات المتقدمة حقيقة واقعة خلال العام المقبل.
انضم إلينا ونحن نكشف عن مستقبل تفاعل blockchain. فيما يلي نظرة عامة موجزة عن التطبيقات الثمانية التي سنناقشها:
دمج قدرات AI / LLM المدمجة في blockchain
استخدام LLM لتحليل سجلات المعاملات
تعزيز الأمن مع ماجستير
اكتب الكود مع LLM
اقرأ الكود مع LLM
مساعدة المجتمع مع ماجستير
تطبيق LLM لتتبع السوق
تطبيق ماجستير لتحليل المشاريع
دمج إمكانات AI / LLM المدمجة في blockchain
سيكون لدى blockchain وظائف ونماذج ذكاء اصطناعي مضمنة. يمكن للمطورين الوصول إلى وظائف AI لأداء مهام ML التوقيع مثل التصنيف والانحدار وإكمال النص و AIGC على السلسلة. يمكن للمطورين استدعاء وظائف الذكاء الاصطناعي هذه من خلال العقود الذكية.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-27342d2164-dd1a6f-1c6801)
باستخدام هذه الميزات المضمنة ، يمكن للمطورين توفير الذكاء والاستقلالية لعقودهم الذكية. التصنيف والانحدار و AIGC هي مهام نموذجية للذكاء الاصطناعي. دعونا نرى تطبيق هذه الوظائف في مجال blockchain وبعض الأمثلة على المشاريع.
تصنيف
يمكن استخدام التصنيف لتحديد ما إذا كان العنوان روبوتًا أم شخصًا حقيقيًا. هذا يمكن أن يغير الوضع الحالي لمبيعات NFT. يمكن أن يؤدي التصنيف أيضًا إلى تحسين أمان نظام DeFi البيئي. يمكن لعقود DeFi الذكية تصفية المعاملات الضارة ومنع فقدان الأموال.
تراجع
يمكن استخدام تحليل الانحدار للتنبؤ ، وتطبيقه على إدارة الأموال والأصول. يستخدم Numer.ai بالفعل الذكاء الاصطناعي لمساعدتهم على إدارة الأموال. يوفر Numer بيانات سوق الأوراق المالية عالية الجودة التي يعمل عليها علماء البيانات ويطبقون التعلم الآلي للتنبؤ بسوق الأوراق المالية.
AIGC
تحاول العديد من مشاريع NFT بناء عالم IP. ومع ذلك ، فإن محتواها المحدود لا يمكن أن يدعم الكون. إذا تمكنا من استخدام AIGC في السلسلة ، فيمكننا إنتاج محتوى لا حصر له بأسلوب علامة تجارية مشابه بتكلفة منخفضة نسبيًا. يمكن للنماذج إخراج النصوص والرسوم التوضيحية والموسيقى والصوت وحتى الفيديو. هذا يوسع حجم عالم IP بشكل كبير. يمكن للمشاركين في المجتمع تحسين النموذج بشكل جماعي لتلبية توقعاتهم. كما أن عملية الضبط الدقيق تجعل المجتمع يشعر بالمشاركة.
يستخدم Botto نموذج AIGC لإنشاء محتوى فني. يصوت المجتمع على صورهم المفضلة لضبط نموذج AIGC بشكل جماعي.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-a07efaec36-dd1a6f-1c6801)
إذا نظرنا إلى blockchain كقاعدة بيانات ، نجد أيضًا أن Databend يدمج إمكانات الذكاء الاصطناعي المضمنة في قاعدة البيانات الخاصة بهم. أنها توفر الوظائف التالية:
ai \ _embedding \ _vector: إنشاء متجهات التضمين للمستندات النصية.
ai \ _text \ _completion: إنشاء إكمال النص بناءً على التلميح المعطى.
جيب التمام \ _ المسافة: يحسب مسافة جيب التمام بين متجهي التضمين.
ai \ _to \ _sql: تحويل تعليمات اللغة الطبيعية إلى استعلامات SQL.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-a47067ba83-dd1a6f-1c6801)
توفير قدرات الذكاء الاصطناعي لـ blockchain
نحن نعلم أن بعض المشاريع تجلب قدرات الذكاء الاصطناعي إلى blockchain.
الجيزة تعمل على ZKML. يولد البراهين المنطقية خارج السلسلة ويتحقق منها على السلسلة. وهي تدعم الآن blockchains المتوافقة مع Ethereum Virtual Machine وكذلك StarkNet. أعلنت الجيزة مؤخرًا عن شراكة مع Yearn.finance ، حيث ستستفيد Yearn من قدرات الذكاء الاصطناعي في الجيزة لتعزيز قدراتها على تقييم المخاطر.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-48ada58e85-dd1a6f-1c6801)
تعمل معامل معامل أيضًا في اتجاه مماثل. إنهم يعملون بجد لتحسين أنظمة الإثبات لتوليد دوائر عالية الأداء للذكاء الاصطناعي. أطلقوا عروض توضيحية مثل Chess AI و Ethereum Price Prediction AI. مشروعهم التجريبي الجديد ، zkMon ، هو أول شبكة NFT للتحصيل دليل على المعرفة الصفرية في العالم.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-9cd74f7458-dd1a6f-1c6801)
استخدم LLM لتحليل سجلات المعاملات
عادة ما يتم تحليل سجلات المعاملات بواسطة تطبيقات محددة مثل Debank. من الصعب تحليل سجلات المعاملات يدويًا بواسطة البشر. يتضمن التحليل اليدوي جمع البيانات وتنظيفها وتحليلها ، الأمر الذي يتطلب من المستخدمين امتلاك مهارات الترميز. بسبب قدرة LLM على تحليل وتصور البيانات ، لدينا الآن نهج جديد. من خلال LLM ، يمكننا تحليل البيانات على السلسلة وفقًا للاحتياجات المخصصة. يمكننا تحليل معدل الفوز أو نسبة الأداء أو أي معلومات نريد معرفتها.
طورت RSS3 مكونًا إضافيًا ChatGPT يسمى نشاط مستخدم Web3 للعمل في هذا الاتجاه. يمكن للمستخدمين إدخال عنوان المحفظة أو ENS أو Lens للاستعلام عن الأنشطة المتصلة بالسلسلة. سيخرج هذا البرنامج المساعد معلومات المعاملة في نموذج يمكن قراءته من قبل الإنسان. ومع ذلك ، لسوء الحظ ، لا يمكنه إجراء استعلامات معقدة مثل عدد حاملي Azuki ، والعقود الذكية الأكثر شيوعًا ، وما إلى ذلك. يجب أن يدرك المستخدمون أيضًا أن العناوين والعلامات التي توفرها المكونات الإضافية ليست دقيقة بالضرورة.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-1f74b0de50-dd1a6f-1c6801)
أصدر DeFiLlama أيضًا مكونًا إضافيًا ChatGPT. يمكن للمستخدمين الاستعلام عن أي بيانات متاحة على DeFiLlama بلغة طبيعية. يمكنه أيضًا إجراء عمليات تصفية وفرز بسيطة:
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-308ba27881-dd1a6f-1c6801)
تعمل Dune أيضًا على دمج GPT في منتجها لتمكين الميزات التالية:
تفسير الاستعلام: استخدم LLM لشرح الاستفسارات
ترجمة الاستعلام: استخدم LLM لترجمة لغات SQL الأخرى إلى DuneSQL
استعلام لغة طبيعية: يسمح للمستخدمين بكتابة استفسارات بلغة طبيعية
البحث: تحسين نتائج البحث باستخدام LLM
قاعدة معارف المعالج: روبوت محادثة يتيح للمستخدمين التواصل مع المستندات
الاستفادة من LLM لتعزيز الأمان
نظرًا لقدراتها المنطقية والمنطقية ، يمكن استخدام LLM لتصفية بعض المعاملات الضارة والعمل كجدار حماية للعقود الذكية. فيما يلي مثال ملموس لكيفية منع نشاط الروبوت:
بعد إدخال العنوان ، يمكن لـ LLM الحصول على جميع بيانات المعاملات من خلال برنامج إضافي تابع لجهة خارجية ، ثم تحليل سجلات المعاملات هذه ، وتحديد إمكانية أن يكون العنوان روبوتًا. يمكن تضمين هذه الوظيفة في Dapps حيث لا يتم الترحيب بالروبوتات ، مثل مبيعات NFT.
يوجد أدناه مثال بسيط عبر ChatGPT. يقوم ChatGPT باسترداد سجلات معاملات الحساب من خلال المكون الإضافي لنشاط المستخدم Web3 الذي طورته RSS3 ، ثم يقوم بتحليل سجلات المعاملات هذه ، ويخرج احتمالية أن يكون الحساب روبوتًا.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-ec33bac70e-dd1a6f-1c6801)
إذا قمنا بتغذية المزيد من سجلات المعاملات وقمنا بضبط LLM على مجموعة البيانات المتعلقة بالروبوت ، فيمكننا تحقيق نتائج أكثر دقة. يوجد أدناه مثال على سير العمل لمثل هذا التطبيق. يمكننا أيضًا إضافة طبقات التخزين المؤقت وقاعدة البيانات لتحسين الاستجابة وتقليل التكاليف.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-425801bcf6-dd1a6f-1c6801)
كتابة التعليمات البرمجية باستخدام LLM
يستخدم LLM على نطاق واسع في التطوير لمساعدة المطورين على كتابة التعليمات البرمجية بشكل أسرع وأفضل. بتوجيه من المطور ، يمكن لـ LLM إنشاء رمز لهم. حاليًا ، لا يزال المطورون بحاجة إلى تقديم إرشادات مفصلة لـ LLM. يصعب على LLM إنشاء رمز تلقائيًا للمشروع بأكمله.
تتضمن بعض نماذج LLM الشائعة للتعليمات البرمجية StarCoder و StarCoder + و Code T 5 و LTM و DIDACT و WizardCoder و FalCoder-7 B و MPT 30 B.
يمكن استخدام كل هذه النماذج لكتابة عقود ذكية ، لكن ربما لم يتم تدريبها تحديدًا على بيانات العقود الذكية. لا يزال لديهم مجال للتحسين.
حاليًا ، لا تتوفر سوى مجموعة بيانات ذكية واحدة متعلقة بالعقد على HuggingFace. إنها مجموعة المراوغة من العقود الذكية المدققة ، والتي تحتوي على 113000 عقد ذكي. يمكن استخدامه لمهام مثل تصنيف النص ، وإنشاء النص ، واكتشاف الثغرات الأمنية.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-ca46f92078-dd1a6f-1c6801)
قد يكون إنشاء الكود التلقائي واعدًا أكثر من أدوات التطوير المساعدة. يعد إنشاء الكود التلقائي مناسبًا للعقود الذكية لأن العقود الذكية قصيرة نسبيًا وبسيطة نسبيًا. هناك عدة طرق يمكن أن تساعد بها LLM المطورين تلقائيًا في إنشاء رمز في مساحة blockchain.
امتحان
أولاً ، يمكن لـ LLM إنشاء اختبارات للعقود الذكية المكتوبة جيدًا. على سبيل المثال ، يمكن لـ Codium إنشاء اختبارات تلقائيًا للمشاريع المكتوبة. يدعم Codium حاليًا JS و TS. يبدأ Codium بفهم قاعدة الكود ، وتحليل كل وظيفة ، وتوثيق ، وتعليق. ثم يكتب Codium تحليل الكود مرة أخرى إلى الملف كتعليقات ويخرج خطة اختبار. يمكن للمستخدمين تحديد اختباراتهم المفضلة وسيقوم Codium بإنشاء رمز الاختبار المحدد.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-1aa36ec552-dd1a6f-1c6801)
تدعم الأدوات المساعدة الأخرى أيضًا إنشاء اختبارات للوظائف المحددة.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-1779c0ea36-dd1a6f-1c6801)
يمكننا تكرار وظائف مماثلة على GPT-4 باتباع خطوات مماثلة.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-4b81cabb4d-dd1a6f-1c6801)
لقد طلبنا تحليل الكود أولاً لأننا أردنا أن تقضي LLM وقتًا أطول في هذه المهمة. لا تعرف LLM المهام الصعبة. إنها تنفق نفس قوة الحوسبة على كل علامة. يمكن أن يؤدي هذا إلى نتائج غير دقيقة في المهام المعقدة. بناءً على هذه الخصائص ، نطلب تحليل الكود. بهذه الطريقة ، ستقضي LLM المزيد من الرموز / الوقت في التفكير في هذه المهام وإخراج نتائج عالية الجودة. تُعرف هذه الطريقة أيضًا باسم "سلسلة التفكير".
لجعلها تعمل من أجل عقود ذكية أطول ، نحتاج إلى LLM مع سياق أكبر ، أو بعض الهندسة للحفاظ على الذاكرة.
إنشاء نصوص مساعدة
ثانيًا ، يمكننا استخدام LLM لإنشاء بعض البرامج النصية المساعدة تلقائيًا ، مثل البرامج النصية للنشر.
تعمل البرامج النصية للنشر على تقليل الأخطاء المحتملة أثناء عمليات النشر اليدوية. الفكرة مشابهة جدًا لتوليد الاختبارات تلقائيًا.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-95bab0caff-dd1a6f-1c6801)
تفرع تلقائي
في السوق الصاعدة ، سيكون هناك العديد من المشاريع المتشعبة حيث تقوم الفرق بإجراء تغييرات صغيرة في التعليمات البرمجية من قاعدة التعليمات البرمجية الأصلية الخاصة بهم. ستكون هذه حالة استخدام رائعة لـ LLM: يمكن أن تساعد LLM المطورين على تعديل الكود تلقائيًا وفقًا لاحتياجات الفريق. عادة ما يلزم تغيير أجزاء معينة فقط من الكود. هذا من السهل تحقيقه نسبيًا لـ LLM.
إنشاء رمز تلقائي
إذا ذهبنا خطوة إلى الأمام ، فهل يمكن لشركة LLM إنشاء عقود ذكية تلقائيًا وفقًا لاحتياجات المطورين؟ بالمقارنة مع البرامج المعقدة الأخرى المكتوبة بلغة JS و Rust و Python ، فإن العقود الذكية قصيرة نسبيًا وبسيطة نسبيًا. لا توجد مكتبات خارجية كثيرة للعقود الذكية. يعد اكتشاف كيفية كتابة عقد ذكي أمرًا سهلاً نسبيًا بالنسبة لـ LLM.
لقد رأينا بالفعل بعض التقدم في إنشاء الكود التلقائي. GPT-engineer هو أحد الرواد. إنه يلبي احتياجات المستخدم ويجيب على أي أسئلة قد تكون لدى LLM ، قبل أن يبدأ الترميز. يشتمل الرمز أيضًا على برنامج نصي يقوم بتشغيل المشروع بأكمله. يمكن لمهندس GPT بدء مشاريع للمطورين تلقائيًا.
بعد أن يُدخل المستخدم متطلباته ، يقوم مهندس GPT بتحليل المتطلبات ويطلب بعض التوضيحات. بعد جمع جميع المعلومات الضرورية ، سيقوم مهندس GPT أولاً بإخراج تصميم البرنامج ، بما في ذلك الفئات الأساسية والوظائف والأساليب اللازمة لهذه المهمة. سيقوم GPT-engineer بعد ذلك بإنشاء رمز لكل ملف.
مع تلميح مثل هذا ، يمكننا إنشاء عقد ذكي مضاد.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-476afbfd1a-dd1a6f-1c6801)
تجميع العقود الذكية والعمل كما هو متوقع.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-b3b5a57644-dd1a6f-1c6801)
نظرًا لأن GPT-engineer تم تصميمه في الأصل لـ Python ، فإن لديه بعض المشكلات في إنشاء التعليمات البرمجية المتعلقة بـ Hardhat. GPT-engineer ليس على دراية بأحدث إصدار من Hardhat ويقوم أحيانًا بإنشاء نصوص اختبار ونشر قديمة.
إذا كان رمزنا يحتوي على أخطاء ، فيمكننا تغذية قاعدة التعليمات البرمجية وسجلات أخطاء وحدة التحكم إلى LLM. يمكن لـ LLM تعديل الكود باستمرار حتى يمكن تشغيل الكود بنجاح. نرى شيئًا مثل \ * \ * [flo] (مثل هذه المشاريع تتطور في هذا الاتجاه. حاليًا ، يدعم flo فقط JS.
إذا أردنا تحسين دقة إنشاء العقود الذكية ، فيمكننا تحسين مهندس GPT ببعض التلميحات الجديدة. يمكننا اعتماد طريقة تطوير تعتمد على الاختبار ، تتطلب LLM لضمان اجتياز البرنامج لاختبارات معينة ، وذلك لتقييد البرنامج الذي تم إنشاؤه بشكل أفضل.
استخدم LLM لقراءة التعليمات البرمجية
نظرًا لأن LLM تفهم الكود جيدًا ، يمكننا استخدام LLM لكتابة وثائق المطور. يمكن لـ LLM أيضًا تتبع تغييرات التعليمات البرمجية لتحديث الوثائق. ناقشنا هذا النهج في نهاية تقريرنا البحثي السابق ، استكشاف تجربة المطور على ZKRUs: تحليل متعمق.
قراءة التوثيق هي الطريقة التقليدية ، لكن التواصل مع الكود طريقة جديدة. يمكن للمستخدمين طرح أي أسئلة حول الكود وسيقوم LLM بالإجابة عليها. يمكن لـ LLM شرح الكود للمطورين ومساعدتهم على فهم العقود الذكية على السلسلة بسرعة. يمكن أن تساعد LLM أيضًا الأشخاص الذين ليس لديهم خبرة في الترميز على فهم العقود الذكية.
لقد رأينا بالفعل هذا الاتجاه في عالم Web2. تحتوي العديد من أدوات مساعدة التعليمات البرمجية على إمكانات تفسير التعليمات البرمجية.
أظهر Etherescan أيضًا وظائفه الجديدة ، مما يسمح للمستخدمين بالتواصل مع الكود ، والاستفادة من قوة LLM.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-aba7f130d5-dd1a6f-1c6801)
كيف يتغير التدقيق عندما يتم فهم الكود؟ في التجارب على الورق "هل ما زلت بحاجة إلى تدقيق يدوي ذكي للعقود" ، حقق LLM معدل نجاح بنسبة 40٪ في تحديد نقاط الضعف ، متجاوزًا خطوط الأساس العشوائية. ومع ذلك ، لديهم أيضًا معدل مرتفع من الإيجابيات الكاذبة. لاحظ المؤلفون أن المطالبة المناسبة هي المفتاح.
بالإضافة إلى التلميحات ، فإن الأسباب التالية تحد من تطبيقه:
LLMs الحالية ليست مدربة على وجه التحديد لهذا الغرض. قد لا تتضمن بيانات التدريب قاعدة كود العقد الذكية وتقارير التدقيق المقابلة.
عادة ما تكون أخطر الأخطاء هي المشاكل المنطقية التي تتكون من وظائف مختلفة. يقتصر LLM حاليًا على عدد الرموز المميزة. لا تستطيع LLM حل المشكلات التي لها سياق طويل جدًا وتتطلب قدرة منطقية.
هذه المشاكل ليست صعبة الحل. تمتلك شركات التدقيق الكبيرة الآلاف من تقارير التدقيق التي يمكن استخدامها لضبط ماجستير إدارة الأعمال. تظهر LLMs مع قيود رمزية كبيرة. كلود لديه حد أقصى قدره 100000 توكن. تم إصدار LTM-1 حديثًا بحد رمزي مثير للإعجاب يبلغ 5 ملايين. من خلال الجهود المبذولة لمعالجة هاتين المسألتين ، قد نرى LLM تصبح أفضل في تحديد نقاط الضعف. يمكن أن تساعد LLM المراجعين وتسريع عملية التدقيق. قد يتطور هذا تدريجيًا. فيما يلي مسارات التطوير المحتملة:
مساعدة المدققين في تنظيم تقارير اللغة وتنسيقها. هذا يضمن اتساق اللغة تحت نفس شركة التدقيق. غالبًا ما يكون للمجموعات المختلفة مفردات مفضلة مختلفة.
مساعدة المدققين على تحديد مواطن الضعف المحتملة والتحقق منها.
إنشاء مسودة تقرير المراجعة تلقائيًا.
استخدم LLM لمساعدة المجتمع
الحوكمة جزء مهم من المجتمع. أعضاء المجتمع لهم الحق في التصويت لمقترحاتهم المفضلة. ستشكل هذه المقترحات مستقبل المنتج.
بالنسبة للمقترحات المهمة ، سيكون هناك الكثير من المعلومات الأساسية ومناقشات المجتمع. من الصعب على أعضاء المجتمع فهم هذا السياق بشكل كامل قبل التصويت. يمكن أن تساعد LLM أعضاء المجتمع على فهم التأثير المستقبلي لخياراتهم بسرعة ومساعدتهم على التصويت.
الروبوتات التي تجيب على الأسئلة هي تطبيق محتمل آخر. لقد رأينا روبوتات الأسئلة والأجوبة بناءً على وثائق المشروع. يمكننا الذهاب إلى أبعد من ذلك لبناء قاعدة بيانات معرفية أكبر. يمكننا توصيل وسائط ومصادر مختلفة مثل العروض التقديمية والبودكاست و GitHub ومحادثات Discord و Twitter Spaces. لا توجد روبوتات الأسئلة والأجوبة في شريط البحث في الوثائق فحسب ، بل يمكنها أيضًا تقديم الدعم الفوري لأعضاء المجتمع على Discord ، أو نشر رؤية المشروع على Twitter والإجابة على أي أسئلة.
AwesomeQA تتطور حاليا في هذا الاتجاه. ينفذ ثلاث وظائف:
استخدم تكامل ChatGPT للإجابة على أسئلة أعضاء المجتمع
احصل على رؤى تستند إلى البيانات استنادًا إلى رسائل من أعضاء المجتمع ، مثل تحليل الأسئلة الشائعة
اكتشف الرسائل المهمة ، مثل المشكلات التي لم يتم حلها
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-ddc169ea06-dd1a6f-1c6801)
تتمثل إحدى الصعوبات التي تواجهها حاليًا روبوتات الإجابة على الأسئلة في كيفية الحصول بدقة على السياق ذي الصلة من قاعدة بيانات المتجهات وتوفير السياق لـ LLM. على سبيل المثال ، إذا طلب المستخدم استعلامًا باستخدام عوامل تصفية على ميزات متعددة لعناصر متعددة ، فقد لا يتمكن الروبوت من استرداد السياق ذي الصلة من قاعدة بيانات المتجه.
يعد تحديث قاعدة بيانات المتجه مشكلة أخرى. الحل الحالي هو إعادة بناء قاعدة بيانات المتجه ، أو تحديث قاعدة بيانات المتجه من خلال مساحة الاسم. تشبه إضافة مساحات أسماء إلى حفلات الزفاف إرفاق تسميات بالبيانات. يساعد هذا المطورين في العثور على التضمينات المناسبة وتحديثها بسهولة أكبر.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-42c35326b1-dd1a6f-1c6801)
استخدم LLM لتتبع السوق
يتغير السوق كثيرًا وتحدث أشياء كثيرة كل يوم. مثل KOL (قادة الرأي الرئيسيين) ينشرون الأفكار الجديدة والتفكير والرسائل الإخبارية ورسائل البريد الإلكتروني للمنتجات التي تتدفق في صندوق الوارد الخاص بك. يمكن لـ LLM تحديد أهم الأفكار والأخبار لك. كما أنه يلخص المحتوى لتقصير وقت القراءة ومساعدتك على مواكبة ديناميكيات السوق.
minmax.ai مكرس لمجال الصحافة. أنها توفر ملخصات لآخر الأخبار حول موضوع معين وتوفر أيضًا تحليلًا للمشاعر حول هذا الموضوع.
تعمل التقارير المملة على تجريد المحتوى المثير من الأخبار والتركيز على التفاصيل المهمة لمساعدة القراء على اتخاذ القرارات الصحيحة.
Robo-Advisory هو أحد أهم المجالات في الوقت الحالي. يمكن لـ LLM دفع استخدام المشورة الآلية. يمكن لـ LLM تقديم توصيات التداول ومساعدة المستخدمين على إدارة المحافظ على خلفية معلومات الأسهم.
تستخدم مشاريع مثل Numer.ai الذكاء الاصطناعي للتنبؤ بالأسواق وإدارة الأموال. هناك أيضًا محافظ تدار من قبل LLM. يمكن للمستخدمين متابعة هذه المحافظ على Robinhood.
يجلب Composer خوارزميات التداول باستخدام الذكاء الاصطناعي. يبني الذكاء الاصطناعي استراتيجيات تداول محددة بناءً على رؤى المستخدم. سيقوم الذكاء الاصطناعي بعد ذلك تلقائيًا باختبار استراتيجيات التداول هذه بشكل رجعي. إذا كان المستخدم راضيًا عن السياسات ، فيمكن أن يقوم Composer تلقائيًا بفرض هذه السياسات على المستخدم.
تحليل المشاريع باستخدام ماجستير
غالبًا ما تتضمن المشاريع التحليلية قراءة كميات كبيرة من المواد وكتابة أوراق بحثية طويلة. تستطيع LLM قراءة وكتابة فقرات قصيرة. إذا تمكنا من توسيع قدراتها إلى فقرات طويلة ، فهل هذا يعني أن LLM يمكنها بطريقة ما إخراج بعض أبحاث المشروع؟ على الأرجح نعم. يمكننا إدخال أوراق بيضاء أو مستندات أو عروض تقديمية للأحداث والسماح لـ LLM بتحليل المشاريع والمؤسسين. مقيدًا بعدد الرموز ، يمكننا أولاً كتابة مخطط الورقة ، ثم تحديث وتحسين كل جزء وفقًا للمعلومات التي يحصل عليها.
مشاريع مثل BabyAGI تحرز بالفعل تقدمًا في هذا الاتجاه. فيما يلي عينة من إخراج BlockAGI ، وهو أحد أشكال BabyAGI.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-27976a1e51-dd1a6f-1c6801)
يمكن لـ LLM أيضًا تحليل شخصية المؤسس بناءً على Twitter والخطابة العامة. على سبيل المثال ، يمكن لـ Tweet Analyzer أخذ التغريدات الحديثة واستخدام LLM لتحليل السمات الشخصية.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-d16e5497b6-dd1a6f-1c6801)
ختاماً
هذه ثمانية اتجاهات محددة يمكن أن تساعد فيها LLM مجتمع blockchain في المستقبل القريب:
دمج وظائف AI / LLM المضمنة في blockchain.
استخدم LLM لتحليل سجلات المعاملات.
تعزيز الأمن مع ماجستير.
اكتب الكود باستخدام LLM.
استخدم LLM لقراءة الكود.
الاستفادة من LLM لمساعدة المجتمع.
استخدم LLM لتتبع السوق.
تطبيق ماجستير لتحليل المشاريع.
يمكن أن تفيد LLM جميع أعضاء مساحة التشفير ، بما في ذلك أصحاب المشاريع والمحللين والمهندسين. يمكن للمؤسسين استخدام LLM لأتمتة المهام مثل التوثيق والأسئلة والأجوبة. يمكن للمهندسين استخدام LLM لكتابة التعليمات البرمجية بشكل أسرع وأكثر أمانًا. يمكن للمحللين البحث عن المشاريع بسهولة أكبر.
على المدى الطويل ، نرى أيضًا فرصة محتملة لتطبيق LLM في مساحة GameFi. يمكن لـ LLM إنشاء مهام أكثر إثارة للاهتمام في اللعبة ولعب أدوار مختلفة في اللعبة. سيشعر العالم في اللعبة بمزيد من الواقعية والإثارة للاهتمام. ستتفاعل الشخصيات غير القابلة للعب ديناميكيًا بناءً على تصرفات اللاعب. سيكون للمهام المزيد من النهايات اعتمادًا على كيفية حل المستخدم لها.
يمكن دمج LLM في المشاريع القائمة ، ولكنه يفتح أيضًا فرصًا للوافدين الجدد. على سبيل المثال ، يوجد بالفعل بعض كبار اللاعبين في مجال تحليل البيانات على السلسلة. يمكن لـ Dune دمج LLM لتحسين تجربة المستخدم. ومع ذلك ، تقدم LLM أيضًا فرصًا للوافدين الجدد. يمكن لهؤلاء الوافدين الجدد وضع LLM في قلب تصميم منتجاتهم. قد تجلب هذه المنتجات الإبداعية التي يقودها الذكاء الاصطناعي والتي تركز على الذكاء الاصطناعي منافسة جديدة في مجال تحليل البيانات على السلسلة.
يوجد تداخل في استخدامات LLM في عوالم Web2 و Web3 ، لكنهما قد يطبقان المنتجات بطرق مختلفة. لأن البيانات التي نستخدمها في عالم Web3 ليست هي نفسها البيانات الموجودة في عالم Web2. قد تكون قاعدة المعرفة الخاصة بـ LLM مختلفة أيضًا في Web2 و Web3. تتضمن بيانات Web3 سلاسل الكتل وأسعار التوكن والتغريدات والمشاريع والأبحاث. لذلك ، تتطلب Web2 و Web3 LLMs مختلفة لخدمة المستخدمين النهائيين.
نظرًا للازدهار في LLM ، نشهد تزايد شعبية AIxBlockchain. ومع ذلك ، فإن العديد من AIxBlockhains ليست عملية لفترة قصيرة من الزمن. لا يمكن أن توفر أدلة Blockchain والمعرفة الصفرية قوة حوسبة واسعة النطاق للتدريب والتفكير المنطقي لبعض النماذج المعقدة. لا تستطيع النماذج الصغيرة حل المهام المعقدة. نهج أكثر عملية هو تطبيق LLM في مجال blockchain. حققت LLM مؤخرًا تقدمًا أكبر من موضوعات الذكاء الاصطناعي الأخرى. من المنطقي الجمع بين LLM و blockchain.
يعمل مجتمع LLM على تحسين حدود الرمز المميز وزيادة دقة الاستجابة. ما تبقى لمجتمع blockchain هو مصادر البيانات وخطوط أنابيب البيانات. يمكن استخدام البيانات التي تم تنظيفها لضبط LLM لتحسين الدقة في بيئة blockchain. يمكن لخطوط أنابيب البيانات دمج المزيد من التطبيقات ذات الصلة بـ blockchain في LLM وتطوير المزيد من العوامل الخاصة بالتشفير.
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain
المؤلف الأصلي: Yiping، IOSG Ventures
مرحبًا بكم في المقالة الثانية في نموذج اللغة الكبير (LLM) وسلسلة أبحاث blockchain. في المقالة السابقة ، ناقشنا كيفية دمج تقنية LLM و blockchain من المستوى التقني ، ولماذا يكون إطار عمل LLM مناسبًا جدًا لمجال blockchain. نحدد أيضًا المسارات المحتملة لدمج LLM مع blockchain في المستقبل.
في هذا المنشور ، سنتخذ نهجًا عمليًا أكثر ونغوص في ثمانية مجالات تطبيق محددة نعتقد أنها ستغير تجربة مستخدم blockchain بشكل كبير. والأكثر إثارة ، نتوقع أن تصبح هذه التطبيقات المتقدمة حقيقة واقعة خلال العام المقبل.
انضم إلينا ونحن نكشف عن مستقبل تفاعل blockchain. فيما يلي نظرة عامة موجزة عن التطبيقات الثمانية التي سنناقشها:
دمج قدرات AI / LLM المدمجة في blockchain
استخدام LLM لتحليل سجلات المعاملات
تعزيز الأمن مع ماجستير
اكتب الكود مع LLM
اقرأ الكود مع LLM
مساعدة المجتمع مع ماجستير
تطبيق LLM لتتبع السوق
تطبيق ماجستير لتحليل المشاريع
دمج إمكانات AI / LLM المدمجة في blockchain
سيكون لدى blockchain وظائف ونماذج ذكاء اصطناعي مضمنة. يمكن للمطورين الوصول إلى وظائف AI لأداء مهام ML التوقيع مثل التصنيف والانحدار وإكمال النص و AIGC على السلسلة. يمكن للمطورين استدعاء وظائف الذكاء الاصطناعي هذه من خلال العقود الذكية.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-27342d2164-dd1a6f-1c6801)
باستخدام هذه الميزات المضمنة ، يمكن للمطورين توفير الذكاء والاستقلالية لعقودهم الذكية. التصنيف والانحدار و AIGC هي مهام نموذجية للذكاء الاصطناعي. دعونا نرى تطبيق هذه الوظائف في مجال blockchain وبعض الأمثلة على المشاريع.
تصنيف
يمكن استخدام التصنيف لتحديد ما إذا كان العنوان روبوتًا أم شخصًا حقيقيًا. هذا يمكن أن يغير الوضع الحالي لمبيعات NFT. يمكن أن يؤدي التصنيف أيضًا إلى تحسين أمان نظام DeFi البيئي. يمكن لعقود DeFi الذكية تصفية المعاملات الضارة ومنع فقدان الأموال.
تراجع
يمكن استخدام تحليل الانحدار للتنبؤ ، وتطبيقه على إدارة الأموال والأصول. يستخدم Numer.ai بالفعل الذكاء الاصطناعي لمساعدتهم على إدارة الأموال. يوفر Numer بيانات سوق الأوراق المالية عالية الجودة التي يعمل عليها علماء البيانات ويطبقون التعلم الآلي للتنبؤ بسوق الأوراق المالية.
AIGC
تحاول العديد من مشاريع NFT بناء عالم IP. ومع ذلك ، فإن محتواها المحدود لا يمكن أن يدعم الكون. إذا تمكنا من استخدام AIGC في السلسلة ، فيمكننا إنتاج محتوى لا حصر له بأسلوب علامة تجارية مشابه بتكلفة منخفضة نسبيًا. يمكن للنماذج إخراج النصوص والرسوم التوضيحية والموسيقى والصوت وحتى الفيديو. هذا يوسع حجم عالم IP بشكل كبير. يمكن للمشاركين في المجتمع تحسين النموذج بشكل جماعي لتلبية توقعاتهم. كما أن عملية الضبط الدقيق تجعل المجتمع يشعر بالمشاركة.
يستخدم Botto نموذج AIGC لإنشاء محتوى فني. يصوت المجتمع على صورهم المفضلة لضبط نموذج AIGC بشكل جماعي.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-a07efaec36-dd1a6f-1c6801)
إذا نظرنا إلى blockchain كقاعدة بيانات ، نجد أيضًا أن Databend يدمج إمكانات الذكاء الاصطناعي المضمنة في قاعدة البيانات الخاصة بهم. أنها توفر الوظائف التالية:
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-a47067ba83-dd1a6f-1c6801)
توفير قدرات الذكاء الاصطناعي لـ blockchain
نحن نعلم أن بعض المشاريع تجلب قدرات الذكاء الاصطناعي إلى blockchain.
الجيزة تعمل على ZKML. يولد البراهين المنطقية خارج السلسلة ويتحقق منها على السلسلة. وهي تدعم الآن blockchains المتوافقة مع Ethereum Virtual Machine وكذلك StarkNet. أعلنت الجيزة مؤخرًا عن شراكة مع Yearn.finance ، حيث ستستفيد Yearn من قدرات الذكاء الاصطناعي في الجيزة لتعزيز قدراتها على تقييم المخاطر.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-48ada58e85-dd1a6f-1c6801)
تعمل معامل معامل أيضًا في اتجاه مماثل. إنهم يعملون بجد لتحسين أنظمة الإثبات لتوليد دوائر عالية الأداء للذكاء الاصطناعي. أطلقوا عروض توضيحية مثل Chess AI و Ethereum Price Prediction AI. مشروعهم التجريبي الجديد ، zkMon ، هو أول شبكة NFT للتحصيل دليل على المعرفة الصفرية في العالم.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-9cd74f7458-dd1a6f-1c6801)
استخدم LLM لتحليل سجلات المعاملات
عادة ما يتم تحليل سجلات المعاملات بواسطة تطبيقات محددة مثل Debank. من الصعب تحليل سجلات المعاملات يدويًا بواسطة البشر. يتضمن التحليل اليدوي جمع البيانات وتنظيفها وتحليلها ، الأمر الذي يتطلب من المستخدمين امتلاك مهارات الترميز. بسبب قدرة LLM على تحليل وتصور البيانات ، لدينا الآن نهج جديد. من خلال LLM ، يمكننا تحليل البيانات على السلسلة وفقًا للاحتياجات المخصصة. يمكننا تحليل معدل الفوز أو نسبة الأداء أو أي معلومات نريد معرفتها.
طورت RSS3 مكونًا إضافيًا ChatGPT يسمى نشاط مستخدم Web3 للعمل في هذا الاتجاه. يمكن للمستخدمين إدخال عنوان المحفظة أو ENS أو Lens للاستعلام عن الأنشطة المتصلة بالسلسلة. سيخرج هذا البرنامج المساعد معلومات المعاملة في نموذج يمكن قراءته من قبل الإنسان. ومع ذلك ، لسوء الحظ ، لا يمكنه إجراء استعلامات معقدة مثل عدد حاملي Azuki ، والعقود الذكية الأكثر شيوعًا ، وما إلى ذلك. يجب أن يدرك المستخدمون أيضًا أن العناوين والعلامات التي توفرها المكونات الإضافية ليست دقيقة بالضرورة.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-1f74b0de50-dd1a6f-1c6801)
أصدر DeFiLlama أيضًا مكونًا إضافيًا ChatGPT. يمكن للمستخدمين الاستعلام عن أي بيانات متاحة على DeFiLlama بلغة طبيعية. يمكنه أيضًا إجراء عمليات تصفية وفرز بسيطة:
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-308ba27881-dd1a6f-1c6801)
تعمل Dune أيضًا على دمج GPT في منتجها لتمكين الميزات التالية:
الاستفادة من LLM لتعزيز الأمان
نظرًا لقدراتها المنطقية والمنطقية ، يمكن استخدام LLM لتصفية بعض المعاملات الضارة والعمل كجدار حماية للعقود الذكية. فيما يلي مثال ملموس لكيفية منع نشاط الروبوت:
بعد إدخال العنوان ، يمكن لـ LLM الحصول على جميع بيانات المعاملات من خلال برنامج إضافي تابع لجهة خارجية ، ثم تحليل سجلات المعاملات هذه ، وتحديد إمكانية أن يكون العنوان روبوتًا. يمكن تضمين هذه الوظيفة في Dapps حيث لا يتم الترحيب بالروبوتات ، مثل مبيعات NFT.
يوجد أدناه مثال بسيط عبر ChatGPT. يقوم ChatGPT باسترداد سجلات معاملات الحساب من خلال المكون الإضافي لنشاط المستخدم Web3 الذي طورته RSS3 ، ثم يقوم بتحليل سجلات المعاملات هذه ، ويخرج احتمالية أن يكون الحساب روبوتًا.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-ec33bac70e-dd1a6f-1c6801)
إذا قمنا بتغذية المزيد من سجلات المعاملات وقمنا بضبط LLM على مجموعة البيانات المتعلقة بالروبوت ، فيمكننا تحقيق نتائج أكثر دقة. يوجد أدناه مثال على سير العمل لمثل هذا التطبيق. يمكننا أيضًا إضافة طبقات التخزين المؤقت وقاعدة البيانات لتحسين الاستجابة وتقليل التكاليف.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-425801bcf6-dd1a6f-1c6801)
كتابة التعليمات البرمجية باستخدام LLM
يستخدم LLM على نطاق واسع في التطوير لمساعدة المطورين على كتابة التعليمات البرمجية بشكل أسرع وأفضل. بتوجيه من المطور ، يمكن لـ LLM إنشاء رمز لهم. حاليًا ، لا يزال المطورون بحاجة إلى تقديم إرشادات مفصلة لـ LLM. يصعب على LLM إنشاء رمز تلقائيًا للمشروع بأكمله.
تتضمن بعض نماذج LLM الشائعة للتعليمات البرمجية StarCoder و StarCoder + و Code T 5 و LTM و DIDACT و WizardCoder و FalCoder-7 B و MPT 30 B.
يمكن استخدام كل هذه النماذج لكتابة عقود ذكية ، لكن ربما لم يتم تدريبها تحديدًا على بيانات العقود الذكية. لا يزال لديهم مجال للتحسين.
حاليًا ، لا تتوفر سوى مجموعة بيانات ذكية واحدة متعلقة بالعقد على HuggingFace. إنها مجموعة المراوغة من العقود الذكية المدققة ، والتي تحتوي على 113000 عقد ذكي. يمكن استخدامه لمهام مثل تصنيف النص ، وإنشاء النص ، واكتشاف الثغرات الأمنية.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-ca46f92078-dd1a6f-1c6801)
قد يكون إنشاء الكود التلقائي واعدًا أكثر من أدوات التطوير المساعدة. يعد إنشاء الكود التلقائي مناسبًا للعقود الذكية لأن العقود الذكية قصيرة نسبيًا وبسيطة نسبيًا. هناك عدة طرق يمكن أن تساعد بها LLM المطورين تلقائيًا في إنشاء رمز في مساحة blockchain.
امتحان
أولاً ، يمكن لـ LLM إنشاء اختبارات للعقود الذكية المكتوبة جيدًا. على سبيل المثال ، يمكن لـ Codium إنشاء اختبارات تلقائيًا للمشاريع المكتوبة. يدعم Codium حاليًا JS و TS. يبدأ Codium بفهم قاعدة الكود ، وتحليل كل وظيفة ، وتوثيق ، وتعليق. ثم يكتب Codium تحليل الكود مرة أخرى إلى الملف كتعليقات ويخرج خطة اختبار. يمكن للمستخدمين تحديد اختباراتهم المفضلة وسيقوم Codium بإنشاء رمز الاختبار المحدد.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-1aa36ec552-dd1a6f-1c6801)
تدعم الأدوات المساعدة الأخرى أيضًا إنشاء اختبارات للوظائف المحددة.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-1779c0ea36-dd1a6f-1c6801)
يمكننا تكرار وظائف مماثلة على GPT-4 باتباع خطوات مماثلة.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-4b81cabb4d-dd1a6f-1c6801)
لقد طلبنا تحليل الكود أولاً لأننا أردنا أن تقضي LLM وقتًا أطول في هذه المهمة. لا تعرف LLM المهام الصعبة. إنها تنفق نفس قوة الحوسبة على كل علامة. يمكن أن يؤدي هذا إلى نتائج غير دقيقة في المهام المعقدة. بناءً على هذه الخصائص ، نطلب تحليل الكود. بهذه الطريقة ، ستقضي LLM المزيد من الرموز / الوقت في التفكير في هذه المهام وإخراج نتائج عالية الجودة. تُعرف هذه الطريقة أيضًا باسم "سلسلة التفكير".
لجعلها تعمل من أجل عقود ذكية أطول ، نحتاج إلى LLM مع سياق أكبر ، أو بعض الهندسة للحفاظ على الذاكرة.
إنشاء نصوص مساعدة
ثانيًا ، يمكننا استخدام LLM لإنشاء بعض البرامج النصية المساعدة تلقائيًا ، مثل البرامج النصية للنشر.
تعمل البرامج النصية للنشر على تقليل الأخطاء المحتملة أثناء عمليات النشر اليدوية. الفكرة مشابهة جدًا لتوليد الاختبارات تلقائيًا.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-95bab0caff-dd1a6f-1c6801)
تفرع تلقائي
في السوق الصاعدة ، سيكون هناك العديد من المشاريع المتشعبة حيث تقوم الفرق بإجراء تغييرات صغيرة في التعليمات البرمجية من قاعدة التعليمات البرمجية الأصلية الخاصة بهم. ستكون هذه حالة استخدام رائعة لـ LLM: يمكن أن تساعد LLM المطورين على تعديل الكود تلقائيًا وفقًا لاحتياجات الفريق. عادة ما يلزم تغيير أجزاء معينة فقط من الكود. هذا من السهل تحقيقه نسبيًا لـ LLM.
إنشاء رمز تلقائي
إذا ذهبنا خطوة إلى الأمام ، فهل يمكن لشركة LLM إنشاء عقود ذكية تلقائيًا وفقًا لاحتياجات المطورين؟ بالمقارنة مع البرامج المعقدة الأخرى المكتوبة بلغة JS و Rust و Python ، فإن العقود الذكية قصيرة نسبيًا وبسيطة نسبيًا. لا توجد مكتبات خارجية كثيرة للعقود الذكية. يعد اكتشاف كيفية كتابة عقد ذكي أمرًا سهلاً نسبيًا بالنسبة لـ LLM.
لقد رأينا بالفعل بعض التقدم في إنشاء الكود التلقائي. GPT-engineer هو أحد الرواد. إنه يلبي احتياجات المستخدم ويجيب على أي أسئلة قد تكون لدى LLM ، قبل أن يبدأ الترميز. يشتمل الرمز أيضًا على برنامج نصي يقوم بتشغيل المشروع بأكمله. يمكن لمهندس GPT بدء مشاريع للمطورين تلقائيًا.
بعد أن يُدخل المستخدم متطلباته ، يقوم مهندس GPT بتحليل المتطلبات ويطلب بعض التوضيحات. بعد جمع جميع المعلومات الضرورية ، سيقوم مهندس GPT أولاً بإخراج تصميم البرنامج ، بما في ذلك الفئات الأساسية والوظائف والأساليب اللازمة لهذه المهمة. سيقوم GPT-engineer بعد ذلك بإنشاء رمز لكل ملف.
مع تلميح مثل هذا ، يمكننا إنشاء عقد ذكي مضاد.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-476afbfd1a-dd1a6f-1c6801)
تجميع العقود الذكية والعمل كما هو متوقع.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-b3b5a57644-dd1a6f-1c6801)
نظرًا لأن GPT-engineer تم تصميمه في الأصل لـ Python ، فإن لديه بعض المشكلات في إنشاء التعليمات البرمجية المتعلقة بـ Hardhat. GPT-engineer ليس على دراية بأحدث إصدار من Hardhat ويقوم أحيانًا بإنشاء نصوص اختبار ونشر قديمة.
إذا كان رمزنا يحتوي على أخطاء ، فيمكننا تغذية قاعدة التعليمات البرمجية وسجلات أخطاء وحدة التحكم إلى LLM. يمكن لـ LLM تعديل الكود باستمرار حتى يمكن تشغيل الكود بنجاح. نرى شيئًا مثل \ * \ * [flo] (مثل هذه المشاريع تتطور في هذا الاتجاه. حاليًا ، يدعم flo فقط JS.
إذا أردنا تحسين دقة إنشاء العقود الذكية ، فيمكننا تحسين مهندس GPT ببعض التلميحات الجديدة. يمكننا اعتماد طريقة تطوير تعتمد على الاختبار ، تتطلب LLM لضمان اجتياز البرنامج لاختبارات معينة ، وذلك لتقييد البرنامج الذي تم إنشاؤه بشكل أفضل.
استخدم LLM لقراءة التعليمات البرمجية
نظرًا لأن LLM تفهم الكود جيدًا ، يمكننا استخدام LLM لكتابة وثائق المطور. يمكن لـ LLM أيضًا تتبع تغييرات التعليمات البرمجية لتحديث الوثائق. ناقشنا هذا النهج في نهاية تقريرنا البحثي السابق ، استكشاف تجربة المطور على ZKRUs: تحليل متعمق.
قراءة التوثيق هي الطريقة التقليدية ، لكن التواصل مع الكود طريقة جديدة. يمكن للمستخدمين طرح أي أسئلة حول الكود وسيقوم LLM بالإجابة عليها. يمكن لـ LLM شرح الكود للمطورين ومساعدتهم على فهم العقود الذكية على السلسلة بسرعة. يمكن أن تساعد LLM أيضًا الأشخاص الذين ليس لديهم خبرة في الترميز على فهم العقود الذكية.
لقد رأينا بالفعل هذا الاتجاه في عالم Web2. تحتوي العديد من أدوات مساعدة التعليمات البرمجية على إمكانات تفسير التعليمات البرمجية.
أظهر Etherescan أيضًا وظائفه الجديدة ، مما يسمح للمستخدمين بالتواصل مع الكود ، والاستفادة من قوة LLM.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-aba7f130d5-dd1a6f-1c6801)
كيف يتغير التدقيق عندما يتم فهم الكود؟ في التجارب على الورق "هل ما زلت بحاجة إلى تدقيق يدوي ذكي للعقود" ، حقق LLM معدل نجاح بنسبة 40٪ في تحديد نقاط الضعف ، متجاوزًا خطوط الأساس العشوائية. ومع ذلك ، لديهم أيضًا معدل مرتفع من الإيجابيات الكاذبة. لاحظ المؤلفون أن المطالبة المناسبة هي المفتاح.
بالإضافة إلى التلميحات ، فإن الأسباب التالية تحد من تطبيقه:
هذه المشاكل ليست صعبة الحل. تمتلك شركات التدقيق الكبيرة الآلاف من تقارير التدقيق التي يمكن استخدامها لضبط ماجستير إدارة الأعمال. تظهر LLMs مع قيود رمزية كبيرة. كلود لديه حد أقصى قدره 100000 توكن. تم إصدار LTM-1 حديثًا بحد رمزي مثير للإعجاب يبلغ 5 ملايين. من خلال الجهود المبذولة لمعالجة هاتين المسألتين ، قد نرى LLM تصبح أفضل في تحديد نقاط الضعف. يمكن أن تساعد LLM المراجعين وتسريع عملية التدقيق. قد يتطور هذا تدريجيًا. فيما يلي مسارات التطوير المحتملة:
مساعدة المدققين في تنظيم تقارير اللغة وتنسيقها. هذا يضمن اتساق اللغة تحت نفس شركة التدقيق. غالبًا ما يكون للمجموعات المختلفة مفردات مفضلة مختلفة.
مساعدة المدققين على تحديد مواطن الضعف المحتملة والتحقق منها.
إنشاء مسودة تقرير المراجعة تلقائيًا.
استخدم LLM لمساعدة المجتمع
الحوكمة جزء مهم من المجتمع. أعضاء المجتمع لهم الحق في التصويت لمقترحاتهم المفضلة. ستشكل هذه المقترحات مستقبل المنتج.
بالنسبة للمقترحات المهمة ، سيكون هناك الكثير من المعلومات الأساسية ومناقشات المجتمع. من الصعب على أعضاء المجتمع فهم هذا السياق بشكل كامل قبل التصويت. يمكن أن تساعد LLM أعضاء المجتمع على فهم التأثير المستقبلي لخياراتهم بسرعة ومساعدتهم على التصويت.
الروبوتات التي تجيب على الأسئلة هي تطبيق محتمل آخر. لقد رأينا روبوتات الأسئلة والأجوبة بناءً على وثائق المشروع. يمكننا الذهاب إلى أبعد من ذلك لبناء قاعدة بيانات معرفية أكبر. يمكننا توصيل وسائط ومصادر مختلفة مثل العروض التقديمية والبودكاست و GitHub ومحادثات Discord و Twitter Spaces. لا توجد روبوتات الأسئلة والأجوبة في شريط البحث في الوثائق فحسب ، بل يمكنها أيضًا تقديم الدعم الفوري لأعضاء المجتمع على Discord ، أو نشر رؤية المشروع على Twitter والإجابة على أي أسئلة.
AwesomeQA تتطور حاليا في هذا الاتجاه. ينفذ ثلاث وظائف:
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-ddc169ea06-dd1a6f-1c6801)
تتمثل إحدى الصعوبات التي تواجهها حاليًا روبوتات الإجابة على الأسئلة في كيفية الحصول بدقة على السياق ذي الصلة من قاعدة بيانات المتجهات وتوفير السياق لـ LLM. على سبيل المثال ، إذا طلب المستخدم استعلامًا باستخدام عوامل تصفية على ميزات متعددة لعناصر متعددة ، فقد لا يتمكن الروبوت من استرداد السياق ذي الصلة من قاعدة بيانات المتجه.
يعد تحديث قاعدة بيانات المتجه مشكلة أخرى. الحل الحالي هو إعادة بناء قاعدة بيانات المتجه ، أو تحديث قاعدة بيانات المتجه من خلال مساحة الاسم. تشبه إضافة مساحات أسماء إلى حفلات الزفاف إرفاق تسميات بالبيانات. يساعد هذا المطورين في العثور على التضمينات المناسبة وتحديثها بسهولة أكبر.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-42c35326b1-dd1a6f-1c6801)
استخدم LLM لتتبع السوق
يتغير السوق كثيرًا وتحدث أشياء كثيرة كل يوم. مثل KOL (قادة الرأي الرئيسيين) ينشرون الأفكار الجديدة والتفكير والرسائل الإخبارية ورسائل البريد الإلكتروني للمنتجات التي تتدفق في صندوق الوارد الخاص بك. يمكن لـ LLM تحديد أهم الأفكار والأخبار لك. كما أنه يلخص المحتوى لتقصير وقت القراءة ومساعدتك على مواكبة ديناميكيات السوق.
minmax.ai مكرس لمجال الصحافة. أنها توفر ملخصات لآخر الأخبار حول موضوع معين وتوفر أيضًا تحليلًا للمشاعر حول هذا الموضوع.
تعمل التقارير المملة على تجريد المحتوى المثير من الأخبار والتركيز على التفاصيل المهمة لمساعدة القراء على اتخاذ القرارات الصحيحة.
Robo-Advisory هو أحد أهم المجالات في الوقت الحالي. يمكن لـ LLM دفع استخدام المشورة الآلية. يمكن لـ LLM تقديم توصيات التداول ومساعدة المستخدمين على إدارة المحافظ على خلفية معلومات الأسهم.
تستخدم مشاريع مثل Numer.ai الذكاء الاصطناعي للتنبؤ بالأسواق وإدارة الأموال. هناك أيضًا محافظ تدار من قبل LLM. يمكن للمستخدمين متابعة هذه المحافظ على Robinhood.
يجلب Composer خوارزميات التداول باستخدام الذكاء الاصطناعي. يبني الذكاء الاصطناعي استراتيجيات تداول محددة بناءً على رؤى المستخدم. سيقوم الذكاء الاصطناعي بعد ذلك تلقائيًا باختبار استراتيجيات التداول هذه بشكل رجعي. إذا كان المستخدم راضيًا عن السياسات ، فيمكن أن يقوم Composer تلقائيًا بفرض هذه السياسات على المستخدم.
تحليل المشاريع باستخدام ماجستير
غالبًا ما تتضمن المشاريع التحليلية قراءة كميات كبيرة من المواد وكتابة أوراق بحثية طويلة. تستطيع LLM قراءة وكتابة فقرات قصيرة. إذا تمكنا من توسيع قدراتها إلى فقرات طويلة ، فهل هذا يعني أن LLM يمكنها بطريقة ما إخراج بعض أبحاث المشروع؟ على الأرجح نعم. يمكننا إدخال أوراق بيضاء أو مستندات أو عروض تقديمية للأحداث والسماح لـ LLM بتحليل المشاريع والمؤسسين. مقيدًا بعدد الرموز ، يمكننا أولاً كتابة مخطط الورقة ، ثم تحديث وتحسين كل جزء وفقًا للمعلومات التي يحصل عليها.
مشاريع مثل BabyAGI تحرز بالفعل تقدمًا في هذا الاتجاه. فيما يلي عينة من إخراج BlockAGI ، وهو أحد أشكال BabyAGI.
! [IOSG Ventures: مناقشة متعمقة للإمكانيات الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-27976a1e51-dd1a6f-1c6801)
يمكن لـ LLM أيضًا تحليل شخصية المؤسس بناءً على Twitter والخطابة العامة. على سبيل المثال ، يمكن لـ Tweet Analyzer أخذ التغريدات الحديثة واستخدام LLM لتحليل السمات الشخصية.
! [IOSG Ventures: مناقشة متعمقة حول الإمكانية الجديدة لـ LLM لفتح تفاعل blockchain] (https://img-cdn.gateio.im/resized-social/moments-7f230462a9-d16e5497b6-dd1a6f-1c6801)
ختاماً
هذه ثمانية اتجاهات محددة يمكن أن تساعد فيها LLM مجتمع blockchain في المستقبل القريب:
دمج وظائف AI / LLM المضمنة في blockchain.
استخدم LLM لتحليل سجلات المعاملات.
تعزيز الأمن مع ماجستير.
اكتب الكود باستخدام LLM.
استخدم LLM لقراءة الكود.
الاستفادة من LLM لمساعدة المجتمع.
استخدم LLM لتتبع السوق.
تطبيق ماجستير لتحليل المشاريع.
يمكن أن تفيد LLM جميع أعضاء مساحة التشفير ، بما في ذلك أصحاب المشاريع والمحللين والمهندسين. يمكن للمؤسسين استخدام LLM لأتمتة المهام مثل التوثيق والأسئلة والأجوبة. يمكن للمهندسين استخدام LLM لكتابة التعليمات البرمجية بشكل أسرع وأكثر أمانًا. يمكن للمحللين البحث عن المشاريع بسهولة أكبر.
على المدى الطويل ، نرى أيضًا فرصة محتملة لتطبيق LLM في مساحة GameFi. يمكن لـ LLM إنشاء مهام أكثر إثارة للاهتمام في اللعبة ولعب أدوار مختلفة في اللعبة. سيشعر العالم في اللعبة بمزيد من الواقعية والإثارة للاهتمام. ستتفاعل الشخصيات غير القابلة للعب ديناميكيًا بناءً على تصرفات اللاعب. سيكون للمهام المزيد من النهايات اعتمادًا على كيفية حل المستخدم لها.
يمكن دمج LLM في المشاريع القائمة ، ولكنه يفتح أيضًا فرصًا للوافدين الجدد. على سبيل المثال ، يوجد بالفعل بعض كبار اللاعبين في مجال تحليل البيانات على السلسلة. يمكن لـ Dune دمج LLM لتحسين تجربة المستخدم. ومع ذلك ، تقدم LLM أيضًا فرصًا للوافدين الجدد. يمكن لهؤلاء الوافدين الجدد وضع LLM في قلب تصميم منتجاتهم. قد تجلب هذه المنتجات الإبداعية التي يقودها الذكاء الاصطناعي والتي تركز على الذكاء الاصطناعي منافسة جديدة في مجال تحليل البيانات على السلسلة.
يوجد تداخل في استخدامات LLM في عوالم Web2 و Web3 ، لكنهما قد يطبقان المنتجات بطرق مختلفة. لأن البيانات التي نستخدمها في عالم Web3 ليست هي نفسها البيانات الموجودة في عالم Web2. قد تكون قاعدة المعرفة الخاصة بـ LLM مختلفة أيضًا في Web2 و Web3. تتضمن بيانات Web3 سلاسل الكتل وأسعار التوكن والتغريدات والمشاريع والأبحاث. لذلك ، تتطلب Web2 و Web3 LLMs مختلفة لخدمة المستخدمين النهائيين.
نظرًا للازدهار في LLM ، نشهد تزايد شعبية AIxBlockchain. ومع ذلك ، فإن العديد من AIxBlockhains ليست عملية لفترة قصيرة من الزمن. لا يمكن أن توفر أدلة Blockchain والمعرفة الصفرية قوة حوسبة واسعة النطاق للتدريب والتفكير المنطقي لبعض النماذج المعقدة. لا تستطيع النماذج الصغيرة حل المهام المعقدة. نهج أكثر عملية هو تطبيق LLM في مجال blockchain. حققت LLM مؤخرًا تقدمًا أكبر من موضوعات الذكاء الاصطناعي الأخرى. من المنطقي الجمع بين LLM و blockchain.
يعمل مجتمع LLM على تحسين حدود الرمز المميز وزيادة دقة الاستجابة. ما تبقى لمجتمع blockchain هو مصادر البيانات وخطوط أنابيب البيانات. يمكن استخدام البيانات التي تم تنظيفها لضبط LLM لتحسين الدقة في بيئة blockchain. يمكن لخطوط أنابيب البيانات دمج المزيد من التطبيقات ذات الصلة بـ blockchain في LLM وتطوير المزيد من العوامل الخاصة بالتشفير.