IOSG Ventures: การสนทนาเชิงลึกเกี่ยวกับความเป็นไปได้ใหม่ของ LLM เพื่อเปิดปฏิสัมพันธ์บล็อกเชน

ผู้เขียนต้นฉบับ: Yiping, IOSG Ventures

ยินดีต้อนรับสู่บทความที่สองในโมเดลภาษาขนาดใหญ่ (LLM) และชุดการวิจัยบล็อกเชนของเรา ในบทความก่อนหน้านี้ เราได้พูดคุยถึงวิธีการบูรณาการ LLM และเทคโนโลยีบล็อกเชนจากระดับเทคนิค และเหตุใดกรอบงาน LLM จึงเหมาะสมมากสำหรับสาขาบล็อกเชน นอกจากนี้เรายังร่างเส้นทางที่เป็นไปได้สำหรับการบูรณาการ LLM เข้ากับบล็อคเชนในอนาคต

ในโพสต์นี้ เราจะใช้แนวทางที่ลงมือปฏิบัติจริงมากขึ้น และเจาะลึกในแอปพลิเคชันเฉพาะแปดด้านที่เราเชื่อว่าจะเปลี่ยนประสบการณ์ผู้ใช้บล็อกเชนได้อย่างมาก สิ่งที่น่าตื่นเต้นยิ่งกว่านั้นคือเราคาดการณ์ว่าแอปพลิเคชันที่ก้าวล้ำเหล่านี้จะกลายเป็นจริงภายในปีหน้า

เข้าร่วมกับเราในขณะที่เราค้นพบอนาคตของการโต้ตอบบล็อคเชน ต่อไปนี้เป็นภาพรวมโดยย่อของแอปทั้ง 8 แอปที่เราจะพูดถึง:

1. บูรณาการความสามารถ AI/LLM ในตัวเข้ากับบล็อกเชน

2. การใช้ LLM เพื่อวิเคราะห์บันทึกธุรกรรม

3. เสริมความปลอดภัยด้วย LLM

4. เขียนโค้ดด้วย LLM

5. อ่านโค้ดด้วย LLM

6. ช่วยเหลือชุมชนด้วย LLM

7. ใช้ LLM เพื่อติดตามตลาด

8. ใช้ LLM เพื่อวิเคราะห์โครงการ

รวมความสามารถ AI/LLM ในตัวเข้ากับบล็อกเชน

บล็อกเชนจะมีฟังก์ชันและโมเดลปัญญาประดิษฐ์ในตัว นักพัฒนาสามารถเข้าถึงฟังก์ชัน AI เพื่อทำงาน ML ที่เป็นเอกลักษณ์ เช่น การจัดหมวดหมู่ การถดถอย การเติมข้อความให้สมบูรณ์ และ AIGC ออนไลน์ นักพัฒนาสามารถเรียกฟังก์ชันปัญญาประดิษฐ์เหล่านี้ผ่านสัญญาอัจฉริยะได้

ชื่อรอง

การจัดหมวดหมู่

ชื่อรอง

การถดถอย

ชื่อรอง

AIGC

โครงการ NFT จำนวนมากกำลังพยายามสร้างจักรวาล IP อย่างไรก็ตาม เนื้อหาที่มีจำกัดไม่สามารถรองรับจักรวาลได้ หากเราสามารถใช้ AIGC ในห่วงโซ่ เราก็สามารถส่งออกเนื้อหาจำนวนนับไม่ถ้วนด้วยรูปแบบแบรนด์ที่เป็นสัญลักษณ์ที่คล้ายกันในราคาที่ค่อนข้างต่ำ โมเดลสามารถแสดงข้อความ ภาพประกอบ เพลง เสียง และแม้แต่วิดีโอได้ สิ่งนี้จะขยายขนาดของจักรวาล IP อย่างมาก ผู้เข้าร่วมชุมชนสามารถร่วมกันปรับแต่งโมเดลให้ตรงตามความคาดหวังของตนได้ กระบวนการปรับแต่งยังทำให้ชุมชนรู้สึกมีส่วนร่วม

Botto ใช้โมเดล AIGC เพื่อสร้างเนื้อหาเชิงศิลปะ ชุมชนโหวตให้กับภาพโปรดของพวกเขาเพื่อร่วมกันปรับแต่งโมเดล AIGC

หากเรามองบล็อกเชนเป็นฐานข้อมูล เราก็พบว่า Databend รวมความสามารถด้านปัญญาประดิษฐ์ในตัวเข้ากับฐานข้อมูลของพวกเขา พวกเขามีฟังก์ชั่นดังต่อไปนี้:

• ai_embedding_vector: สร้างเวกเตอร์ที่ฝังสำหรับเอกสารข้อความ

• ai_text_completion: สร้างการเติมข้อความให้สมบูรณ์ตามคำแนะนำที่กำหนด

• cosine_distance: คำนวณระยะห่างโคไซน์ระหว่างเวกเตอร์ที่ฝังสองตัว

• ai_to_sql: แปลงคำสั่งภาษาธรรมชาติเป็นการสืบค้น SQL

มอบความสามารถ AI สำหรับบล็อกเชน

เรารู้ว่าบางโครงการกำลังนำความสามารถด้าน AI มาสู่บล็อกเชน

Giza กำลังทำงานเกี่ยวกับ ZKML มันสร้างการพิสูจน์เหตุผลแบบออฟไลน์และตรวจสอบความถูกต้องแบบออนไลน์ ขณะนี้รองรับบล็อกเชนที่เข้ากันได้กับ Ethereum Virtual Machine และ StarkNet เมื่อเร็วๆ นี้ Giza ได้ประกาศความร่วมมือกับ Yearn.finance โดย Yearn จะใช้ความสามารถด้านปัญญาประดิษฐ์ของ Giza เพื่อเพิ่มขีดความสามารถในการประเมินความเสี่ยง

Modulus Labs ก็ทำงานไปในทิศทางเดียวกันเช่นกัน พวกเขาทำงานหนักขึ้นเพื่อปรับปรุงระบบพิสูจน์อักษรเพื่อสร้างวงจรประสิทธิภาพสูงสำหรับปัญญาประดิษฐ์ พวกเขาเปิดตัวการสาธิตเช่น Chess AI และ Ethereum Price Prediction AI โปรเจ็กต์สาธิตใหม่ของพวกเขา zkMon ถือเป็นโปรเจ็กต์ NFT แบบ Zero-Knowledge Proof ตัวแรกของโลกที่รวบรวมได้

การวิเคราะห์บันทึกธุรกรรมด้วย LLM

การวิเคราะห์บันทึกธุรกรรมมักจะทำโดยแอปพลิเคชันเฉพาะ เช่น Debank การวิเคราะห์บันทึกธุรกรรมด้วยตนเองโดยมนุษย์เป็นเรื่องยาก การวิเคราะห์ด้วยตนเองเกี่ยวข้องกับการรวบรวมข้อมูล การล้างข้อมูล และการวิเคราะห์ข้อมูล ซึ่งกำหนดให้ผู้ใช้มีทักษะการเขียนโค้ด เนื่องจากความสามารถของ LLM ในการวิเคราะห์และแสดงข้อมูลเป็นภาพ ขณะนี้เราจึงมีแนวทางใหม่ ด้วย LLM เราสามารถวิเคราะห์ข้อมูลออนไลน์ตามความต้องการที่กำหนดเองได้ เราสามารถวิเคราะห์อัตราการชนะ อัตราส่วนประสิทธิภาพ หรือข้อมูลใดๆ ก็ตามที่เราต้องการทราบ

RSS3 ได้พัฒนาปลั๊กอิน ChatGPT ชื่อ Web3 User Activity เพื่อให้ทำงานในทิศทางนี้ ผู้ใช้สามารถป้อนที่อยู่กระเป๋าเงิน ENS หรือ Lens เพื่อค้นหากิจกรรมออนไลน์ ปลั๊กอินนี้จะส่งออกข้อมูลธุรกรรมในรูปแบบที่มนุษย์สามารถอ่านได้ อย่างไรก็ตาม น่าเสียดายที่ไม่สามารถดำเนินการสอบถามที่ซับซ้อน เช่น มีผู้ถือ Azuki กี่ราย สัญญาอัจฉริยะใดที่ได้รับความนิยมมากที่สุด เป็นต้น ผู้ใช้ควรทราบด้วยว่าที่อยู่และแท็กที่ปลั๊กอินให้มานั้นไม่จำเป็นต้องแม่นยำเสมอไป

DeFiLlama ยังเปิดตัวปลั๊กอิน ChatGPT ผู้ใช้สามารถสืบค้นข้อมูลใด ๆ ที่มีอยู่ใน DeFiLlama ในภาษาธรรมชาติ นอกจากนี้ยังสามารถดำเนินการกรองและเรียงลำดับแบบง่ายๆ ได้:

Dune ยังรวม GPT เข้ากับผลิตภัณฑ์ของตนเพื่อเปิดใช้ความสามารถดังต่อไปนี้:

• การตีความแบบสอบถาม: ตีความแบบสอบถามโดยใช้ LLM

• การแปลแบบสอบถาม: แปลภาษา SQL อื่น ๆ เป็น DuneSQL โดยใช้ LLM

• แบบสอบถามภาษาธรรมชาติ: อนุญาตให้ผู้ใช้เขียนแบบสอบถามในภาษาธรรมชาติ

• ค้นหา: การปรับปรุงผลการค้นหาโดยใช้ LLM

• ฐานความรู้ของวิซาร์ด: แชทบอทที่ช่วยให้ผู้ใช้สามารถสื่อสารกับเอกสารได้

เพิ่มความปลอดภัยด้วย LLM

เนื่องจากความสามารถด้านตรรกะและการใช้เหตุผล LLM จึงสามารถใช้เพื่อกรองธุรกรรมที่เป็นอันตรายและทำหน้าที่เป็นไฟร์วอลล์สำหรับสัญญาอัจฉริยะได้ นี่คือตัวอย่างที่ชัดเจนของวิธีการบล็อกกิจกรรมของบอท:

หลังจากป้อนที่อยู่แล้ว LLM สามารถรับข้อมูลธุรกรรมทั้งหมดผ่านปลั๊กอินของบุคคลที่สาม จากนั้นวิเคราะห์บันทึกธุรกรรมเหล่านี้ และรวบรวมความเป็นไปได้ที่ที่อยู่นั้นเป็นโรบอต ฟังก์ชั่นนี้สามารถฝังอยู่ใน Dapps ที่ไม่ต้อนรับบอท เช่น การขาย NFT

ด้านล่างนี้เป็นตัวอย่างง่ายๆ ผ่าน ChatGPT ChatGPT ดึงข้อมูลบันทึกธุรกรรมของบัญชีผ่านปลั๊กอินกิจกรรมผู้ใช้ Web3 ที่พัฒนาโดย RSS3 จากนั้นวิเคราะห์บันทึกธุรกรรมเหล่านี้ และส่งออกความเป็นไปได้ที่บัญชีนั้นเป็นโรบ็อต

หากเราป้อนบันทึกธุรกรรมมากขึ้นและปรับแต่ง LLM ในชุดข้อมูลที่เกี่ยวข้องกับบอท เราจะสามารถบรรลุผลลัพธ์ที่แม่นยำยิ่งขึ้น ด้านล่างนี้คือตัวอย่างขั้นตอนการทำงานสำหรับแอปพลิเคชันดังกล่าว นอกจากนี้เรายังสามารถเพิ่มเลเยอร์แคชและฐานข้อมูลเพื่อปรับปรุงการตอบสนองและลดต้นทุน

เขียนโค้ดด้วย LLM

LLM ถูกนำมาใช้กันอย่างแพร่หลายในการพัฒนาเพื่อช่วยให้นักพัฒนาเขียนโค้ดได้เร็วและดีขึ้น ตามคำแนะนำของนักพัฒนา LLM สามารถสร้างโค้ดให้พวกเขาได้ ในปัจจุบัน นักพัฒนายังคงต้องให้คำแนะนำโดยละเอียดสำหรับ LLM เป็นเรื่องยากสำหรับ LLM ที่จะสร้างโค้ดสำหรับทั้งโครงการโดยอัตโนมัติ

โมเดล LLM ยอดนิยมบางรุ่นสำหรับโค้ด ได้แก่ StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B และ MPT 30 B

โมเดลทั้งหมดนี้สามารถใช้เพื่อเขียนสัญญาอัจฉริยะได้ แต่อาจไม่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลสัญญาอัจฉริยะโดยเฉพาะ พวกเขายังมีพื้นที่สำหรับการปรับปรุง

ปัจจุบันมีชุดข้อมูลที่เกี่ยวข้องกับสัญญาอัจฉริยะเพียงชุดเดียวเท่านั้นที่มีอยู่ใน HuggingFace เป็นชุดหลบเลี่ยงของสัญญาอัจฉริยะที่ได้รับการตรวจสอบแล้ว ซึ่งมีสัญญาอัจฉริยะ 113,000 สัญญา สามารถใช้สำหรับงานต่างๆ เช่น การจัดประเภทข้อความ การสร้างข้อความ และการตรวจจับช่องโหว่

ชื่อรอง

ทดสอบ

ประการแรก LLM สามารถสร้างการทดสอบสัญญาอัจฉริยะที่เขียนไว้อย่างดี ตัวอย่างเช่น Codium สามารถสร้างการทดสอบสำหรับโปรเจ็กต์ที่เป็นลายลักษณ์อักษรได้โดยอัตโนมัติ ปัจจุบัน Codium รองรับ JS และ TS Codium เริ่มต้นด้วยการทำความเข้าใจ Codebase วิเคราะห์แต่ละฟังก์ชัน docstring และแสดงความคิดเห็น จากนั้น Codium จะเขียนการวิเคราะห์โค้ดกลับไปยังไฟล์เป็นความคิดเห็นและส่งออกแผนการทดสอบ ผู้ใช้สามารถเลือกการทดสอบที่ต้องการได้ และ Codium จะสร้างรหัสการทดสอบที่เลือก

เครื่องมือเสริมอื่นๆ ยังรองรับการสร้างการทดสอบสำหรับฟังก์ชันที่เลือกอีกด้วย

เราสามารถจำลองฟังก์ชันการทำงานที่คล้ายกันบน GPT-4 โดยทำตามขั้นตอนที่คล้ายกัน

เราขอการวิเคราะห์โค้ดก่อนเนื่องจากเราต้องการให้ LLM ใช้เวลากับงานนี้มากขึ้น LLM ไม่รู้ว่างานไหนยาก มันใช้พลังงานการประมวลผลเท่ากันกับเครื่องหมายแต่ละตัว ซึ่งอาจนำไปสู่ผลลัพธ์ที่ไม่ถูกต้องในงานที่ซับซ้อนได้ ตามคุณลักษณะเหล่านี้ เราขอการวิเคราะห์โค้ด ด้วยวิธีนี้ LLM จะใช้โทเค็น/เวลามากขึ้นในการคิดถึงงานเหล่านี้ และให้ผลลัพธ์ที่มีคุณภาพสูงขึ้น วิธีการนี้เรียกอีกอย่างว่า ห่วงโซ่การคิด

ชื่อรอง

สร้างสคริปต์ตัวช่วย

ประการที่สอง เราสามารถใช้ LLM เพื่อสร้างสคริปต์เสริมบางอย่างโดยอัตโนมัติ เช่น สคริปต์การปรับใช้

ชื่อรอง

ส้อมอัตโนมัติ

ชื่อรอง

การสร้างรหัสอัตโนมัติ

หากเราก้าวไปอีกขั้นหนึ่ง LLM จะสามารถสร้างสัญญาอัจฉริยะโดยอัตโนมัติตามความต้องการของนักพัฒนาได้หรือไม่? เมื่อเปรียบเทียบกับซอฟต์แวร์ที่ซับซ้อนอื่นๆ ที่เขียนด้วย JS, Rust และ Python สัญญาอัจฉริยะนั้นค่อนข้างสั้นและค่อนข้างง่าย มีไลบรารีภายนอกสำหรับสัญญาอัจฉริยะไม่มากนัก การหาวิธีเขียนสัญญาอัจฉริยะนั้นค่อนข้างง่ายสำหรับ LLM

เราได้เห็นความคืบหน้าในการสร้างโค้ดอัตโนมัติแล้ว วิศวกร GPT เป็นหนึ่งในผู้บุกเบิก โดยจะตอบสนองความต้องการของผู้ใช้และตอบทุกคำถามที่ LLM อาจมีก่อนที่จะเริ่มการเขียนโค้ด รหัสนี้ยังมีสคริปต์ที่รันทั้งโครงการด้วย วิศวกร GPT สามารถเริ่มโครงการสำหรับนักพัฒนาได้โดยอัตโนมัติ

หลังจากที่ผู้ใช้ป้อนข้อกำหนดแล้ว วิศวกร GPT จะวิเคราะห์ข้อกำหนดและขอคำชี้แจง หลังจากรวบรวมข้อมูลที่จำเป็นทั้งหมดแล้ว วิศวกร GPT จะแสดงการออกแบบโปรแกรมออกมาก่อน รวมถึงคลาสหลัก ฟังก์ชัน และวิธีการที่จำเป็นสำหรับงานนี้ วิศวกร GPT จะสร้างโค้ดสำหรับแต่ละไฟล์

ด้วยคำแนะนำเช่นนี้ เราสามารถสร้างสัญญาอัจฉริยะตอบโต้ได้

สัญญาอัจฉริยะรวบรวมและทำงานตามที่คาดไว้

เนื่องจากเดิมทีวิศวกร GPT ได้รับการออกแบบมาสำหรับ Python จึงมีปัญหาบางประการในการสร้างโค้ดที่เกี่ยวข้องกับ Hardhat วิศวกร GPT ไม่ทราบถึง Hardhat เวอร์ชันล่าสุด และบางครั้งก็สร้างสคริปต์ทดสอบและปรับใช้ที่ล้าสมัย

หากโค้ดของเรามีข้อบกพร่อง เราสามารถป้อนโค้ดเบสและบันทึกข้อผิดพลาดของคอนโซลให้กับ LLM ได้ LLM สามารถแก้ไขโค้ดได้อย่างต่อเนื่องจนกว่าโค้ดจะสามารถทำงานได้สำเร็จ เราเห็นโปรเจ็กต์อย่าง **[flo](https://flocli.vercel.app/)** เคลื่อนไหวไปในทิศทางนี้ ปัจจุบัน flo รองรับเฉพาะ JS เท่านั้น

หากเราต้องการปรับปรุงความแม่นยำของการสร้างสัญญาอัจฉริยะ เราสามารถปรับปรุงวิศวกร GPT ด้วยคำแนะนำใหม่ๆ ได้ เราสามารถนำวิธีการพัฒนาที่ขับเคลื่อนด้วยการทดสอบมาใช้ โดยกำหนดให้ LLM ต้องแน่ใจว่าโปรแกรมผ่านการทดสอบบางอย่าง เพื่อที่จะจำกัดโปรแกรมที่สร้างขึ้นได้ดีขึ้น

การอ่านโค้ดด้วย LLM

เนื่องจาก LLM เข้าใจโค้ดเป็นอย่างดี เราจึงสามารถใช้ LLM เพื่อเขียนเอกสารสำหรับนักพัฒนาได้ LLM ยังสามารถติดตามการเปลี่ยนแปลงโค้ดเพื่ออัพเดตเอกสารประกอบ เราได้พูดคุยถึงแนวทางนี้ในตอนท้ายของรายงานการวิจัยก่อนหน้านี้ การสำรวจประสบการณ์ของนักพัฒนาบน ZKRU: การวิเคราะห์เชิงลึก

การอ่านเอกสารเป็นวิธีดั้งเดิม แต่การสื่อสารด้วยโค้ดเป็นวิธีใหม่ ผู้ใช้สามารถถามคำถามเกี่ยวกับโค้ดได้ และ LLM จะตอบคำถามเหล่านั้น LLM สามารถอธิบายโค้ดสำหรับนักพัฒนาและช่วยให้พวกเขาเข้าใจสัญญาอันชาญฉลาดในห่วงโซ่ได้อย่างรวดเร็ว LLM ยังสามารถช่วยให้ผู้ที่ไม่มีประสบการณ์ในการเขียนโค้ดเข้าใจสัญญาที่ชาญฉลาดได้

เราได้เห็นเทรนด์นี้แล้วในโลก Web2 เครื่องมือช่วยเหลือโค้ดจำนวนมากมีความสามารถในการตีความโค้ด

Etherescan ยังสาธิตฟังก์ชันการทำงานใหม่ ซึ่งช่วยให้ผู้ใช้สามารถสื่อสารกับโค้ด โดยใช้ประโยชน์จากพลังของ LLM

การตรวจสอบจะเปลี่ยนไปอย่างไรเมื่อเข้าใจโค้ดแล้ว ในการทดลองในรายงาน คุณยังจำเป็นต้องมีการตรวจสอบสัญญาอัจฉริยะด้วยตนเองหรือไม่ LLM ได้รับอัตราการเข้าถึง 40% ในการระบุช่องโหว่ ซึ่งมีประสิทธิภาพเหนือกว่าเส้นฐานแบบสุ่ม อย่างไรก็ตาม ยังมีอัตราการเกิดผลบวกลวงที่สูงอีกด้วย ผู้เขียนตั้งข้อสังเกตว่าการกระตุ้นเตือนที่เหมาะสมเป็นสิ่งสำคัญ

นอกจากคำแนะนำแล้ว เหตุผลต่อไปนี้ยังจำกัดการใช้งาน:

• LLM ปัจจุบันไม่ได้รับการฝึกอบรมเพื่อจุดประสงค์นี้โดยเฉพาะ ข้อมูลการฝึกอบรมอาจไม่เกี่ยวข้องกับฐานข้อมูลสัญญาอัจฉริยะและรายงานการตรวจสอบที่เกี่ยวข้อง

• โดยปกติแล้วช่องโหว่ที่ร้ายแรงที่สุดคือปัญหาเชิงตรรกะซึ่งประกอบด้วยฟังก์ชันต่างๆ ปัจจุบัน LLM ถูกจำกัดด้วยจำนวนโทเค็น LLM ไม่สามารถแก้ปัญหาที่มีบริบทยาวมากและต้องใช้ความสามารถเชิงตรรกะ

ปัญหาเหล่านี้แก้ไขได้ไม่ยาก บริษัทตรวจสอบบัญชีขนาดใหญ่มีรายงานการตรวจสอบหลายพันรายการที่สามารถใช้เพื่อปรับแต่ง LLM LLM ที่มีข้อจำกัดด้านโทเค็นขนาดใหญ่กำลังเกิดขึ้น Claude มีขีดจำกัดอยู่ที่ 100,000 โทเค็น LTM-1 ที่เพิ่งเปิดตัวใหม่มีขีดจำกัดโทเค็นที่น่าประทับใจถึง 5 ล้าน ด้วยความพยายามในการแก้ไขปัญหาทั้งสองนี้ เราอาจเห็นว่า LLM สามารถระบุช่องโหว่ได้ดีขึ้น LLM สามารถช่วยเหลือผู้ตรวจสอบและเร่งกระบวนการตรวจสอบได้ สิ่งนี้อาจจะค่อยๆพัฒนา แนวทางการพัฒนาที่เป็นไปได้มีดังนี้:

1. ช่วยผู้ตรวจสอบจัดระเบียบภาษาและจัดรูปแบบรายงาน สิ่งนี้ทำให้มั่นใจได้ถึงความสอดคล้องของภาษาภายใต้สำนักงานตรวจสอบบัญชีเดียวกัน บ่อยครั้งที่กลุ่มที่แตกต่างกันอาจมีคำศัพท์ที่ต้องการแตกต่างกัน

2. ช่วยผู้ตรวจสอบระบุและตรวจสอบช่องโหว่ที่อาจเกิดขึ้น

3. สร้างรายงานร่างการตรวจสอบโดยอัตโนมัติ

ช่วยเหลือชุมชนด้วย LLM

การปกครองเป็นส่วนสำคัญของชุมชน สมาชิกชุมชนมีสิทธิ์ลงคะแนนสำหรับข้อเสนอที่พวกเขาชื่นชอบ ข้อเสนอเหล่านี้จะกำหนดอนาคตของผลิตภัณฑ์

สำหรับข้อเสนอที่สำคัญ จะมีข้อมูลพื้นฐานและการอภิปรายในชุมชนมากมาย เป็นเรื่องยากสำหรับสมาชิกในชุมชนที่จะเข้าใจบริบทนี้อย่างถ่องแท้ก่อนที่จะลงคะแนน LLM สามารถช่วยให้สมาชิกชุมชนเข้าใจได้อย่างรวดเร็วถึงผลกระทบในอนาคตของการเลือกของพวกเขา และช่วยให้พวกเขาลงคะแนนเสียง

บอทตอบคำถามเป็นอีกหนึ่งแอปพลิเคชั่นที่มีศักยภาพ เราได้เห็นบอทถามตอบตามเอกสารประกอบของโครงการ เราสามารถไปไกลกว่านั้นเพื่อสร้างฐานข้อมูลความรู้ที่ใหญ่ขึ้น เราสามารถเชื่อมต่อสื่อและแหล่งที่มาต่างๆ เช่น การนำเสนอ พ็อดคาสท์ GitHub แชท Discord และ Twitter Spaces บอทถามตอบไม่ได้มีอยู่ในแถบค้นหาเอกสารเท่านั้น แต่ยังสามารถให้การสนับสนุนสมาชิกชุมชนบน Discord ได้ทันที หรือเผยแพร่วิสัยทัศน์ของโปรเจ็กต์บน Twitter และตอบคำถามใดๆ ก็ได้

AwesomeQA กำลังพัฒนาไปในทิศทางนี้ มันใช้สามฟังก์ชั่น:

• ใช้การผสานรวม ChatGPT เพื่อตอบคำถามจากสมาชิกชุมชน

• รับข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูลตามข้อความจากสมาชิกชุมชน เช่น การวิเคราะห์คำถามที่พบบ่อย

• ค้นพบว่าข้อความใดมีความสำคัญ เช่น ปัญหาที่ยังไม่ได้รับการแก้ไข

หนึ่งในปัญหาที่หุ่นยนต์ตอบคำถามกำลังเผชิญอยู่ในปัจจุบันคือวิธีการรับบริบทที่เกี่ยวข้องจากฐานข้อมูลเวกเตอร์อย่างแม่นยำ และจัดเตรียมบริบทให้กับ LLM ตัวอย่างเช่น หากผู้ใช้ขอแบบสอบถามพร้อมตัวกรองคุณสมบัติหลายรายการสำหรับองค์ประกอบหลายรายการ โรบ็อตอาจไม่สามารถดึงบริบทที่เกี่ยวข้องจากฐานข้อมูลเวกเตอร์ได้

การอัปเดตฐานข้อมูลเวกเตอร์เป็นอีกปัญหาหนึ่ง วิธีแก้ปัญหาในปัจจุบันคือการสร้างฐานข้อมูลเวกเตอร์ขึ้นมาใหม่ หรืออัปเดตฐานข้อมูลเวกเตอร์ผ่านเนมสเปซ การเพิ่มเนมสเปซในการฝังจะคล้ายกับการติดป้ายกำกับกับข้อมูล สิ่งนี้ช่วยให้นักพัฒนาค้นหาและอัปเดตการฝังที่เหมาะสมได้ง่ายขึ้น

ติดตามตลาดด้วย LLM

ตลาดเปลี่ยนแปลงไปมากและมีหลายสิ่งเกิดขึ้นทุกวัน เช่นเดียวกับ KOL (ผู้นำความคิดเห็นหลัก) โพสต์แนวคิดและความคิดใหม่ๆ จดหมายข่าวและอีเมลผลิตภัณฑ์หลั่งไหลเข้าสู่กล่องจดหมายของคุณ LLM สามารถเลือกแนวคิดและข่าวสารที่สำคัญที่สุดสำหรับคุณ นอกจากนี้ยังสรุปเนื้อหาเพื่อลดระยะเวลาการอ่านและช่วยให้คุณตามทันการเปลี่ยนแปลงของตลาด

minmax.ai ทุ่มเทให้กับสาขาสื่อสารมวลชน พวกเขาให้ข้อมูลสรุปข่าวสารล่าสุดในหัวข้อใดหัวข้อหนึ่งและยังให้การวิเคราะห์ความรู้สึกในหัวข้อนั้นด้วย

รายงานที่น่าเบื่อจะดึงเนื้อหาที่น่าดึงดูดออกจากข่าวและเน้นไปที่รายละเอียดที่สำคัญเพื่อช่วยให้ผู้อ่านตัดสินใจได้ถูกต้อง

Robo-advisory เป็นหนึ่งในสาขาที่ร้อนแรงที่สุดในขณะนี้ LLM สามารถขับเคลื่อนการใช้ robo-advice LLM สามารถให้คำแนะนำการซื้อขายและช่วยให้ผู้ใช้จัดการพอร์ตการลงทุนโดยอิงจากข้อมูลหุ้น

โปรเจ็กต์อย่าง Numer.ai ใช้ AI เพื่อทำนายตลาดและจัดการเงินทุน นอกจากนี้ยังมีพอร์ตการลงทุนที่จัดการโดย LLM ผู้ใช้สามารถติดตามพอร์ตการลงทุนเหล่านี้ได้ที่ Robinhood

นักแต่งเพลงนำอัลกอริธึมการซื้อขายด้วย AI AI สร้างกลยุทธ์การซื้อขายเฉพาะตามข้อมูลเชิงลึกของผู้ใช้ จากนั้น AI จะทดสอบกลยุทธ์การซื้อขายเหล่านี้ย้อนหลังโดยอัตโนมัติ หากผู้ใช้พอใจกับนโยบายดังกล่าว Composer จะสามารถบังคับใช้นโยบายเหล่านั้นกับผู้ใช้ได้โดยอัตโนมัติ

วิเคราะห์โครงการด้วย LLM

โครงการวิเคราะห์มักเกี่ยวข้องกับการอ่านเนื้อหาจำนวนมากและการเขียนรายงานการวิจัยขนาดยาว LLM สามารถอ่านและเขียนย่อหน้าสั้น ๆ ได้ หากเราสามารถขยายขีดความสามารถไปยังย่อหน้ายาว ๆ ได้ นั่นหมายความว่า LLM จะสามารถส่งออกผลการวิจัยโครงการบางส่วนได้หรือไม่? เป็นไปได้มากที่สุดว่าใช่ เราสามารถป้อนเอกสารทางเทคนิค เอกสาร หรือการนำเสนอกิจกรรม แล้วให้ LLM วิเคราะห์โครงการและผู้ก่อตั้ง จำกัดด้วยจำนวนโทเค็น เราสามารถเขียนโครงร่างของรายงานก่อน จากนั้นจึงอัปเดตและเพิ่มประสิทธิภาพแต่ละส่วนตามข้อมูลที่ได้รับ

โครงการอย่าง BabyAGI กำลังก้าวหน้าไปในทิศทางนี้แล้ว ต่อไปนี้คือตัวอย่างเอาต์พุตจาก BlockAGI ซึ่งเป็นเวอร์ชันหนึ่งของ BabyAGI

สรุปแล้ว

สรุปแล้ว

ต่อไปนี้เป็นแปดทิศทางเฉพาะที่ LLM สามารถช่วยชุมชนบล็อกเชนได้ในอนาคตอันใกล้นี้:

1. รวมฟังก์ชัน AI/LLM ในตัวเข้ากับบล็อกเชน

2. ใช้ LLM เพื่อวิเคราะห์บันทึกธุรกรรม

3. เสริมความปลอดภัยด้วย LLM

4. เขียนโค้ดโดยใช้ LLM

5. ใช้ LLM เพื่ออ่านโค้ด

6. ใช้ประโยชน์จาก LLM เพื่อช่วยเหลือชุมชน

7. ใช้ LLM เพื่อติดตามตลาด

8. ใช้ LLM เพื่อวิเคราะห์โครงการ

LLM สามารถเป็นประโยชน์ต่อสมาชิกทุกคนในพื้นที่ crypto รวมถึงเจ้าของโครงการ นักวิเคราะห์ และวิศวกร ผู้ก่อตั้งสามารถใช้ LLM เพื่อทำงานอัตโนมัติ เช่น เอกสารและการถามตอบ วิศวกรสามารถใช้ LLM เพื่อเขียนโค้ดได้รวดเร็วและปลอดภัยยิ่งขึ้น นักวิเคราะห์สามารถค้นคว้าโครงการได้ง่ายขึ้น

ในระยะยาว เรายังเห็นโอกาสที่เป็นไปได้ในการใช้ LLM ในพื้นที่ GameFi LLM สามารถสร้างงานที่น่าสนใจในเกมและมีบทบาทที่แตกต่างกันในเกมได้ โลกในเกมจะให้ความรู้สึกสมจริงและน่าสนใจยิ่งขึ้น NPC จะตอบสนองแบบไดนามิกตามการกระทำของผู้เล่น ภารกิจจะมีตอนจบมากขึ้น ขึ้นอยู่กับว่าผู้ใช้จะแก้ปัญหาอย่างไร

LLM สามารถบูรณาการเข้ากับโครงการที่มีอยู่ได้ แต่ยังเปิดโอกาสสำหรับผู้เข้ามาใหม่อีกด้วย ตัวอย่างเช่น มีผู้เล่นชั้นนำในด้านการวิเคราะห์ข้อมูลออนไลน์อยู่แล้ว Dune สามารถผสานรวม LLM เพื่อปรับปรุงประสบการณ์ผู้ใช้ อย่างไรก็ตาม LLM ยังมอบโอกาสให้กับผู้เข้ามาใหม่ด้วย ผู้เข้าใหม่เหล่านี้สามารถให้ LLM เป็นหัวใจสำคัญของการออกแบบผลิตภัณฑ์ของตนได้ ผลิตภัณฑ์สร้างสรรค์ที่นำโดย AI และ AI เป็นศูนย์กลางอาจนำการแข่งขันใหม่มาสู่ด้านการวิเคราะห์ข้อมูลออนไลน์

มีการทับซ้อนกันในการใช้ LLM ในโลก Web2 และ Web3 แต่อาจใช้ผลิตภัณฑ์ในรูปแบบที่แตกต่างกัน เพราะข้อมูลที่เราใช้ในโลก Web3 ไม่เหมือนกับข้อมูลในโลก Web2 ฐานความรู้ของ LLM อาจแตกต่างกันใน Web2 และ Web3 ข้อมูล Web3 เกี่ยวข้องกับบล็อกเชน ราคาโทเค็น ทวีต โครงการ และการวิจัย ดังนั้น Web2 และ Web3 จึงต้องการ LLM ที่แตกต่างกันเพื่อให้บริการผู้ใช้

เนื่องจากความเจริญรุ่งเรืองใน LLM เราจึงเห็นความนิยมที่เพิ่มขึ้นของ AIxBlockchain อย่างไรก็ตาม AIxBlockhains จำนวนมากไม่สามารถใช้งานได้ในช่วงเวลาสั้นๆ การพิสูจน์บล็อคเชนและการไม่มีความรู้ไม่สามารถให้พลังการประมวลผลขนาดใหญ่สำหรับการฝึกอบรมและการให้เหตุผลสำหรับโมเดลที่ซับซ้อนบางรุ่น โมเดลขนาดเล็กไม่สามารถแก้ปัญหางานที่ซับซ้อนได้ แนวทางที่เป็นประโยชน์มากกว่าคือการใช้ LLM ในโดเมนบล็อกเชน เมื่อเร็วๆ นี้ LLM มีความก้าวหน้ามากกว่าหัวข้อ AI อื่นๆ การรวม LLM และ blockchain เข้าด้วยกันเป็นเรื่องสมเหตุสมผลมากกว่า

ชุมชน LLM กำลังทำงานเพื่อปรับปรุงขีดจำกัดโทเค็นและเพิ่มความแม่นยำในการตอบสนอง สิ่งที่เหลืออยู่ในชุมชนบล็อกเชนคือแหล่งข้อมูลและไปป์ไลน์ข้อมูล ข้อมูลที่ล้างแล้วสามารถใช้เพื่อปรับแต่ง LLM อย่างละเอียดเพื่อปรับปรุงความแม่นยำในสภาพแวดล้อมบล็อคเชน ไปป์ไลน์ข้อมูลสามารถรวมแอปพลิเคชันที่เกี่ยวข้องกับบล็อกเชนเข้ากับ LLM ได้มากขึ้น และพัฒนาตัวแทนเฉพาะการเข้ารหัสมากขึ้น