作者:DEFI EDUCATION

翻譯:白話區塊鏈

人工智慧是如何在DeFi中應用的?

正如你可能在Twitter 上看到的那樣,我們對當前AI / LLM 領域非常感興趣。雖然在加速研究方​​面仍有許多期待改進之處,但我們看到了其中的潛力。

大型語言模型(LLM)在加密貨幣領域的出現正在徹底改變非技術參與者與這個行業互動、理解和貢獻的方式。

以前,如果你不會編程,你就會感到徹底迷失。現在像chatGPT 這樣的大型語言模型彌合了複雜程式語言與日常用語之間的鴻溝。這非常重要,因為加密貨幣領域主要由擁有專業技術專長的人員主導。

如果你遇到不理解的內容,或認為某個項目故意模糊其基礎系統的真實情況,你可以詢問chatGPT 並獲得快速、幾乎免費的答案。

DeFi 正在民主化金融獲取途徑,而大型語言模型則在民主化對DeFi 的獲取途徑。

在今天的文章中,我們將提出一些我們認為大型語言模型對DeFi 可能產生影響的想法。

1、DeFi 安全性

正如我們所指出的,DeFi 正在透過減少摩擦和間接成本,以及以高效的程式碼取代龐大團隊,改變金融服務。

我們已經詳細介紹了DeFi 的發展方向。 DeFi:

  • 降低摩擦成本-燃料費用最終將下降
  • 減少間接成本,因為沒有實體位置,只有程式碼
  • 減少人力成本,你已經用100 個程式設計師取代了數千名銀行家
  • 允許任何人提供金融服務(如貸款和市場做市)
  • DeFi 是一種更精簡的營運模式,不依賴中間人來執行。

在DeFi 中,「交易對手風險」被軟體安全風險所取代。保護你的資產並促進你的交易的代碼和機制不斷受到來自外部威脅的風險,這些威脅試圖竊取和利用資金。

AI,尤其是LLMs,在自動化智慧合約的開發和稽核中發揮關鍵作用。透過分析程式碼庫並識別模式,AI(隨著時間的推移)可以發現漏洞並優化智慧合約的效能,從而減少人為錯誤,並提高DeFi 協定的可靠性。透過將合約與已知漏洞和攻擊向量的資料庫進行對比,LLMs 可以凸顯風險區域。

一個領域LLMs 已經是軟體安全問題可行且被接受的解決方案是幫助編寫測試套件。編寫單元測試可能很乏味,但它是軟體品質保證的重要組成部分,經常被忽視,因為爭相上市的時間太快。

然而,這也有一個「陰暗面」。如果LLMs 可以幫助你審計程式碼,他們也可以幫助駭客在加密的開源世界中找到利用程式碼的方式。

幸運的是,加密社群中充滿了白帽,並擁有有助於減輕部分風險的賞金制度。

網路安全專業人士不主張「透過混淆來確保安全性」。相反,他們假設攻擊者已經熟悉系統的程式碼和漏洞。 AI 和LLMs 可以幫助在規模上自動偵測到不安全程式碼,特別是對於非程式設計人員。每天部署的智慧合約數量比人類所能審計的還要多。有時為了抓住經濟機會(如挖礦),需要與新的和熱門的合約互動,而不必等待一段時間進行測試。

這就是像Rug.AI 這樣的平台的用武之地,它為你提供了對新專案針對已知程式碼漏洞的自動評估。

也許最具革命性的方面是LLMs 幫助編寫程式碼的能力。只要使用者對其需求有基本的理解,就可以用自然語言描述他們想要的東西,而LLMs 可以將這些描述轉換為功能代碼。

這降低了創建基於區塊鏈的應用程式的門檻,讓更廣泛的創新者能夠為生態系統做出貢獻。

這還只是開始階段。我們個人發現LLMs 更適合重構程式碼,或為初學者解釋程式碼的作用,而不是全新的專案。給你的模型提供上下文和明確的規範非常重要,否則會出現「垃圾進,垃圾出」的情況。

LLMs 也可以透過將智慧合約程式碼翻譯成自然語言,來幫助那些不懂程式設計的人。也許你不想學習編程,但你確實想確保你使用的協議的代碼符合協議的承諾。

儘管我們懷疑LLMs 無法在短期內取代高品質的開發人員,但開發人員可以透過LLMs 對他們的工作進行另一輪的理性檢查。

結論?對我們所有人來說,加密變得更加簡單和安全了。只是要小心,不要過度依賴這些LLMs。他們有時會自信地出錯。 LLMs 全面理解和預測程式碼的能力仍在發展中。

2、數據分析與洞察

在加密貨幣領域收集資料時,你遲早會接觸到Dune Analytics。如果你還沒有聽說過,Dune Analytics 是一個平台,允許用戶創建和發布數據分析視覺化,主要專注於以太坊區塊鏈和其他相關區塊鏈。它是一個有用且用戶友好的工具,用於追蹤DeFi 指標。

Dune Analytics 已經擁有了GPT-4 功能,可以用自然語言解釋查詢。

如果你對某個查詢感到困惑,或者想要建立和編輯一個查詢,你可以求助於chatGPT。請注意,如果你在同一對話中提供一些範例查詢,它的表現會更好,而且你仍然會想自己學習,以便驗證chatGPT 的工作。然而,這是一個邊學邊問的很好方式,你可以像問導師一樣詢問chatGPT。

人工智慧是如何在DeFi中應用的?

LLMs 大大降低了非技術加密貨幣參與者的進入門檻。

不過就洞察力而言,LLMs 在提供獨特見解方面令人失望。在複雜、理性的金融市場中,不要期望LLMs 能給出正確答案。如果你是憑直覺和直覺行事的人,你會發現LLMs 遠遠達不到你的期望。

然而,我們發現了一個有效的用途——檢查是否漏掉了顯而易見的事情。你不太可能發現非顯而易見或與主流相反的見解,而這些見解實際上能產生回報。這並不令人驚訝(如果有人開發了能夠帶來超高市場回報的AI,他們不會將這部分發佈給更廣泛的公眾)。

3、「Discord 管理者的消失?」

在加密貨幣領域,管理一群對某個熱門項目充滿熱情但需求多變的用戶,是一項最不受認可和痛苦的工作。許多相同的常見問題反覆被問及,有時甚至連續不斷。這似乎是一個痛點,應該可以透過LLMs 輕鬆解決。

LLMs 在偵測訊息是否自我推廣(垃圾訊息)方面也顯示出了一定的準確性。我們期望這也可以用於檢測惡意連結(或其他駭客行為)。要管理一個有數千活躍成員並定期發布資訊的繁忙discord 群組確實很困難,因此我們期待一些由LLMs 支援的Discord 機器人能提供幫助。

4、「異想天開的事」

加密貨幣領域經常出現的一個梗是基於熱門化的迷因推出貨幣。這些範圍從像DOGE、SHIB 和PEPE 這樣有持久力的迷因,到基於當天熱搜詞而在一個小時內消失的隨機貨幣(主要是詐騙,我們避免參與)。

如果你有能力存取Twitter Firehose API,你可以即時追蹤加密貨幣的情緒,並訓練一個LLM 來標記趨勢,然後使用人類來解釋其中的細微差別。一個簡單的應用範例是,當有病毒式時刻出現時,你可以根據情緒分析推出迷因貨幣。

也許有方法可以建立一個類似窮人版情緒抓取器,它監控跨多個社交媒體管道的一部分受歡迎的加密貨幣影響者,而無需處理「火箭噴射」類型的API 資料來源的成本和頻寬。

LLMs 在這方面非常適合,因為它們可以深入了解語境(解析在線上的諷刺和惡搞,從而得出真實的見解)。這個LLM 夥伴將與加密產業一起進化和學習,在加密Twitter 上討論大部分行動的地方。加密產業以其公開辯論論壇和開源技術,為LLMs 捕捉市場機會提供了獨特的環境。

但是,為了避免被有意的社群媒體操控所愚弄,這項技術需要更加複雜:人工草根運動、未公開的贊助和網路水軍。在另一篇文章中,我們涵蓋了一份有趣的第三方研究報告,暗示一些實體可能有意識地操縱社群媒體,以增加與FTX/Alameda 相關的加密項目的價值。

NCRI 分析顯示,類似機器人的帳號在提及FTX 上市幣種的線上討論中佔據相當大比例(約20%)。

這種機器人般的活動預示著資料樣本中許多FTX 幣種的價格。

在FTX 的推廣之後,這些幣種的活動隨時間增長變得越來越不真實:不真實、機器人式評論的比例穩步增長,佔據了總討論量的大約50%。