Le lecteur de code Etherscan utilisera l'IA pour déverrouiller les contrats Ethereum – voici ce que vous devez savoir

Le 19 juin, Etherscan, un explorateur de blocs Ethereum populaire et une plateforme d'analyse, a dévoilé un nouvel outil appelé « Code Reader », qui exploite l'intelligence artificielle (IA) pour extraire et interpréter le code source d'une adresse de contrat spécifique. En utilisant le modèle de langage large (LLM) d'OpenAI, Code Reader génère des réponses complètes, offrant des informations précieuses sur les fichiers de code source du contrat. Les développeurs de Etherscan ont souligné que pour utiliser l'outil, les utilisateurs doivent posséder une clé API OpenAI valide et disposer de limites d'utilisation OpenAI suffisantes, assurant que l'outil ne stocke pas les clés API des utilisateurs.

« Pour utiliser l'outil, vous avez besoin d'une clé API OpenAI valide et de limites d'utilisation OpenAI suffisantes. Cet outil ne stocke pas vos clés API. »

Code Reader présente de nombreux cas d'utilisation qui profitent aux utilisateurs cherchant une compréhension plus approfondie du code des contrats intelligents grâce à des explications générées par l'IA. L'outil permet aux utilisateurs d'obtenir des listes extensives de fonctions associées aux données Ethereum, facilitant une compréhension complète de la manière dont le contrat sous-jacent interagit avec les applications décentralisées (dApps). Une fois les fichiers de contrat récupérés, les utilisateurs ont la possibilité de choisir un fichier de code source spécifique à consulter. De plus, l'outil permet aux utilisateurs de modifier le code source directement dans l'interface utilisateur avant de le partager avec l'IA, leur permettant d'expérimenter et d'itérer efficacement sur le code.

Etherscan vs IA

Alors que le domaine de l'IA connaît une croissance exponentielle, certains experts ont soulevé des préoccupations quant à la faisabilité des modèles d'IA actuels. Dans un récent rapport publié par la société de capital-risque singapourienne Foresight Ventures, il a été suggéré que les ressources de puissance de calcul seraient un champ de bataille pivotal dans la décennie à venir. Bien qu'il y ait une demande croissante pour l'entraînement de grands modèles d'IA au sein de réseaux de puissance de calcul distribués décentralisés, les chercheurs ont identifié des contraintes significatives qui entravent leur développement. Ces défis incluent la synchronisation complexe des données, l'optimisation du réseau et les préoccupations concernant la confidentialité et la sécurité des données.

Foresight Ventures a mis en avant un exemple spécifique pour illustrer les limitations auxquelles sont confrontés les grands modèles d'IA. Le rapport indiquait que l'entraînement d'un modèle avec un nombre stupéfiant de 175 milliards de paramètres, en utilisant une représentation à virgule flottante en précision simple, nécessiterait environ 700 gigaoctets de stockage. Cependant, l'entraînement distribué exige la transmission et la mise à jour fréquentes de ces paramètres entre les nœuds de calcul. 

Dans un scénario impliquant 100 nœuds de calcul, chaque nœud nécessitant des mises à jour pour tous les paramètres à chaque étape unitaire, le modèle exigerait la transmission d'une colossale 70 téraoctets de données par seconde. Cette exigence dépasse de loin la capacité de la plupart des réseaux existants, illustrant les défis immenses dans la mise en œuvre de l'entraînement distribué pour les grands modèles d'IA.

« Dans la plupart des scénarios, les petits modèles d'IA restent un choix plus réalisable et ne doivent pas être négligés trop tôt dans la vague de FOMO sur les grands modèles. »

Compte tenu de ces contraintes, les chercheurs suggèrent que dans de nombreux scénarios, les petits modèles d'IA restent un choix plus viable. Il est crucial de ne pas négliger le potentiel des petits modèles au milieu de la frénésie actuelle entourant les grands modèles. À mesure que le paysage de l'IA évolue, les avancées en matière de puissance de calcul et d'infrastructure réseau devraient résoudre certaines de ces limitations. Néanmoins, pour le moment, les petits modèles d'IA peuvent toujours fournir une valeur substantielle et ne doivent pas être prématurément rejetés dans la poursuite de modèles plus grands et plus complexes.