Lector de código de Etherscan para usar IA y desbloquear contratos de Ethereum: esto es lo que necesitas saber

El 19 de junio, Etherscan, una popular plataforma de explorador de bloques y análisis de Ethereum, presentó una nueva herramienta llamada «Code Reader», que aprovecha la inteligencia artificial (IA) para extraer e interpretar el código fuente de una dirección de contrato específica. Al utilizar el modelo de lenguaje grande (LLM) de OpenAI, Code Reader genera respuestas integrales, ofreciendo valiosas perspectivas sobre los archivos de código fuente del contrato. Los desarrolladores de Etherscan enfatizaron que, para utilizar la herramienta, los usuarios deben poseer una clave API válida de OpenAI y tener límites de uso suficientes de OpenAI, asegurando que la herramienta no almacena las claves API de los usuarios.

“Para usar la herramienta, necesitas una clave API válida de OpenAI y límites de uso suficientes de OpenAI. Esta herramienta no almacena tus claves API.”

Code Reader presenta numerosos casos de uso que benefician a los usuarios que buscan una comprensión más profunda del código de contratos inteligentes a través de explicaciones generadas por IA. La herramienta permite a los usuarios obtener listas extensas de funciones asociadas con datos de Ethereum, facilitando una comprensión integral de cómo el contrato subyacente interactúa con aplicaciones descentralizadas (dApps). Una vez que se recuperan los archivos del contrato, los usuarios tienen la opción de elegir un archivo de código fuente específico para revisar. Además, la herramienta permite a los usuarios modificar el código fuente directamente dentro de la interfaz de usuario antes de compartirlo con la IA, empoderándolos para experimentar e iterar en el código de manera efectiva.

Etherscan vs IA

A medida que el campo de la IA continúa experimentando un crecimiento exponencial, algunos expertos han planteado preocupaciones sobre la viabilidad de los modelos de IA actuales. En un informe reciente publicado por la firma de capital de riesgo singapurense Foresight Ventures, se sugirió que los recursos de potencia de cómputo serían un campo de batalla crucial en la próxima década. Si bien existe una demanda creciente de entrenamiento de grandes modelos de IA dentro de redes de potencia de cómputo distribuidas y descentralizadas, los investigadores han identificado restricciones significativas que obstaculizan su desarrollo. Estos desafíos incluyen la sincronización compleja de datos, la optimización de la red y las preocupaciones respecto a la privacidad y seguridad de los datos.

Foresight Ventures destacó un ejemplo específico para ilustrar las limitaciones a las que se enfrentan los grandes modelos de IA. El informe indicó que entrenar un modelo con una asombrosa cantidad de 175 mil millones de parámetros, utilizando representación de punto flotante de precisión única, requeriría aproximadamente 700 gigabytes de almacenamiento. Sin embargo, el entrenamiento distribuido exige la transmisión y actualización frecuentes de estos parámetros entre los nodos de cómputo. 

En un escenario que involucra 100 nodos de cómputo, con cada nodo requiriendo actualizaciones de todos los parámetros en cada paso de unidad, el modelo demandaría la transmisión de una colosal cantidad de 70 terabytes de datos por segundo. Este requisito supera con creces la capacidad de la mayoría de las redes existentes, ilustrando los inmensos desafíos en la implementación del entrenamiento distribuido para grandes modelos de IA.

“En la mayoría de los escenarios, los modelos pequeños de IA siguen siendo una opción más viable y no deben pasarse por alto demasiado pronto en la ola de FOMO (miedo a perderse algo) sobre los grandes modelos.”

A la luz de estas restricciones, los investigadores sugieren que en muchos escenarios, los modelos de IA más pequeños siguen siendo una opción más viable. Es crucial no pasar por alto el potencial de los modelos más pequeños en medio del frenesí actual en torno a los grandes modelos. A medida que el panorama de la IA evoluciona, los avances en la potencia de cómputo y la infraestructura de red probablemente abordarán algunas de estas limitaciones. No obstante, por el momento, los modelos de IA más pequeños aún pueden ofrecer un valor sustancial y no deben descartarse prematuramente en la búsqueda de modelos más grandes y complejos.