IOSG Ventures: Thảo luận chuyên sâu về khả năng mới của LLM để mở tương tác blockchain

Tác giả gốc: Yiping, IOSG Ventures

Chào mừng bạn đến với bài viết thứ hai trong loạt nghiên cứu về mô hình ngôn ngữ lớn (LLM) và blockchain của chúng tôi. Trong bài viết trước, chúng tôi đã thảo luận về cách tích hợp LLM và công nghệ blockchain từ cấp độ kỹ thuật và lý do tại sao khung LLM rất phù hợp với lĩnh vực blockchain. Chúng tôi cũng phác thảo các con đường tiềm năng để tích hợp LLM với blockchain 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 của người dùng blockchain. Thú vị hơn nữa, chúng tôi dự đoán rằng những ứng dụng mang tính đột phá này sẽ trở thành hiện thực trong năm tới.

Hãy tham gia cùng 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:

1. Tích hợp các khả năng AI/LLM tích hợp vào blockchain

2. Sử dụng LLM để phân tích hồ sơ giao dịch

3. Tăng cường bảo mật với LLM

4. Viết code bằng LLM

5. Đọc mã bằng LLM

6. Hỗ trợ cộng đồng với LLM

7. Triển khai LLM để theo dõi thị trường

8. Áp dụng LLM để phân tích dự án

Kết hợp các khả năng AI/LLM tích hợp vào blockchain

Blockchain sẽ có các chức năng và mô hình trí tuệ nhân tạo tích hợp sẵn. 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 hợp đồng thông minh.

tiêu đề phụ

Phân loại

tiêu đề phụ

hồi quy

tiêu đề phụ

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 xuất ra vô số nội dung có phong cách thương hiệu mang tính biểu tượng tương tự với chi phí tương đối thấp. Mô hình có thể xuất văn bản, hình minh họa, nhạc, âm thanh và thậm chí cả video. Điều này mở rộng đáng kể quy mô 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 khiến cộng đồng cảm thấy được tham gia.

Botto sử dụng mô hình AIGC để tạo ra nội dung nghệ thuật. Cộng đồng bình chọn những hình ảnh yêu thích của họ để cùng nhau 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. Họ cung cấp các chức năng sau:

• ai_embedding_vector: Tạo vectơ nhúng cho tài liệu văn bản.

• ai_text_completion: Tạo các lần hoàn thành văn bản dựa trên các gợi ý đã cho.

• cosine_distance: Tính khoảng cách cosine giữa hai vectơ nhúng.

• ai_to_sql: Chuyển đổi 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 khả năng AI vào blockchain.

Giza đang làm việc trên ZKML. Nó tạo ra các bằng chứng lý luận ngoài chuỗi và xác minh chúng trên chuỗi. Hiện tại nó hỗ trợ các chuỗi khối tương thích với Máy ảo Ethereum cũng như StarkNet. Giza gần đây đã công bố hợp 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 thử nghiệm nhằm tạo ra các mạch hiệu suất cao cho trí tuệ nhân tạo. Họ đã phát hành các bản demo như AI cờ vua và AI dự đoán giá Ethereum. 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.

Phân tích hồ sơ giao dịch với LLM

Việc phân tích hồ sơ giao dịch thường được thực hiện bởi các ứng dụng cụ thể như Debank. Việc phân tích hồ sơ giao dịch theo cách thủ công của con người là rất khó khăn. Phân tích thủ công bao gồm thu thập dữ liệu, làm sạch dữ liệu và phân tích dữ liệu, đòi hỏi người dùng phải có kỹ năng viết mã. Nhờ 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 của 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 sở hữu Azuki, hợp đồng thông minh nào phổ biến nhất, v.v. Người dùng cũng nên lưu ý rằng 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 khả năng sau:

• Giải thích truy vấn: Giải thích các truy vấn bằng LLM

• Dịch truy vấn: Dịch các ngôn ngữ SQL khác sang DuneSQL bằng LLM

• Truy vấn ngôn ngữ tự nhiên: Cho phép người dùng viết truy vấn bằng ngôn ngữ tự nhiên

• Tìm kiếm: Cải thiện kết quả tìm kiếm bằng LLM

• Cơ sở kiến ​​thức Wizard: Một chatbot cho phép người dùng giao tiếp với tài liệu

Bảo mật nâng cao với LLM

Do khả năng logic và lý luận của nó, LLM có thể được sử dụng để lọc một số giao dịch độc hại và hoạt động như một tường lửa cho các hợp đồng thông minh. 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 plugin của bên thứ ba, sau đó phân tích các hồ sơ giao dịch này và đưa ra khả năng địa chỉ đó là robot. Chức năng này có thể được nhúng vào Dapps nơi bot không được chào đón, chẳng hạn như bán hàng NFT.

Dưới đây là một ví dụ đơn giản thông qua ChatGPT. ChatGPT truy xuất hồ sơ giao dịch của tài khoản thông qua plug-in hoạt động của người dùng Web3 do RSS3 phát triển, sau đó phân tích các hồ sơ giao dịch này và đưa ra khả năng tài khoản đó là robot.

Nếu chúng tôi cung cấp nhiều bản ghi giao dịch hơn và tinh chỉnh LLM trên tập dữ liệu liên quan đến bot, chúng tôi có thể đạt được kết quả chính xác hơn. Dưới đây là một quy trình làm việc mẫu 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 dẫn 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 về LLM. LLM khó có thể tự động tạo mã cho toàn bộ dự án.

Một số mô hình LLM phổ biến 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 tập dữ liệu liên quan đến hợp đồng thông minh có sẵn trên HuggingFace. Đây là bộ hợp đồng thông minh đã được kiểm toán, chứa 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.

tiêu đề phụ

Bài kiểm tra

Đầu tiên, LLM có thể tạo ra 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 bằng văn bản. Codium hiện hỗ trợ JS và TS. Codium bắt đầu bằng việc tìm hiểu cơ sở mã, phân tích từng chức năng, chuỗi tài liệu và nhận xét. Sau đó, Codium ghi 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 mình 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.

Trước tiên, chúng tôi yêu cầu phân tích mã vì chúng tôi muốn LLM dành nhiều thời gian hơn cho nhiệm vụ này. LLM không biết nhiệm vụ nào là khó khăn. Nó sử dụng sức mạnh tính toán như nhau trên mỗi điểm đánh dấu. Điều này có thể dẫn đến kết quả không chính xác trong các nhiệm vụ phức tạp. Dựa trên những đặc điểm này, chúng tôi yêu cầu phân tích mã. Bằng cách này, LLM sẽ dành nhiều thẻ/thời gian hơn để suy nghĩ về các nhiệm vụ này và mang lại kết quả chất lượng cao hơn. Phương pháp này còn được gọi là “chuỗi tư duy”.

tiêu đề phụ

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.

tiêu đề phụ

nĩa tự động

tiêu đề phụ

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 một 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 bắt đầu viết mã. Mã này cũng bao gồm một tập lệnh chạy toàn bộ dự án. Kỹ sư GPT có thể tự động bắt đầu dự án cho nhà phát triển.

Sau khi người dùng nhập yêu cầu của họ, kỹ sư GPT sẽ phân tích các yêu cầu và yêu cầu làm rõ một số yêu cầu. 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, chức năng và phương thức cốt lõi cần thiết cho nhiệm vụ này. Sau đó, kỹ sư GPT sẽ tạo mã cho từng tệp.

Với 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. Kỹ sư GPT không biết về phiên bản mới nhất của Hardhat và đôi khi tạo ra các tập lệnh triển khai và thử nghiệm lỗi thời.

Nếu mã của chúng tôi có lỗi, chúng tôi có thể cung cấp nhật ký lỗi cơ sở mã và bảng điều khiển cho LLM. LLM có thể liên tục sửa đổi mã cho đến khi mã có thể chạy thành công. Chúng tôi thấy các dự án như **[flo](https://flocli.vercel.app/)** đang đi theo hướng này. Hiện tại flo chỉ hỗ trợ JS.

Nếu muốn tăng độ chính xác của việc tạo hợp đồng thông minh, chúng tôi có thể cải thiện kỹ sư GPT bằng một số gợi ý mới. Chúng tôi 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.

Đọc mã bằng LLM

Vì LLM hiểu rõ mã nên 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 bằng mã là một cách mới. Người dùng có thể hỏi 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 được các hợp đồng thông minh trên chuỗi. LLM cũng có thể giúp những người không có kinh nghiệm viết mã hiểu được hợp đồng thông minh.

Chúng ta đã thấy xu hướng này trong thế giới Web2. Nhiều công cụ hỗ trợ mã có khả năng giải thích mã.

Etherescan cũng trình diễn chức năng mới của mình, cho phép người dùng giao tiếp bằng mã, tận dụng sức mạnh của LLM.

Việc kiểm tra thay đổi như thế nào khi mã được hiểu? Trong các thử nghiệm trên bài báo “bạn vẫn cần kiểm tra hợp đồng thông minh thủ công”, 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 rằng việc nhắc nhở phù hợp là điều quan trọng.

Ngoài các gợi ý, những lý do sau đây hạn chế ứng dụng của nó:

• LLM hiện tại không được đào tạo đặc 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 toán tương ứng.

• Thông thường các lỗ hổng nghiêm trọng nhất là các vấn đề logic bao gồm các chức năng khác nhau. LLM hiện bị giới hạn bởi số lượng token. 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 giải quyết. Các công ty kiểm toán lớn có hàng nghìn báo cáo kiểm toán có thể được sử dụng để tinh chỉnh LLM. LLM có hạn chế về token lớn đang xuất hiện. Claude có giới hạn 100.000 token. LTM-1 mới được phát hành có giới hạn ấn tượng là 5 triệu token. Thông qua những nỗ lực giải quyết hai vấn đề này, chúng ta có thể thấy LLM trở nên tốt hơn trong việc xác định các lỗ hổng. LLM có thể hỗ trợ kiểm toán viên và đẩy nhanh quá trình kiểm toán. Điều này có thể phát triển dần dần. Dưới đây là những quỹ đạo phát triển có thể:

1. Giúp kiểm toán viên tổ chức các báo cáo bằng ngôn ngữ và hình thức. 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.

2. Giúp kiểm toán viên xác định và xác minh các lỗ hổng tiềm ẩn.

3. Tự động tạo báo cáo dự thảo kiểm toán.

Giúp đỡ cộng đồng với LLM

Quản trị là một phần quan trọng của cộng đồng. Các thành viên cộng đồng có quyền bỏ phiếu cho các đề xuất mà họ yêu thích. Những đề xuất này sẽ định hình tương lai của sản phẩm.

Đối với những đề xuất quan trọng, sẽ có rất nhiều thông tin cơ bản và thảo luận cộng đồng. Các thành viên cộng đồng khó có thể 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 những lựa chọn của họ và giúp họ bỏ phiếu.

Robot trả lời câu hỏi là một ứng dụng tiềm năng khác. Chúng tôi đã thấy các 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 ta có thể kết nối các phương tiện và nguồn khác nhau như bản trình bày, podcast, GitHub, trò chuyện Discord và Twitter Spaces. 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 của các thành viên cộng đồng

• Nhận thông tin chi tiết dựa trên dữ liệu dựa trên thông điệp từ các thành viên cộng đồng, chẳng hạn như phân tích Câu hỏi thường gặp

• Khám phá những thông báo nào 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 lấy chính xác bối cảnh có liên quan từ cơ sở dữ liệu vectơ và cung cấp bối cảnh cho LLM. Ví dụ: nếu người dùng yêu cầu một truy vấn có 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 vector 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. Việc thêm không gian tên vào phần nhúng tương tự như việc gắn nhãn vào dữ liệu. Điều này giúp các nhà phát triển tìm và cập nhật các phần nhúng thích hợp dễ dàng hơn.

Theo dõi thị trường với LLM

Thị trường thay đổi rất nhiều và nhiều điều xảy ra hàng ngày. Giống như KOL (Người dẫn đầu về ý kiến ​​chính) 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 sự năng động của thị trường.

minmax.ai dành riêng cho lĩnh vực báo chí. Họ cung cấp bản tóm tắt những tin tức mới nhất về một chủ đề cụ thể và cũng cung cấp phân tích tình cảm về chủ đề đó.

Những 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.

Tư vấn robot là một trong những lĩnh vực nóng nhất hiện nay. LLM có thể thúc đẩy việc sử dụng tư vấn robot. LLM có thể cung cấp các khuyến nghị giao dịch và giúp người dùng quản lý danh mục đầu tư dựa trên 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.

Composer mang đến các thuật toán giao dịch với AI. AI xây dựng các chiến lược giao dịch cụ thể dựa trên hiểu biết của người dùng. AI sau đó 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 với 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 thành các đoạn văn dài, điều đó có nghĩa là LLM bằng cách nào đó có thể đưa ra một số nghiên cứu dự án? Rất có thể là có. Chúng tôi có thể nhập sách trắng, tài liệu hoặc bài thuyết trình 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 dàn ý 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.

Tóm lại là

Tóm lại là

Đây là tám hướng cụ thể mà LLM có thể giúp đỡ cộng đồng blockchain trong tương lai gần:

1. Tích hợp các chức năng AI/LLM tích hợp vào blockchain.

2. Sử dụng LLM để phân tích hồ sơ giao dịch.

3. Tăng cường bảo mật với LLM.

4. Viết mã bằng LLM.

5. Sử dụng LLM để đọc mã.

6. Tận dụng LLM để hỗ trợ cộng đồng.

7. Sử dụng LLM để theo dõi thị trường.

8. Áp dụng LLM để phân tích dự án.

LLM có thể mang lại lợi ích cho tất cả thành viên của không gian tiền điện tử, bao gồm chủ dự án, nhà phân tích và kỹ sư. 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 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 có cảm giác chân thực và thú vị hơn. 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 công ty 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 này có thể đặt LLM làm trọng tâm trong thiết kế sản phẩm của họ. Các sản phẩm sáng tạo tập trung vào AI và do AI dẫn đầu 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 sản phẩm theo những cách khác nhau. Bởi vì dữ liệu chúng ta sử dụng trong thế giới Web3 không giống với dữ liệu trong thế giới Web2. Cơ sở kiến ​​thức về 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. Bằng chứng chuỗi khối và không có kiến ​​thức không thể cung cấp sức mạnh tính toán quy mô lớn cho việc đào tạo và lý luận cho một số mô hình phức tạp. Các mô hình nhỏ không thể giải quyết được các nhiệm vụ phức tạp. Một cách tiếp cận thực tế hơn là áp dụng LLM trong lĩnh vực blockchain. LLM gần đây đã đạt được tiến bộ lớn hơn 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 đã được làm sạch có thể được sử dụng để tinh chỉnh LLM nhằm cải thiện độ chính xác trong môi trường blockchain. Đường ống dữ liệu có thể tích hợp nhiều ứng dụng liên quan đến blockchain hơn vào LLM và phát triển thêm các tác nhân dành riêng cho tiền điện tử.