Etherscan Code Reader nutzt KI, um Ethereum-Verträge zu entsperren – hier ist, was Sie wissen müssen

Am 19. Juni stellte Etherscan, eine beliebte Ethereum-Block-Explorer- und Analytikplattform, ein neues Tool namens „Code Reader“ vor, das künstliche Intelligenz (KI) nutzt, um den Quellcode einer bestimmten Vertragsadresse zu extrahieren und zu interpretieren. Durch die Nutzung des Large Language Models (LLM) von OpenAI generiert Code Reader umfassende Antworten und bietet wertvolle Einblicke in die Quelldateien des Vertrags. Die Entwickler bei Etherscan betonten, dass Benutzer für die Nutzung des Tools einen gültigen OpenAI-API-Schlüssel besitzen und über ausreichende OpenAI-Nutzungslimits verfügen müssen, und versicherten, dass das Tool die API-Schlüssel der Benutzer nicht speichert.

„Um das Tool zu nutzen, benötigen Sie einen gültigen OpenAI-API-Schlüssel und ausreichende OpenAI-Nutzungslimits. Dieses Tool speichert Ihre API-Schlüssel nicht.“

Code Reader bietet zahlreiche Anwendungsfälle, die Nutzern zugutekommen, die durch KI-generierte Erklärungen ein tieferes Verständnis von Smart-Contract-Code suchen. Das Tool ermöglicht es Benutzern, umfangreiche Listen von Funktionen zu erhalten, die mit Ethereum-Daten verbunden sind, und erleichtert so ein umfassendes Verständnis davon, wie der zugrunde liegende Vertrag mit dezentralen Anwendungen (dApps) interagiert. Sobald die Vertragsdateien abgerufen wurden, können Benutzer eine bestimmte Quelldatei zum Durchlesen auswählen. Darüber hinaus ermöglicht das Tool Benutzern, den Quellcode direkt in der Benutzeroberfläche zu ändern, bevor sie ihn mit der KI teilen, was es ihnen ermöglicht, effektiv mit dem Code zu experimentieren und Iterationen durchzuführen.

Etherscan vs. KI

Während das Feld der KI weiterhin exponentiell wächst, haben einige Experten Bedenken hinsichtlich der Machbarkeit aktueller KI-Modelle geäußert. In einem kürzlich veröffentlichten Bericht des singapurischen Venture-Capital-Unternehmens Foresight Ventures wurde vorgeschlagen, dass Rechenressourcen in den kommenden Jahrzehnten ein entscheidendes Schlachtfeld sein würden. Während die Nachfrage nach dem Training großer KI-Modelle in dezentralen verteilten Rechenleistungsnetzwerken steigt, haben Forscher erhebliche Einschränkungen identifiziert, die ihre Entwicklung behindern. Zu diesen Herausforderungen gehören komplexe Datensynchronisation, Netzwerkoptimierung und Bedenken hinsichtlich des Datenschutzes und der Sicherheit.

Foresight Ventures hob ein spezifisches Beispiel hervor, um die Grenzen darzustellen, vor denen große KI-Modelle stehen. Der Bericht stellte fest, dass das Training eines Modells mit erschreckenden 175 Milliarden Parametern unter Verwendung einer Gleitkommadarstellung mit einfacher Genauigkeit etwa 700 Gigabyte Speicherplatz erfordern würde. Das verteilte Training erfordert jedoch eine häufige Übertragung und Aktualisierung dieser Parameter zwischen den Rechenknoten. 

In einem Szenario mit 100 Rechenknoten, bei dem jeder Knoten bei jedem Einheitsschritt Aktualisierungen für alle Parameter benötigt, müsste das Modell eine kolossale Datenmenge von 70 Terabyte pro Sekunde übertragen. Diese Anforderung übersteigt die Kapazität der meisten bestehenden Netzwerke bei weitem und verdeutlicht die immensen Herausforderungen bei der Implementierung des verteilten Trainings für große KI-Modelle.

„In den meisten Fällen sind kleine KI-Modelle immer noch eine praktikablere Wahl und sollten nicht zu früh im Zuge der FOMO (Fear Of Missing Out) bei großen Modellen übersehen werden.“

Angesichts dieser Einschränkungen schlagen Forscher vor, dass in vielen Szenarien kleinere KI-Modelle nach wie vor eine tragfähigere Wahl bleiben. Es ist entscheidend, das Potenzial kleinerer Modelle nicht angesichts des aktuellen Rauschens um große Modelle zu übersehen. Während sich die KI-Landschaft weiterentwickelt, werden Fortschritte in der Rechenleistung und der Netzwerkinfrastruktur wahrscheinlich einige dieser Einschränkungen adressieren. Dennoch können kleinere KI-Modelle vorerst weiterhin erheblichen Wert liefern und sollten bei der Verfolgung größerer, komplexerer Modelle nicht voreilig verworfen werden.