IOSG Ventures: 블록체인 상호작용을 가능하게 하는 LLM의 새로운 가능성에 대한 심도 있는 논의
원저자: Yiping, IOSG Ventures
LLM(대형 언어 모델) 및 블록체인 연구 시리즈의 두 번째 기사에 오신 것을 환영합니다. 이전 기사에서는 기술 수준에서 LLM과 블록체인 기술을 통합하는 방법과 LLM 프레임워크가 블록체인 분야에 매우 적합한 이유에 대해 논의했습니다. 또한 향후 LLM을 블록체인과 통합하기 위한 잠재적인 경로를 간략하게 설명합니다.
이 게시물에서 우리는 보다 실질적인 접근 방식을 취하고 블록체인 사용자 경험을 극적으로 변화시킬 것이라고 믿는 8가지 특정 응용 분야에 대해 자세히 알아볼 것입니다. 더욱 흥미로운 점은 이러한 획기적인 애플리케이션이 내년 안에 현실이 될 것이라고 예측한다는 것입니다.
우리와 함께 블록체인 상호작용의 미래를 알아보세요. 다음은 우리가 논의할 8개 앱에 대한 간략한 개요입니다.
1. 내장된 AI/LLM 기능을 블록체인에 통합
2. LLM을 사용하여 거래 기록 분석
3. LLM으로 보안 강화
4. LLM으로 코드 작성
5. LLM으로 코드 읽기
6. LLM을 통한 지역사회 지원
7. LLM을 구현하여 시장 추적
8. LLM을 적용하여 프로젝트 분석
내장된 AI/LLM 기능을 블록체인에 통합
블록체인에는 인공 지능 기능과 모델이 내장되어 있습니다. 개발자는 AI 기능에 액세스하여 분류, 회귀, 텍스트 완성 및 AIGC 온체인과 같은 서명 ML 작업을 수행할 수 있습니다. 개발자는 스마트 계약을 통해 이러한 인공지능 기능을 호출할 수 있습니다.
보조 제목
분류
보조 제목
회귀
보조 제목
AIGC
많은 NFT 프로젝트가 IP 세계를 구축하려고 노력하고 있습니다. 그러나 제한된 콘텐츠는 유니버스를 지원할 수 없습니다. 체인에서 AIGC를 사용할 수 있다면 상대적으로 저렴한 비용으로 비슷한 아이코닉 브랜드 스타일의 수많은 콘텐츠를 출력할 수 있습니다. 모델은 텍스트, 일러스트레이션, 음악, 사운드, 심지어 비디오까지 출력할 수 있습니다. 이는 IP 세계의 규모를 크게 확장합니다. 커뮤니티 참가자는 자신의 기대에 부응하기 위해 모델을 집단적으로 미세 조정할 수 있습니다. 또한 미세 조정 과정을 통해 커뮤니티가 참여감을 느끼게 됩니다.
Botto는 AIGC 모델을 사용하여 예술적 콘텐츠를 생성합니다. 커뮤니티는 자신이 좋아하는 이미지에 투표하여 AIGC 모델을 종합적으로 미세 조정합니다.
블록체인을 데이터베이스로 보면 Databend가 내장된 인공 지능 기능을 데이터베이스에 통합한다는 것도 알 수 있습니다. 이들은 다음과 같은 기능을 제공합니다:
ai_embedding_Vector: 텍스트 문서에 대한 임베딩 벡터를 생성합니다.
ai_text_completion: 주어진 힌트를 기반으로 텍스트 완성을 생성합니다.
cosine_distance: 두 임베딩 벡터 사이의 코사인 거리를 계산합니다.
ai_to_sql: 자연어 명령을 SQL 쿼리로 변환합니다.
블록체인에 AI 기능 제공
우리는 일부 프로젝트가 AI 기능을 블록체인에 도입하고 있다는 것을 알고 있습니다.
Giza는 ZKML을 연구하고 있습니다. 오프체인에서 추론 증명을 생성하고 온체인에서 검증합니다. 이제 Ethereum Virtual Machine 및 StarkNet과 호환되는 블록체인을 지원합니다. Giza는 최근 Yearn.finance와의 파트너십을 발표했습니다. 이에 따라 Yearn은 Giza의 인공 지능 기능을 활용하여 위험 평가 기능을 향상시킬 것입니다.
모듈러스랩스도 비슷한 방향으로 노력하고 있다. 그들은 인공 지능을 위한 고성능 회로를 생성하기 위해 증명 시스템을 개선하기 위해 더 열심히 노력합니다. 그들은 Chess AI 및 Ethereum Price Prediction AI와 같은 데모를 출시했습니다. 그들의 새로운 데모 프로젝트인 zkMon은 세계 최초의 영지식 증명 생성적 적대 네트워크(Generative Adversarial Network) NFT 수집품입니다.
LLM으로 거래 기록 분석
거래 기록 분석은 일반적으로 Debank와 같은 특정 애플리케이션에서 수행됩니다. 거래 기록을 사람이 수동으로 분석하는 것은 어렵습니다. 수동 분석에는 데이터 수집, 데이터 정리 및 데이터 분석이 포함되며, 이를 위해서는 사용자에게 코딩 기술이 필요합니다. 데이터를 분석하고 시각화하는 LLM의 능력으로 인해 우리는 이제 새로운 접근 방식을 갖게 되었습니다. LLM을 통해 맞춤형 요구에 따라 온체인 데이터를 분석할 수 있습니다. 승률, 성과 비율 또는 우리가 알고 싶은 모든 정보를 분석할 수 있습니다.
RSS3은 이러한 방향으로 작동하기 위해 Web3 User Activity라는 ChatGPT 플러그인을 개발했습니다. 사용자는 지갑 주소, ENS 또는 Lens를 입력하여 온체인 활동을 쿼리할 수 있습니다. 이 플러그인은 거래 정보를 사람이 읽을 수 있는 형식으로 출력합니다. 그러나 불행하게도 Azuki 보유자가 몇 명인지, 어떤 스마트 계약이 가장 인기 있는지 등과 같은 복잡한 쿼리는 수행할 수 없습니다. 또한 사용자는 플러그인에서 제공하는 주소와 태그가 반드시 정확하지는 않다는 점을 인지해야 합니다.
DeFiLlama는 ChatGPT 플러그인도 출시했습니다. 사용자는 DeFiLlama에서 사용 가능한 모든 데이터를 자연어로 쿼리할 수 있습니다. 또한 간단한 필터링 및 정렬 작업을 수행할 수도 있습니다.
Dune은 또한 다음 기능을 활성화하기 위해 GPT를 제품에 통합하고 있습니다.
쿼리 해석: LLM을 사용하여 쿼리 해석
쿼리 번역: LLM을 사용하여 다른 SQL 언어를 DuneSQL로 번역
자연어 쿼리: 사용자가 자연어로 쿼리를 작성할 수 있습니다.
검색: LLM을 사용하여 검색 결과 개선
마법사 기술자료: 문서로 소통할 수 있는 챗봇
LLM으로 보안 강화
논리 및 추론 기능으로 인해 LLM은 일부 악의적인 거래를 필터링하고 스마트 계약을 위한 방화벽 역할을 하는 데 사용될 수 있습니다. 다음은 봇 활동을 차단하는 방법에 대한 구체적인 예입니다.
LLM은 주소를 입력한 후 타사 플러그인을 통해 모든 거래 데이터를 얻은 후 이러한 거래 기록을 분석하고 주소가 로봇일 가능성을 도출할 수 있습니다. 이 기능은 NFT 판매와 같이 봇이 환영받지 못하는 Dapp에 포함될 수 있습니다.
다음은 ChatGPT를 통한 간단한 예입니다. ChatGPT는 RSS3에서 개발한 Web3 사용자 활동 플러그인을 통해 계정의 거래 기록을 검색한 후 이러한 거래 기록을 분석하고 해당 계정이 로봇일 가능성을 출력합니다.
더 많은 거래 기록을 입력하고 봇 관련 데이터 세트에서 LLM을 미세 조정하면 더 정확한 결과를 얻을 수 있습니다. 다음은 그러한 애플리케이션에 대한 예시 워크플로우입니다. 또한 캐싱 및 데이터베이스 계층을 추가하여 응답성을 향상하고 비용을 절감할 수도 있습니다.
LLM으로 코드 작성
LLM은 개발자가 코드를 더 빠르고 효율적으로 작성할 수 있도록 개발 과정에서 널리 사용됩니다. 개발자의 지시에 따라 LLM은 이를 위한 코드를 생성할 수 있습니다. 현재 개발자는 LLM에 대한 자세한 지침을 제공해야 합니다. LLM이 전체 프로젝트에 대한 코드를 자동으로 생성하는 것은 어렵습니다.
코드에 대한 인기 있는 LLM 모델로는 StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B 및 MPT 30 B가 있습니다.
이러한 모델은 모두 스마트 계약을 작성하는 데 사용할 수 있지만 스마트 계약 데이터에 대해 특별히 교육을 받지 않았을 수도 있습니다. 아직 개선의 여지가 있습니다.
현재 HuggingFace에서 사용할 수 있는 스마트 계약 관련 데이터세트는 단 하나뿐입니다. 이는 113,000개의 스마트 계약을 포함하는 감사된 스마트 계약의 다저 세트입니다. 텍스트 분류, 텍스트 생성, 취약점 탐지 등의 작업에 사용할 수 있습니다.
보조 제목
시험
첫째, LLM은 잘 작성된 스마트 계약에 대한 테스트를 생성할 수 있습니다. 예를 들어 Codium은 작성된 프로젝트에 대한 테스트를 자동으로 생성할 수 있습니다. Codium은 현재 JS와 TS를 지원합니다. Codium은 코드베이스를 이해하고 각 함수, 독스트링, 주석을 분석하는 것부터 시작됩니다. 그런 다음 Codium은 코드 분석을 파일에 주석으로 다시 작성하고 테스트 계획을 출력합니다. 사용자는 선호하는 테스트를 선택할 수 있으며 Codium은 선택한 테스트 코드를 생성합니다.
다른 보조 도구도 선택한 기능에 대한 테스트 생성을 지원합니다.
유사한 단계에 따라 GPT-4에서 유사한 기능을 복제할 수 있습니다.
우리는 LLM이 이 작업에 더 많은 시간을 할애하기를 원했기 때문에 먼저 코드 분석을 요청했습니다. LLM은 어떤 작업이 어려운지 모릅니다. 각 마커에 동일한 컴퓨팅 성능을 사용합니다. 이는 복잡한 작업에서 부정확한 결과를 초래할 수 있습니다. 이러한 특성을 바탕으로 코드 분석을 요청합니다. 이런 식으로 LLM은 이러한 작업에 대해 생각하는 데 더 많은 토큰과 시간을 소비하고 더 높은 품질의 결과를 출력합니다. 이 방법은 사고 사슬이라고도 알려져 있습니다.
보조 제목
도우미 스크립트 생성
둘째, LLM을 사용하여 배포 스크립트와 같은 일부 보조 스크립트를 자동으로 생성할 수 있습니다.
보조 제목
자동 포크
보조 제목
자동 코드 생성
한 단계 더 나아가면 LLM은 개발자의 요구에 따라 스마트 계약을 자동으로 생성할 수 있나요? JS, Rust, Python으로 작성된 다른 복잡한 소프트웨어에 비해 스마트 계약은 상대적으로 짧고 간단합니다. 스마트 계약을 위한 외부 라이브러리는 많지 않습니다. LLM의 경우 스마트 계약을 작성하는 방법을 알아내는 것이 상대적으로 쉽습니다.
우리는 이미 자동 코드 생성에 있어서 어느 정도 진전을 보았습니다. GPT 엔지니어는 선구자 중 하나입니다. 코딩을 시작하기 전에 사용자의 요구 사항을 해결하고 LLM이 가질 수 있는 모든 질문에 답변합니다. 코드에는 전체 프로젝트를 실행하는 스크립트도 포함되어 있습니다. GPT 엔지니어는 개발자를 위한 프로젝트를 자동으로 시작할 수 있습니다.
사용자가 요구 사항을 입력하면 GPT 엔지니어가 요구 사항을 분석하고 몇 가지 설명을 요청합니다. 필요한 모든 정보를 수집한 후 GPT 엔지니어는 먼저 이 작업에 필요한 핵심 클래스, 기능 및 방법을 포함하여 프로그램 설계를 출력합니다. 그러면 GPT 엔지니어가 각 파일에 대한 코드를 생성합니다.
이와 같은 힌트를 통해 우리는 카운터 스마트 계약을 생성할 수 있습니다.
스마트 계약은 예상대로 컴파일되고 작동합니다.
GPT-엔지니어는 원래 Python용으로 설계되었기 때문에 Hardhat 관련 코드를 생성하는 데 몇 가지 문제가 있습니다. GPT 엔지니어는 최신 버전의 Hardhat을 인식하지 못하며 때로는 오래된 테스트 및 배포 스크립트를 생성합니다.
코드에 버그가 있으면 코드베이스와 콘솔 오류 로그를 LLM에 제공할 수 있습니다. LLM은 코드가 성공적으로 실행될 때까지 계속해서 코드를 수정할 수 있습니다. **[flo](https://flocli.vercel.app/)**와 같은 프로젝트가 이 방향으로 움직이는 것을 볼 수 있습니다. 현재 flo는 JS만 지원합니다.
스마트 계약 생성의 정확성을 높이려면 몇 가지 새로운 힌트를 통해 GPT 엔지니어를 개선할 수 있습니다. 우리는 LLM이 프로그램이 특정 테스트를 통과하는지 확인하여 생성된 프로그램을 더 효과적으로 제한하는 테스트 중심 개발 방법을 채택할 수 있습니다.
LLM으로 코드 읽기
LLM은 코드를 잘 이해하므로 LLM을 사용하여 개발자 문서를 작성할 수 있습니다. LLM은 코드 변경 사항을 추적하여 문서를 업데이트할 수도 있습니다. 우리는 이전 연구 보고서인 ZKRU에 대한 개발자 경험 탐색: 심층 분석의 끝 부분에서 이 접근 방식에 대해 논의했습니다.
문서를 읽는 것은 전통적인 방식이지만, 코드로 소통하는 것은 새로운 방식입니다. 사용자는 코드에 대해 질문할 수 있으며 LLM이 답변해 드립니다. LLM은 개발자에게 코드를 설명하고 체인의 스마트 계약을 빠르게 이해하도록 도울 수 있습니다. LLM은 코딩 경험이 없는 사람들도 스마트 계약을 이해하는 데 도움을 줄 수 있습니다.
우리는 이미 Web2 세계에서 이러한 추세를 목격했습니다. 많은 코드 지원 도구에는 코드 해석 기능이 있습니다.
Etherescan은 또한 LLM의 강력한 기능을 활용하여 사용자가 코드와 통신할 수 있도록 하는 새로운 기능을 시연했습니다.
코드가 이해되면 감사는 어떻게 변경됩니까? 수동 스마트 계약 감사가 여전히 필요합니까?라는 논문의 실험에서 LLM은 취약점 식별에서 40%의 적중률을 달성하여 무작위 기준을 능가했습니다. 그러나 오탐률도 높습니다. 적절한 프롬프트가 핵심이라고 저자는 지적합니다.
힌트 외에도 다음과 같은 이유로 적용이 제한됩니다.
현재 LLM은 이러한 목적을 위해 특별히 교육을 받지 않았습니다. 훈련 데이터에는 스마트 계약 코드베이스 및 해당 감사 보고서가 포함되지 않을 수 있습니다.
일반적으로 가장 심각한 취약점은 다양한 기능으로 구성된 논리적 문제입니다. LLM은 현재 토큰 수에 의해 제한됩니다. LLM은 맥락이 매우 길고 논리적 능력이 필요한 문제를 해결할 수 없습니다.
이러한 문제는 해결하기 어렵지 않습니다. 대규모 감사 회사에는 LLM을 세부적으로 조정하는 데 사용할 수 있는 수천 개의 감사 보고서가 있습니다. 토큰 제약이 큰 LLM이 등장하고 있습니다. Claude의 토큰 한도는 100,000개입니다. 새로 출시된 LTM-1에는 인상적인 500만 개의 토큰 제한이 있습니다. 이 두 가지 문제를 해결하려는 노력을 통해 LLM이 취약점을 더 잘 식별할 수 있게 될 것입니다. LLM은 감사자를 지원하고 감사 프로세스 속도를 높일 수 있습니다. 이는 점차적으로 발전할 수 있습니다. 가능한 개발 궤적은 다음과 같습니다.
1. 감사자가 보고서의 언어와 형식을 구성하도록 돕습니다. 이는 동일한 감사 회사에서 언어 일관성을 보장합니다. 종종 다른 그룹은 선호하는 어휘가 다를 수 있습니다.
2. 감사자가 잠재적인 취약점을 식별하고 확인할 수 있도록 지원합니다.
3. 감사 초안 보고서를 자동으로 생성합니다.
LLM으로 커뮤니티를 도와주세요
거버넌스는 커뮤니티의 중요한 부분입니다. 커뮤니티 회원은 자신이 가장 좋아하는 제안에 투표할 권리가 있습니다. 이러한 제안은 제품의 미래를 형성할 것입니다.
중요한 제안에 대해서는 많은 배경 정보와 커뮤니티 토론이 있을 것입니다. 투표하기 전에 커뮤니티 구성원이 이러한 맥락을 완전히 이해하는 것은 어렵습니다. LLM은 커뮤니티 구성원이 자신의 선택이 향후에 미칠 영향을 신속하게 이해하고 투표하도록 도울 수 있습니다.
질문 답변 봇은 또 다른 잠재적인 응용 프로그램입니다. 우리는 프로젝트 문서를 기반으로 한 Q&A 봇을 보았습니다. 우리는 더 큰 지식 데이터베이스를 구축하기 위해 더 나아갈 수 있습니다. 프레젠테이션, 팟캐스트, GitHub, Discord 채팅, Twitter Spaces 등 다양한 미디어와 소스를 연결할 수 있습니다. Q&A 봇은 문서 검색 창에만 존재하는 것이 아니라 Discord의 커뮤니티 구성원에게 즉각적인 지원을 제공하거나 Twitter에서 프로젝트 비전을 전파하고 질문에 답변할 수도 있습니다.
AwesomeQA는 현재 이 방향으로 발전하고 있습니다. 세 가지 기능을 구현합니다.
ChatGPT 통합을 사용하여 커뮤니티 구성원의 질문에 답변
FAQ 분석 등 커뮤니티 구성원의 메시지를 기반으로 데이터 기반 통찰력을 얻으세요.
해결되지 않은 문제 등 어떤 메시지가 중요한지 알아보세요.
현재 질의 응답 로봇이 직면하고 있는 어려움 중 하나는 벡터 데이터베이스에서 관련 컨텍스트를 정확하게 확보하고 LLM에 제공하는 방법입니다. 예를 들어, 사용자가 여러 요소에 대한 여러 기능에 대한 필터가 포함된 쿼리를 요청하는 경우 로봇은 벡터 데이터베이스에서 관련 컨텍스트를 검색하지 못할 수 있습니다.
벡터 데이터베이스를 업데이트하는 것은 또 다른 문제입니다. 현재 해결책은 벡터 데이터베이스를 다시 구축하거나 네임스페이스를 통해 벡터 데이터베이스를 업데이트하는 것입니다. 임베딩에 네임스페이스를 추가하는 것은 데이터에 라벨을 첨부하는 것과 비슷합니다. 이를 통해 개발자는 적절한 삽입을 더 쉽게 찾고 업데이트할 수 있습니다.
LLM으로 시장 추적
시장은 많이 변하고 매일 많은 일이 일어납니다. KOL(핵심 오피니언 리더)이 새로운 아이디어와 생각을 게시하는 것처럼 뉴스레터와 제품 이메일이 받은 편지함으로 쏟아져 들어옵니다. LLM은 귀하에게 가장 중요한 아이디어와 뉴스를 선택할 수 있습니다. 또한 읽기 시간을 단축하고 시장 역학을 따라잡는 데 도움이 되는 내용을 요약합니다.
minmax.ai는 저널리즘 분야에 전념하고 있습니다. 특정 주제에 대한 최신 뉴스 요약을 제공하고 해당 주제에 대한 감정 분석도 제공합니다.
지루한 보도는 뉴스에서 선정적인 내용을 제거하고 독자가 올바른 결정을 내리는 데 도움이 되는 중요한 세부 사항에 중점을 둡니다.
로보어드바이저는 현재 가장 핫한 분야 중 하나입니다. LLM은 robo-advice의 사용을 촉진할 수 있습니다. LLM은 거래 권장 사항을 제공하고 사용자가 주식 정보를 바탕으로 포트폴리오를 관리할 수 있도록 도와줍니다.
Numer.ai와 같은 프로젝트는 AI를 사용하여 시장을 예측하고 자금을 관리합니다. LLM이 관리하는 포트폴리오도 있습니다. 사용자는 Robinhood에서 이러한 포트폴리오를 팔로우할 수 있습니다.
Composer는 AI로 거래 알고리즘을 제공합니다. AI는 사용자 통찰력을 기반으로 구체적인 거래 전략을 구축합니다. 그런 다음 AI는 이러한 거래 전략을 자동으로 백테스트합니다. 사용자가 정책에 만족하면 Composer는 사용자에게 해당 정책을 자동으로 시행할 수 있습니다.
LLM으로 프로젝트 분석
분석 프로젝트에는 종종 많은 양의 자료를 읽고 긴 연구 논문을 작성하는 작업이 포함됩니다. LLM은 짧은 단락을 읽고 쓸 수 있습니다. 기능을 긴 단락으로 확장할 수 있다면 LLM이 어떻게든 일부 프로젝트 연구 결과를 산출할 수 있다는 뜻인가요? 아마도 그렇습니다. 백서, 문서 또는 이벤트 프리젠테이션을 입력하고 LLM이 프로젝트와 창립자를 분석하도록 할 수 있습니다. 토큰 수에 제한이 있기 때문에 먼저 논문의 개요를 작성한 다음 얻은 정보에 따라 각 부분을 업데이트하고 최적화할 수 있습니다.
BabyAGI와 같은 프로젝트는 이미 이 방향으로 진전을 이루고 있습니다. 다음은 BabyAGI의 변형인 BlockAGI의 샘플 출력입니다.
결론적으로
결론적으로
LLM이 가까운 미래에 블록체인 커뮤니티를 도울 수 있는 8가지 구체적인 방향은 다음과 같습니다.
1. 내장된 AI/LLM 기능을 블록체인에 통합합니다.
2. LLM을 사용하여 거래 기록을 분석합니다.
3. LLM으로 보안을 강화하세요.
4. LLM을 사용하여 코드를 작성합니다.
5. LLM을 사용하여 코드를 읽으십시오.
6. LLM을 활용하여 지역 사회를 지원하십시오.
7. LLM을 사용하여 시장을 추적하십시오.
8. LLM을 적용하여 프로젝트를 분석하세요.
LLM은 프로젝트 소유자, 분석가 및 엔지니어를 포함하여 암호화폐 공간의 모든 구성원에게 혜택을 줄 수 있습니다. 창업자는 LLM을 사용하여 문서화 및 Q&A와 같은 작업을 자동화할 수 있습니다. 엔지니어는 LLM을 사용하여 더 빠르고 안전하게 코드를 작성할 수 있습니다. 분석가는 프로젝트를 더 쉽게 조사할 수 있습니다.
장기적으로는 GameFi 분야에 LLM을 적용할 수 있는 잠재적인 기회도 있습니다. LLM은 게임에서 더 흥미로운 작업을 생성하고 게임에서 다양한 역할을 수행할 수 있습니다. 게임 속 세계는 더욱 현실감 있고 흥미롭게 느껴질 것입니다. NPC는 플레이어의 행동에 따라 동적으로 반응합니다. 퀘스트는 사용자가 어떻게 해결하느냐에 따라 더 많은 엔딩을 갖게 됩니다.
LLM은 기존 프로젝트에 통합될 수 있지만 신규 참가자에게도 기회를 열어줍니다. 예를 들어, 온체인 데이터 분석 분야에는 이미 최고의 플레이어들이 있습니다. Dune은 LLM을 통합하여 사용자 경험을 향상시킬 수 있습니다. 그러나 LLM은 신규 참가자에게도 기회를 제공합니다. 이러한 신규 참가자는 LLM을 제품 디자인의 중심에 둘 수 있습니다. 이러한 AI 주도 및 AI 중심 창의적 제품은 온체인 데이터 분석 분야에 새로운 경쟁을 가져올 수 있습니다.
Web2 및 Web3 세계에서 LLM 사용에는 중복이 있지만 서로 다른 방식으로 제품을 구현할 수 있습니다. Web3 세계에서 사용하는 데이터는 Web2 세계의 데이터와 동일하지 않기 때문입니다. LLM의 지식 기반은 Web2와 Web3에서 다를 수도 있습니다. Web3 데이터에는 블록체인, 토큰 가격, 트윗, 프로젝트 및 연구가 포함됩니다. 따라서 Web2와 Web3에는 최종 사용자에게 서비스를 제공하기 위해 서로 다른 LLM이 필요합니다.
LLM의 붐으로 인해 AIxBlockchain의 인기가 높아지고 있습니다. 그러나 많은 AIxBlockhain은 단기간에 실용적이지 않습니다. 블록체인과 영지식 증명은 일부 복잡한 모델의 훈련과 추론을 위한 대규모 컴퓨팅 성능을 제공할 수 없습니다. 작은 모델은 복잡한 작업을 해결할 수 없습니다. 보다 실용적인 접근 방식은 블록체인 도메인에 LLM을 적용하는 것입니다. LLM은 최근 다른 AI 주제보다 더 큰 발전을 이루었습니다. LLM과 블록체인을 결합하는 것이 더 합리적입니다.
LLM 커뮤니티는 토큰 한도를 개선하고 응답 정확도를 높이기 위해 노력하고 있습니다. 블록체인 커뮤니티에 남은 것은 데이터 소스와 데이터 파이프라인입니다. 정리된 데이터는 LLM을 미세 조정하여 블록체인 환경의 정확성을 향상시키는 데 사용될 수 있습니다. 데이터 파이프라인은 더 많은 블록체인 관련 애플리케이션을 LLM에 통합하고 더 많은 암호화 관련 에이전트를 개발할 수 있습니다.
