Автор: DEFI EDUCATION

Перевод: народный блокчейн

Как вы, возможно, заметили в Твиттере, мы очень заинтересованы в нынешнем пространстве AI/LLM. Хотя для ускорения исследований еще предстоит внести много улучшений, мы видим потенциал.

Появление больших языковых моделей (LLM) в криптовалютном пространстве революционизирует то, как нетехнические игроки взаимодействуют, понимают и вносят свой вклад в индустрию.

Раньше, если ты не умел программировать, ты чувствовал себя совершенно потерянным. Крупномасштабные языковые модели, такие как ChatGPT, теперь устраняют разрыв между сложными языками программирования и повседневной речью. Это важно, поскольку в криптовалютном пространстве в основном доминируют люди со специальными техническими знаниями.

Если вы столкнулись с чем-то, чего не понимаете, или думаете, что проект намеренно скрывает, что на самом деле происходит с базовой системой, вы можете задать вопрос в ChatGPT и получить быстрый, почти бесплатный ответ.

DeFi демократизирует доступ к финансам, а большие языковые модели демократизируют доступ к DeFi.

В сегодняшней статье мы представим некоторые мысли о влиянии, которое, по нашему мнению, крупномасштабные языковые модели могут оказать на DeFi.

1. Безопасность DeFi

Как мы уже отмечали, DeFi трансформирует финансовые услуги, сокращая трения и накладные расходы, а также заменяя большие команды эффективным кодом.

Мы подробно представили направление развития DeFi. Дефи:

В DeFi «риск контрагента» заменен риском безопасности программного обеспечения. Код и механизмы, которые защищают ваши активы и облегчают ваши транзакции, постоянно подвергаются риску со стороны внешних угроз, стремящихся украсть и использовать средства.

ИИ, особенно LLM, играет ключевую роль в автоматизации разработки и аудита смарт-контрактов. Анализируя базу кода и выявляя закономерности, ИИ может (со временем) обнаруживать уязвимости и оптимизировать производительность смарт-контрактов, тем самым уменьшая человеческие ошибки и повышая надежность протоколов DeFi. Сравнивая контракты с базой данных известных уязвимостей и векторов атак, LLM может выявить области риска.

Одной из областей, где LLM оказались жизнеспособным и общепринятым решением проблем безопасности программного обеспечения, является помощь в написании наборов тестов. Написание модульных тестов может оказаться утомительным занятием, но это важная часть обеспечения качества программного обеспечения, которую часто упускают из виду из-за слишком быстрого выхода на рынок.

Однако в этом есть и «темная сторона». Если LLM могут помочь вам проверить ваш код, они также могут помочь хакерам найти способы использовать ваш код в криптографическом мире с открытым исходным кодом.

К счастью, в криптосообществе полно «белых шляп» и существует система вознаграждений, которая помогает снизить часть рисков.

Однако в этом есть и «темная сторона». Если LLM могут помочь вам проверить ваш код, они также могут помочь хакерам найти способы использовать ваш код в криптографическом мире с открытым исходным кодом.

К счастью, в криптосообществе полно «белых шляп» и существует система вознаграждений, которая помогает снизить часть рисков.

Профессионалы в области кибербезопасности не выступают за «безопасность посредством запутывания». Вместо этого они предполагают, что злоумышленник уже знаком с кодом системы и уязвимостями. Искусственный интеллект и LLM могут помочь автоматически обнаруживать небезопасный код в больших масштабах, особенно для непрограммистов. Каждый день развертывается больше смарт-контрактов, чем люди могут проверить. Иногда, чтобы воспользоваться экономическими возможностями (например, добычей полезных ископаемых), необходимо взаимодействовать с новыми и популярными контрактами, не дожидаясь определенного периода времени для их тестирования.

Именно здесь на помощь приходит такая платформа, как Rug.AI, предоставляющая вам автоматизированную оценку новых проектов на предмет известных уязвимостей кода.

Возможно, самым революционным аспектом является способность LLM помогать писать код. Пока пользователи имеют базовое понимание своих потребностей, они могут описывать то, что хотят, на естественном языке, а LLM могут конвертировать эти описания в функциональный код.

Это снижает входной барьер для создания приложений на основе блокчейна, позволяя более широкому кругу новаторов внести свой вклад в экосистему.

Это только начало. Лично мы считаем, что LLM больше подходят для рефакторинга кода или объяснения того, что код делает новичкам, а не для совершенно новых проектов. Важно предоставить контекст и четкие спецификации для ваших моделей, иначе вы столкнетесь с ситуацией «мусор на входе — мусор на выходе».

LLM также могут помочь тем, кто не знает программирования, переводя код смарт-контракта на естественный язык. Возможно, вы не хотите изучать программирование, но хотите убедиться, что код используемого вами протокола соответствует обещаниям протокола.

Хотя мы сомневаемся, что LLM смогут заменить высококачественных разработчиков в краткосрочной перспективе, разработчики могут использовать LLM, чтобы еще раз проверить свою работу на работоспособность.

в заключение? Шифрование стало проще и безопаснее для всех нас. Только будьте осторожны и не полагайтесь слишком сильно на эти LLM. Иногда они уверенно допускают ошибки. Способность студентов LLM полностью понимать и прогнозировать код все еще развивается.

2. Анализ данных и идеи

При сборе данных в криптовалютном пространстве рано или поздно вы столкнетесь с Dune Analytics. Если вы еще о ней не слышали, Dune Analytics — это платформа, которая позволяет пользователям создавать и публиковать визуализации анализа данных, уделяя особое внимание блокчейну Ethereum и другим связанным блокчейнам. Это полезный и удобный инструмент для отслеживания показателей DeFi.

Dune Analytics уже имеет возможности GPT-4, которые могут объяснять запросы на естественном языке.

Если вы не уверены в запросе или хотите его создать и отредактировать, вы можете обратиться к ChatGPT. Обратите внимание, что эффективность будет выше, если вы предоставите несколько примеров запросов в одном разговоре, и вам все равно придется изучить это самостоятельно, чтобы убедиться, что ChatGPT работает. Тем не менее, это отличный способ учиться по ходу дела, и вы можете задавать вопросы в чатGPT так же, как если бы вы спрашивали наставника.

LLM значительно снижают входной барьер для нетехнических участников криптовалюты.

Но с точки зрения знаний, студенты магистратуры разочаровывают в предоставлении уникальных идей. На сложных, рациональных финансовых рынках не ждите, что LLM даст правильные ответы. Если вы проницательный человек, вы обнаружите, что степень магистра права далеко не оправдывает ваших ожиданий.

Однако мы нашли полезное применение — проверка, не пропустили ли мы что-то очевидное. У вас меньше шансов обнаружить неочевидные или противоречивые идеи, которые действительно окупятся. В этом нет ничего удивительного (если кто-то разрабатывает ИИ, обеспечивающий сверхвысокую рыночную прибыль, он не будет публиковать эту часть для широкой публики).

3. «Менеджеры дискорда исчезают?»

3. «Менеджеры дискорда исчезают?»

В сфере криптовалют управление группой пользователей, увлеченных популярным проектом, но имеющих непостоянные потребности, является одной из самых недооцененных и болезненных работ. Многие из одних и тех же общих вопросов задаются снова и снова, иногда непрерывно. Кажется, это болевая точка, которую легко решить с помощью LLM.

LLM также продемонстрировали некоторую точность в определении того, являются ли сообщения саморекламой (спамом). Мы ожидаем, что это также будет использоваться для обнаружения вредоносных ссылок (или другого взлома). Действительно сложно управлять загруженной группой Discord, в которой тысячи активных участников регулярно публикуют сообщения, поэтому мы ожидаем, что несколько ботов Discord на базе LLM помогут.

4. «Причудливые вещи»

Повторяющимся мемом в криптовалютном пространстве является запуск валют на основе популярных мемов. Они варьируются от устойчивых мемов, таких как DOGE, SHIB и PEPE, до случайных монет, которые исчезают в течение часа в зависимости от популярных поисковых запросов за день (в основном это мошенничество, в котором мы избегаем участия).

Если у вас есть доступ к API-интерфейсу Twitter Firehose, вы можете отслеживать настроения в отношении криптовалют в режиме реального времени и обучать LLM отмечать тенденции, а затем использовать людей для интерпретации нюансов. Простой пример применения: вы можете запустить валюту мемов на основе анализа настроений при возникновении вирусного момента.

Возможно, есть способ создать что-то вроде сканера настроений бедняка, который отслеживает подмножество популярных влиятельных лиц криптовалюты по нескольким каналам социальных сетей, не сталкиваясь с затратами и пропускной способностью канала данных API типа «ракетного самолета».

LLM идеально подходят для этого, поскольку они дают понимание контекста (анализ сарказма и пародий в Интернете для получения реальной информации). Этот партнер LLM будет развиваться и учиться вместе с криптоиндустрией, большая часть действий которой обсуждается в Crypto Twitter. Криптоиндустрия с ее открытыми дискуссионными форумами и технологиями с открытым исходным кодом предоставляет студентам LLM уникальную среду для использования рыночных возможностей.

Но чтобы не быть обманутыми преднамеренными манипуляциями в социальных сетях, технология требует большей сложности: искусственные массовые кампании, нераскрытое спонсорство и онлайн-тролли. В другой статье мы рассмотрели интересный отчет стороннего исследования, в котором говорится, что некоторые организации могут сознательно манипулировать социальными сетями, чтобы повысить ценность криптопроектов, связанных с FTX/Alameda.

Анализ NCRI показывает, что на аккаунты, похожие на ботов, приходится значительная часть (около 20%) онлайн-обсуждений, в которых упоминаются валюты, котирующиеся на FTX.

Эта деятельность, похожая на работу бота, отражает цены многих монет FTX в выборке данных.

После продвижения FTX активность на этих монетах со временем становилась все более нереальной: доля неправдивых комментариев, похожих на роботов, неуклонно росла, составляя примерно 50% от общего объема обсуждений.