IOSG Ventures: LLM เสริมศักยภาพบล็อกเชนและเปิดศักราชใหม่ของประสบการณ์ออนไลน์

เขียนโดย: Yiping, IOSG Ventures

เขียนไว้ข้างหน้า

• ด้วยความนิยมที่เพิ่มขึ้นของโมเดลภาษาขนาดใหญ่ (LLM) เราได้เห็นหลายโครงการที่บูรณาการปัญญาประดิษฐ์ (AI) และบล็อกเชน การรวมกันของ LLM และบล็อกเชนกำลังเพิ่มขึ้น และเรายังเห็นโอกาสสำหรับปัญญาประดิษฐ์ที่จะรวมเข้ากับบล็อกเชนอีกครั้ง สิ่งหนึ่งที่ควรกล่าวถึงคือการเรียนรู้ของเครื่องแบบไม่มีความรู้ (ZKML)

• ปัญญาประดิษฐ์และบล็อกเชนเป็นเทคโนโลยีการเปลี่ยนแปลงสองอย่างที่มีลักษณะพื้นฐานที่แตกต่างกัน ปัญญาประดิษฐ์ต้องการพลังการประมวลผลอันทรงพลัง ซึ่งโดยปกติแล้วจะได้รับจากศูนย์ข้อมูลแบบรวมศูนย์ แม้ว่าบล็อกเชนจะให้การประมวลผลแบบกระจายอำนาจและการปกป้องความเป็นส่วนตัว แต่ก็ทำงานได้ไม่ดีในงานประมวลผลและการจัดเก็บข้อมูลขนาดใหญ่ เรายังคงสำรวจและค้นคว้าแนวทางปฏิบัติที่ดีที่สุดของปัญญาประดิษฐ์และการบูรณาการบล็อกเชน และเราจะแนะนำกรณีโครงการปัจจุบันบางกรณีที่รวม AI + บล็อกเชน ไว้ในอนาคต

Source: IOSG Ventures

รายงานการวิจัยนี้แบ่งออกเป็น 2 ส่วน บทความนี้เป็นส่วนบน เราจะเน้นไปที่การประยุกต์ใช้ LLM ในด้านการเข้ารหัสและหารือเกี่ยวกับกลยุทธ์การลงจอดของแอปพลิเคชัน

LLM คืออะไร?

LLM (โมเดลภาษาขนาดใหญ่) คือโมเดลภาษาคอมพิวเตอร์ที่ประกอบด้วยโครงข่ายประสาทเทียมที่มีพารามิเตอร์จำนวนมาก (ปกติจะนับพันล้าน) โมเดลเหล่านี้ได้รับการฝึกฝนเกี่ยวกับข้อความที่ไม่มีป้ายกำกับจำนวนมาก

ประมาณปี 2018 การกำเนิดของ LLM ได้ปฏิวัติการวิจัยการประมวลผลภาษาธรรมชาติ ต่างจากวิธีการก่อนหน้านี้ที่ต้องมีการฝึกอบรมโมเดลภายใต้การดูแลเฉพาะสำหรับงานเฉพาะ LLM ซึ่งเป็นโมเดลทั่วไปสามารถทำงานได้ดีในงานที่หลากหลาย ความสามารถและการใช้งานประกอบด้วย:

• การทำความเข้าใจและสรุปข้อความ: LLM สามารถเข้าใจและสรุปภาษามนุษย์และข้อมูลข้อความจำนวนมากได้ พวกเขาสามารถดึงข้อมูลสำคัญและสร้างบทสรุปที่กระชับได้

• การสร้างเนื้อหาใหม่: LLM มีความสามารถในการสร้างเนื้อหาที่เป็นข้อความ ด้วยการป้อนพร้อมท์ให้กับแบบจำลอง จึงสามารถตอบคำถาม ข้อความที่สร้างขึ้นใหม่ สรุป หรือการวิเคราะห์ความคิดเห็นได้

• การแปล: LLM สามารถใช้เพื่อแปลภาษาต่างๆ ได้ พวกเขาใช้อัลกอริธึมการเรียนรู้เชิงลึกและโครงข่ายประสาทเทียมเพื่อทำความเข้าใจบริบทและความสัมพันธ์ระหว่างคำ

• ทำนายและสร้างข้อความ: LLM สามารถคาดเดาและสร้างข้อความตามบริบท คล้ายกับเนื้อหาที่มนุษย์สร้างขึ้น รวมถึงเพลง บทกวี เรื่องราว สื่อการตลาด ฯลฯ

• การประยุกต์ใช้งานในด้านต่างๆ: โมเดลภาษาขนาดใหญ่สามารถนำไปใช้งานในการประมวลผลภาษาธรรมชาติได้อย่างกว้างขวาง ใช้ในการสนทนาปัญญาประดิษฐ์ แชทบอท การดูแลสุขภาพ การพัฒนาซอฟต์แวร์ เสิร์ชเอ็นจิ้น การสอน เครื่องมือการเขียน และอื่นๆ อีกมากมาย

จุดแข็งของ LLM ได้แก่ ความสามารถในการเข้าใจข้อมูลจำนวนมาก ความสามารถในการดำเนินงานที่เกี่ยวข้องกับภาษาต่างๆ และศักยภาพในการปรับแต่งผลลัพธ์ให้ตรงกับความต้องการของผู้ใช้

แอปพลิเคชันโมเดลภาษาขนาดใหญ่ทั่วไป

เนื่องจากความสามารถในการเข้าใจภาษาธรรมชาติที่โดดเด่น LLM จึงมีศักยภาพอย่างมาก และนักพัฒนามุ่งเน้นไปที่สองด้านต่อไปนี้เป็นหลัก:

• ให้คำตอบที่ถูกต้องและทันสมัยแก่ผู้ใช้โดยพิจารณาจากข้อมูลและเนื้อหาตามบริบทที่ครอบคลุม

• ทำงานเฉพาะที่ได้รับมอบหมายจากผู้ใช้โดยใช้เอเจนต์และเครื่องมือที่แตกต่างกัน

สองแง่มุมนี้เองที่ทำให้แอปพลิเคชั่น LLM ในการแชทกับ XX ระเบิดเหมือนดอกเห็ดหลังฝนตก ตัวอย่างเช่น แชทด้วย PDF แชทด้วยเอกสาร และแชทด้วยเอกสารวิชาการ

ต่อมามีความพยายามที่จะหลอมรวม LLM กับแหล่งข้อมูลต่างๆ นักพัฒนาประสบความสำเร็จในการผสานรวมแพลตฟอร์ม เช่น Github, Notion และซอฟต์แวร์จดบันทึกบางตัวเข้ากับ LLM

เพื่อเอาชนะข้อจำกัดโดยธรรมชาติของ LLM เครื่องมือต่างๆ จึงถูกรวมเข้าไว้ในระบบ เครื่องมือแรกดังกล่าวคือเครื่องมือค้นหา ซึ่งทำให้ LLM สามารถเข้าถึงความรู้ที่ทันสมัย ความคืบหน้าเพิ่มเติมจะรวมเครื่องมือต่างๆ เช่น WolframAlpha, Google Suites และ Etherscan เข้ากับโมเดลภาษาขนาดใหญ่

สถาปัตยกรรมของแอป LLM

แผนภาพด้านล่างสรุปขั้นตอนของแอปพลิเคชัน LLM เมื่อตอบคำถามของผู้ใช้: ขั้นแรก แหล่งข้อมูลที่เกี่ยวข้องจะถูกแปลงเป็นเวกเตอร์ที่ฝังไว้และจัดเก็บไว้ในฐานข้อมูลเวกเตอร์ อะแดปเตอร์ LLM ใช้คำค้นหาของผู้ใช้และการค้นหาความคล้ายคลึงกันเพื่อค้นหาบริบทที่เกี่ยวข้องจากฐานข้อมูลเวกเตอร์ บริบทที่เกี่ยวข้องจะถูกใส่ลงในพรอมต์และส่งไปยัง LLM LLM จะดำเนินการพร้อมท์เหล่านี้และใช้เครื่องมือเพื่อสร้างคำตอบ บางครั้ง LLM จะได้รับการปรับแต่งบนชุดข้อมูลเฉพาะเพื่อปรับปรุงความแม่นยำและลดต้นทุน

ขั้นตอนการทำงานของแอปพลิเคชัน LLM สามารถแบ่งคร่าวๆ ได้เป็นสามขั้นตอนหลัก:

• การเตรียมและการฝังข้อมูล: ขั้นตอนนี้เกี่ยวข้องกับการเก็บข้อมูลที่เป็นความลับ เช่น บันทึกโครงการ เพื่อการเข้าถึงในอนาคต โดยทั่วไป ไฟล์จะถูกแบ่งส่วนและประมวลผลผ่านโมเดลการฝัง ซึ่งจัดเก็บไว้ในฐานข้อมูลชนิดพิเศษที่เรียกว่าฐานข้อมูลเวกเตอร์

• การกำหนดและการดึงข้อมูลพรอมต์: เมื่อผู้ใช้ส่งคำขอค้นหา (ในกรณีนี้คือการค้นหาข้อมูลรายการ) ซอฟต์แวร์จะสร้างชุดของพรอมต์ที่ป้อนเข้าสู่โมเดลภาษา พรอมต์สุดท้ายมักจะประกอบด้วยเทมเพลตพรอมต์ที่นักพัฒนาซอฟต์แวร์เขียนโค้ดไว้แบบฮาร์ดโค้ด ตัวอย่างของเอาต์พุตที่ถูกต้องเป็นตัวอย่างสั้นๆ และหมายเลขที่จำเป็นใดๆ ที่ได้รับจาก API ภายนอกและไฟล์ที่เกี่ยวข้องที่ดึงมาจากฐานข้อมูลเวกเตอร์

• การดำเนินการทันทีและการอนุมาน: เมื่อพร้อมท์เสร็จสิ้น ระบบจะป้อนไปยังโมเดลภาษาที่มีอยู่แล้วเพื่อการอนุมาน ซึ่งอาจรวมถึง API โมเดลที่เป็นกรรมสิทธิ์ โอเพ่นซอร์ส หรือโมเดลที่ได้รับการปรับแต่งทีละรายการ ในขั้นตอนนี้ นักพัฒนาบางรายอาจรวมระบบปฏิบัติการ เช่น การบันทึก การแคช และการตรวจสอบความถูกต้อง เข้าไปในระบบด้วย

นำ LLM มาสู่ Crypto

แม้ว่าจะมีแอปพลิเคชั่นบางตัวที่คล้ายกันในฟิลด์การเข้ารหัส (Web3) และ Web2 แต่การพัฒนาแอปพลิเคชั่น LLM ที่ดีในฟิลด์การเข้ารหัสนั้นจำเป็นต้องได้รับการดูแลเป็นพิเศษ

ระบบนิเวศของสกุลเงินดิจิทัลมีเอกลักษณ์เฉพาะตัว โดยมีวัฒนธรรม ข้อมูล และการบรรจบกันเป็นของตัวเอง LLM ที่ได้รับการปรับแต่งอย่างละเอียดบนชุดข้อมูลที่ถูกจำกัดด้วยการเข้ารหัสเหล่านี้สามารถให้ผลลัพธ์ที่เหนือกว่าด้วยต้นทุนที่ค่อนข้างต่ำ แม้ว่าข้อมูลจะมีอยู่มากมาย แต่ก็ยังขาดชุดข้อมูลแบบเปิดบนแพลตฟอร์มอย่าง HuggingFace อย่างเห็นได้ชัด ปัจจุบันมีชุดข้อมูลเพียงชุดเดียวที่เกี่ยวข้องกับสัญญาอัจฉริยะ ซึ่งประกอบด้วยสัญญาอัจฉริยะ 113,000 รายการ

นักพัฒนายังต้องเผชิญกับความท้าทายในการบูรณาการเครื่องมือต่างๆ เข้ากับ LLM เครื่องมือเหล่านี้แตกต่างจากที่ใช้ใน Web2 โดยให้ LLM สามารถเข้าถึงข้อมูลที่เกี่ยวข้องกับธุรกรรม โต้ตอบกับแอปพลิเคชันกระจายอำนาจ (Dapps) และดำเนินการธุรกรรม จนถึงตอนนี้ เรายังไม่พบการบูรณาการ Dapp ใน Langchain

แม้ว่าอาจจำเป็นต้องมีการลงทุนเพิ่มเติมเพื่อพัฒนาแอปพลิเคชัน LLM สำหรับการเข้ารหัสคุณภาพสูง แต่ LLM ก็เหมาะอย่างยิ่งสำหรับพื้นที่การเข้ารหัส โดเมนนี้ให้ข้อมูลที่มีโครงสร้างสมบูรณ์ สะอาดตา เมื่อรวมกับความจริงที่ว่าโค้ด Solidity มักจะกระชับ ทำให้ LLM สร้างโค้ดการทำงานได้ง่ายขึ้น

ในส่วนที่ 2 เราจะพูดถึง 8 ทิศทางที่เป็นไปได้ซึ่ง LLM สามารถช่วยพื้นที่บล็อคเชนได้ เช่น:

• บูรณาการความสามารถ AI/LLM ในตัวเข้ากับบล็อกเชน

• การวิเคราะห์ธุรกรรมโดยใช้ LLM

• ระบุบอทที่เป็นไปได้โดยใช้ LLM

• เขียนโค้ดโดยใช้ LLM

• อ่านโค้ดด้วย LLM

• ใช้ LLM เพื่อช่วยเหลือชุมชน

• ติดตามตลาดด้วย LLM

• วิเคราะห์โครงการโดยใช้ LLM

คอยติดตาม!