人工智慧如何在DeFi中應用？

作者： 德菲教育

翻譯：白話區塊鏈

** **

正如你可能在Twitter上看到的那樣，我們對當前的AI / LLM空間非常感興趣。 雖然在加速研究方面仍有很大的改進空間，但我們看到了潛力。

加密貨幣領域大型語言模型 （LLM） 的出現正在徹底改變非技術參與者互動、理解和為行業做出貢獻的方式。

以前，如果你不知道如何編碼，你會感到完全迷失。 像chatGPT這樣的大型語言模型現在正在彌合複雜的程式設計語言和日常語言之間的差距。 這非常重要，因為加密貨幣領域由具有專業技術專長的人主導。

如果您遇到不理解的內容，或者認為某個專案故意掩蓋其底層系統的真實性，您可以詢問chatGPT並獲得快速，幾乎免費的答案。

DeFi 正在使金融獲取民主化，而大型語言模型正在使 DeFi 訪問民主化。

在今天的文章中，我們將介紹一些我們認為大型語言模型可能在 DeFi 上產生的想法。

1. DeFi 安全性

正如我們所指出的，DeFi 正在通過減少摩擦和間接成本以及用高效代碼取代大型團隊來改變金融服務。

我們已經詳細介紹了DeFi的發展方向。 去飛：

• 降低摩擦成本 – 燃料成本最終將下降
• 降低間接成本，因為沒有物理位置，只有代碼
• 降低人工成本，你已經用100個程式師取代了成千上萬的銀行家
• 允許任何人提供金融服務（如貸款和做市）
• DeFi 是一種更精簡的運營模式，不依賴中間人執行。

在DeFi中，「交易對手風險」被軟體安全風險所取代。 保護您的資產和促進交易的代碼和機制不斷面臨試圖竊取和利用資金的外部威脅的風險。

人工智慧，尤其是LLM，在智慧合約的自動化開發和審計方面發揮著關鍵作用。 通過分析代碼庫和識別模式，人工智慧可以發現漏洞（隨著時間的推移）並優化智慧合約的性能，減少人為錯誤並提高DeFi協定的可靠性。 通過將合同與已知漏洞和攻擊媒介的資料庫進行比較，LLM可以突出顯示風險領域。

LLM已經是軟體安全問題的可行和公認的解決方案的一個領域是幫助編寫測試套件。 編寫單元測試可能很乏味，但它是軟體質量保證的重要組成部分，並且由於急於過快進入市場而經常被忽視。

然而，這有一個“黑暗面”。 如果LLM可以説明你審計你的代碼，他們還可以説明駭客找到在開源加密世界中利用你的代碼的方法。

幸運的是，加密社區充滿了白帽子，並且有一個賞金系統來幫助減輕一些風險。

網路安全專業人員不提倡“通過混淆實現安全”。 相反，他們假設攻擊者已經熟悉系統的代碼和漏洞。 人工智慧和法學碩士可以幫助大規模自動檢測不安全的代碼，特別是對於非程式師。 每天部署的智能合約比人類可以審計的還要多。 有時為了捕捉經濟機會（例如採礦），有必要與新的和流行的合同進行交互，而不必等待一段時間進行測試。

這就是像 Rug.AI 這樣的平臺的用武之地，它為您提供針對已知代碼漏洞的新項目的自動評估。

也許最具革命性的方面是LLM説明編寫代碼的能力。 只要使用者對自己的需求有基本的瞭解，就可以用自然語言描述自己想要的東西，LLM可以將這些描述翻譯成功能代碼。

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

而這僅僅是個開始。 就個人而言，我們發現LLM更適合重構代碼，或者為初學者解釋代碼的作用，而不是全新的專案。 為您的模型提供上下文和明確的規範非常重要，否則會出現“垃圾輸入，垃圾輸出”的情況。

LLM還可以通過將智慧合約代碼翻譯成自然語言來説明那些不知道如何編碼的人。 也許你不想學習程式設計，但你確實想確保你使用的協議的代碼與協議的承諾相匹配。

雖然我們懷疑LLM在短期內無法取代高品質的開發者，但開發者可以通過LLMs對自己的工作進行另一輪理性審視。

結論：對我們所有人來說，加密變得更加簡單和安全。 只是要注意不要過度依賴這些LLM。 他們有時會自信地犯錯誤。 LLM充分理解和預測代碼的能力仍在發展中。

2. 數據分析和見解

在加密貨幣空間中收集數據時，您遲早會遇到沙丘分析。 如果您還沒有聽說過，Dune Analytics是一個允許使用者創建和發佈數據分析可視化的平臺，主要關注ETH區塊鏈和其他相關區塊鏈。 它是用於跟蹤 DeFi 指標的有用且使用者友好的工具。

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

如果您對查詢感到困惑，或者想要創建和編輯查詢，則可以轉到chatGPT。 請注意，如果您在同一對話中提供一些示例查詢，它的性能會更好，並且您仍然希望自己學習以驗證 chatGPT 的工作。 但是，這是學習和提問的好方法，您可以像導師一樣詢問聊天GPT。

LLM大大降低了非技術加密貨幣參與者的進入門檻。

然而，在洞察力方面，LLM在提供獨特的見解方面令人失望。 在複雜、理性的金融市場中，不要指望法學碩士會給出正確的答案。 如果你是一個憑本能和直覺行事的人，你會發現LLM遠遠達不到你的期望。

然而，我們發現了一個有效的用途——檢查是否缺少明顯的。 你不太可能找到真正有回報的不明顯或矛盾的見解。 這並不奇怪（如果有人開發了一個提供超高市場回報的人工智慧，他們不會向更廣泛的公眾發佈這部分）。

3，“不和諧管理員消失了？”

在加密貨幣領域，管理一群對熱門項目充滿熱情但需求不斷變化的使用者是最不被認可和最痛苦的工作之一。 許多相同的常見問題被反覆提出，有時是連續提出的。 這似乎是一個痛點，應該很容易用LLM來解決。

LLM在檢測郵件是否是自我推銷（垃圾郵件）方面也顯示出一定的準確性。 我們希望這也能用於檢測惡意連結（或其他駭客）。 管理一個擁有數千名活躍成員和定期發帖的繁忙的 Discord 群組真的很難，所以我們期待一些由 LLM 提供支援的 Discord 機器人來提供説明。

4，“異想天開的東西”

加密空間中一個反覆出現的模因是基於流行模因的貨幣的推出。 這些範圍從DOGE、SHIB和PEPE等保持模因，到根據當天的熱搜索詞在一小時內消失的隨機貨幣（主要是騙局，我們避免參與其中）。

如果你可以訪問Twitter Firehose API，你可以實時跟蹤加密貨幣的情緒，並訓練LLM來標記趨勢，然後使用人類來解釋其中的細微差別。 一個簡單的應用程式示例是當出現病毒時刻時，您可以根據情緒分析啟動模因貨幣。

也許有一種方法可以構建類似窮人版本的情緒抓取器的東西，它通過多個社交媒體渠道監控一部分流行的加密影響者，而不必處理“火箭噴氣式飛機”類型的API數據源的成本和頻寬。

LLM非常適合這一點，因為它們提供了對上下文的洞察（在線解析諷刺和欺騙以獲得真正的見解）。 這位法學碩士夥伴將與加密行業一起發展和學習，其中大部分行動都在加密Twitter上討論。 加密行業憑藉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。

但為了避免被故意的社交媒體操縱所愚弄，技術需要更加複雜：人造草根運動、未公開的贊助和在線巨魔。 在另一篇文章中，我們介紹了一份有趣的第三方研究報告，該報告表明，一些實體可能有意識地操縱社交媒體，以增加與FTX/Alameda相關的加密項目的價值。

NCRI的分析顯示，在提到FTX上市硬幣的在線討論中，類似機器人的帳戶佔很大比例（約20%）。

這種類似機器人的活動預示著數據樣本中許多 FTX 硬幣的價格。

FTX推廣后，隨著時間的推移，這些幣的活動變得越來越不真實：不真實、機器人評論的比例穩步上升，約佔總討論量的50%。