Etherscan code reader per utilizzare l'IA per sbloccare i contratti Ethereum: ecco cosa devi sapere

Il 19 giugno, Etherscan, una popolare piattaforma di esplorazione e analisi dei blocchi Ethereum, ha presentato un nuovo strumento chiamato "Code Reader", che sfrutta l'intelligenza artificiale (AI) per estrarre e interpretare il codice sorgente di un indirizzo di contratto specifico. Utilizzando il modello linguistico di grandi dimensioni (LLM) di OpenAI, Code Reader genera risposte complete, offrendo preziose informazioni sui file del codice sorgente del contratto. Gli sviluppatori di Etherscan hanno sottolineato che per utilizzare lo strumento, gli utenti devono possedere una chiave API OpenAI valida e avere limiti di utilizzo OpenAI sufficienti, assicurando che lo strumento non memorizzi le chiavi API degli utenti.

"Per utilizzare lo strumento, è necessaria una chiave API OpenAI valida e limiti di utilizzo OpenAI sufficienti. Questo strumento non memorizza le tue chiavi API."

Code Reader presenta numerosi casi d'uso che beneficiano gli utenti che cercano una comprensione più approfondita del codice dei contratti intelligenti attraverso spiegazioni generate dall'IA. Lo strumento consente agli utenti di ottenere elenchi estesi di funzioni associate ai dati di Ethereum, facilitando una comprensione completa di come il contratto sottostante interagisce con le applicazioni decentralizzate (dApp). Una volta recuperati i file del contratto, gli utenti hanno la possibilità di scegliere un file di codice sorgente specifico da consultare. Inoltre, lo strumento consente agli utenti di modificare il codice sorgente direttamente nell'interfaccia utente prima di condividerlo con l'IA, permettendo loro di sperimentare e iterare efficacemente sul codice.

Etherscan vs AI

Mentre il campo dell'IA continua a sperimentare una crescita esponenziale, alcuni esperti hanno sollevato preoccupazioni sulla fattibilità degli attuali modelli di IA. In un recente rapporto pubblicato dalla società di venture capital singaporiana Foresight Ventures, è stato suggerito che le risorse di potenza di calcolo sarebbero un campo di battaglia cruciale nel prossimo decennio. Sebbene vi sia una crescente domanda di addestramento di grandi modelli di IA all'interno di reti di potenza di calcolo distribuite decentralizzate, i ricercatori hanno identificato vincoli significativi che ne ostacolano lo sviluppo. Queste sfide includono la sincronizzazione complessa dei dati, l'ottimizzazione della rete e le preoccupazioni relative alla privacy e alla sicurezza dei dati.

Foresight Ventures ha evidenziato un esempio specifico per illustrare le limitazioni affrontate dai grandi modelli di IA. Il rapporto affermava che l'addestramento di un modello con uno sbalorditivo 175 miliardi di parametri, utilizzando la rappresentazione in virgola mobile a precisione singola, richiederebbe circa 700 gigabyte di archiviazione. Tuttavia, l'addestramento distribuito impone la trasmissione e l'aggiornamento frequenti di questi parametri tra i nodi di calcolo. 

In uno scenario che coinvolge 100 nodi di calcolo, con ogni nodo che richiede aggiornamenti a tutti i parametri a ogni passo unitario, il modello richiederebbe la trasmissione di una colossale 70 terabyte di dati al secondo. Questo requisito supera di gran lunga la capacità della maggior parte delle reti esistenti, illustrando le immense sfide nell'implementare l'addestramento distribuito per i grandi modelli di IA.

"Nella maggior parte degli scenari, i piccoli modelli di IA sono ancora una scelta più fattibile e non dovrebbero essere trascurati troppo presto nella marea di FOMO sui grandi modelli."

Alla luce di questi vincoli, i ricercatori suggeriscono che in molti scenari i modelli di IA più piccoli rimangono una scelta più praticabile. È fondamentale non trascurare il potenziale dei modelli più piccoli nel mezzo dell'attuale frenesia intorno ai grandi modelli. Man mano che il panorama dell'IA evolve, i progressi nella potenza di calcolo e nell'infrastruttura di rete probabilmente risolveranno alcune di queste limitazioni. Tuttavia, per il momento, i modelli di IA più piccoli possono ancora fornire un valore sostanziale e non dovrebbero essere prematuramente scartati nella ricerca di modelli più grandi e complessi.