قارئ أكواد Etherscan سيستخدم الذكاء الاصطناعي لكشف عقود إيثيريوم - إليك ما تحتاج إلى معرفته

في 19 يونيو، كشفت Etherscan، وهي منصة شعبية لاستكشاف وتحليل بلوك تشين إيثيريوم، عن أداة جديدة تسمى "Code Reader"، والتي تستخدم الذكاء الاصطناعي (AI) لاستخراج وتفسير شفرة المصدر لعنوان عقد معين. ومن خلال الاستفادة من نموذج اللغة الكبير (LLM) الخاص بـ OpenAI، يولد Code Reader استجابات شاملة، مما يوفر رؤى قيمة حول ملفات شفرة المصدر للعقد. شدد المطورون في Etherscan على أنه للاستفادة من الأداة، يجب أن يمتلك المستخدمون مفتاح API صالحاً لـ OpenAI ولديهم حدود استخدام كافية لـ OpenAI، مؤكدين أن الأداة لا تخزن مفاتيح API الخاصة بالمستخدمين.

"لاستخدام الأداة، تحتاج إلى مفتاح API صالح لـ OpenAI وحدود استخدام كافية لـ OpenAI. هذه الأداة لا تخزن مفاتيح API الخاصة بك."

يقدم Code Reader العديد من حالات الاستخدام التي تفيد المستخدمين الذين يسعون لفهم أعمق لشفرة العقود الذكية من خلال الشرح الذي يولده الذكاء الاصطناعي. يتيح الأداة للمستخدمين الحصول على قوائم شاملة للدوال المرتبطة ببيانات إيثيريوم، مما يسهل الفهم الشامل لكيفية تفاعل العقد الأساسي مع التطبيقات اللامركزية (dApps). بمجرد استرداد ملفات العقد، يمكن للمستخدمين اختيار ملف شفرة مصدر معين لقراءته. علاوة على ذلك، تسمح الأداة للمستخدمين بتعديل شفرة المصدر مباشرةً داخل واجهة المستخدم قبل مشاركتها مع الذكاء الاصطناعي، مما يمكّنهم من تجربة الكود والتكرار عليه بفعالية.

Etherscan مقابل الذكاء الاصطناعي

مع استمرار مجال الذكاء الاصطناعي في النمو بشكل أسي، أعرب بعض الخبراء عن مخاوفهم بشأن جدوى نماذج الذكاء الاصطناعي الحالية. في تقرير أخير نشرته شركة رأس المال المخاطر السنغافورية Foresight Ventures، تم اقتراح أن موارد قوة الحوسبة ستكون ساحة معركة محورية في العقد القادم. بينما هناك طلب متزايد لتدريب نماذج الذكاء الاصطناعي الكبيرة داخل شبكات الحوسبة الموزعة اللامركزية، حدد الباحثون قيوداً كبيرة تعيق تطويرها. وتشمل هذه التحديات مزامنة البيانات المعقدة، وتحسين الشبكة، ومخاوف تتعلق بخصوصية البيانات وأمنها.

سلطت Foresight Ventures الضوء على مثال محدد لتوضيح القيود التي تواجهها نماذج الذكاء الاصطناعي الكبيرة. ذكر التقرير أن تدريب نموذج يحتوي على 175 مليار معلمة مذهلة، باستخدام تمثيل النقطة العائمة ذات الدقة المفردة، سيتطلب حوالي 700 جيجابايت من مساحة التخزين. ومع ذلك، يفرض التدريب الموزع نقل وتحديث هذه المعاملات بشكل متكرر بين عقد الحوسبة. 

في سيناريو يتضمن 100 عقدة حوسبة، حيث تتطلب كل عقدة تحديث جميع المعاملات في كل خطوة وحدة، سيطلب النموذج نقل 70 تيرابايت من البيانات في الثانية الواحدة. يتجاوز هذا المتطلب بكثير قدرة معظم الشبكات الحالية، مما يوضح التحديات الهائلة في تنفيذ التدريب الموزع لنماذج الذكاء الاصطناعي الكبيرة.

"في معظم السيناريوهات، لا تزال نماذج الذكاء الاصطناعي الصغيرة خياراً أكثر جدوى، ولا ينبغي إهمالها مبكراً جداً في موجة FOMO (الخوف من فوات الفرصة) على النماذج الكبيرة."

في ضوء هذه القيود، يقترح الباحثون أن نماذج الذكاء الاصطناعي الأصغر تظل خياراً أكثر جدوى في العديد من السيناريوهات. من الضروري ألا نتجاهل إمكانات النماذج الأصغر وسط الهysteria الحالية المحيطة بالنماذج الكبيرة. ومع تطور مشهد الذكاء الاصطناعي، من المرجح أن تعالج التطورات في قوة الحوسبة والبنية التحتية للشبكة بعض هذه القيود. ومع ذلك، وفي الوقت الراهن، لا تزال نماذج الذكاء الاصطناعي الأصغر قادرة على تقديم قيمة كبيرة، ولا ينبغي الاستهانة بها أو التخلي عنها مبكراً في سعينا وراء نماذج أكبر وأكثر تعقيداً.