Leitor de código da Etherscan usará IA para desbloquear contratos Ethereum – aqui está o que você precisa saber

Em 19 de junho, a Etherscan, uma popular plataforma de explorador de blocos e análise do Ethereum, apresentou uma nova ferramenta chamada “Code Reader”, que utiliza inteligência artificial (IA) para extrair e interpretar o código-fonte de um endereço de contrato específico. Ao utilizar o modelo de linguagem grande (LLM) da OpenAI, o Code Reader gera respostas abrangentes, oferecendo insights valiosos sobre os arquivos de código-fonte do contrato. Os desenvolvedores da Etherscan enfatizaram que, para utilizar a ferramenta, os usuários devem possuir uma chave de API válida da OpenAI e ter limites de uso suficientes da OpenAI, assegurando que a ferramenta não armazena as chaves de API dos usuários.

“Para usar a ferramenta, você precisa de uma chave de API válida da OpenAI e limites de uso suficientes da OpenAI. Esta ferramenta não armazena suas chaves de API.”

O Code Reader apresenta diversos casos de uso que beneficiam usuários que buscam uma compreensão mais profunda do código de contratos inteligentes por meio de explicações geradas por IA. A ferramenta permite que os usuários obtenham listas extensas de funções associadas aos dados do Ethereum, facilitando uma compreensão abrangente de como o contrato subjacente interage com aplicativos descentralizados (dApps). Uma vez que os arquivos do contrato são recuperados, os usuários têm a opção de escolher um arquivo de código-fonte específico para ler. Além disso, a ferramenta permite que os usuários modifiquem o código-fonte diretamente na interface do usuário antes de compartilhá-lo com a IA, capacitando-os a experimentar e iterar no código de forma eficaz.

Etherscan vs IA

À medida que o campo da IA continua a experimentar um crescimento exponencial, alguns especialistas levantaram preocupações sobre a viabilidade dos modelos atuais de IA. Em um relatório recente publicado pela empresa de capital de risco singapuriana Foresight Ventures, sugeriu-se que os recursos de poder de computação seriam um campo de batalha crucial na próxima década. Embora haja uma demanda crescente pelo treinamento de grandes modelos de IA em redes de poder de computação distribuído descentralizado, os pesquisadores identificaram restrições significativas que impedem seu desenvolvimento. Esses desafios incluem sincronização de dados complexa, otimização de rede e preocupações com privacidade e segurança dos dados.

A Foresight Ventures destacou um exemplo específico para ilustrar as limitações enfrentadas pelos grandes modelos de IA. O relatório afirmou que treinar um modelo com um impressionante 175 bilhões de parâmetros, utilizando representação de ponto flutuante de precisão única, exigiria aproximadamente 700 gigabytes de armazenamento. No entanto, o treinamento distribuído exige a transmissão e atualização frequentes desses parâmetros entre os nós de computação. 

Em um cenário envolvendo 100 nós de computação, com cada nó exigindo atualizações de todos os parâmetros em cada etapa de unidade, o modelo exigiria a transmissão de uma colossal 70 terabytes de dados por segundo. Essa exigência supera longe a capacidade da maioria das redes existentes, ilustrando os imensos desafios na implementação do treinamento distribuído para grandes modelos de IA.

“Na maioria dos cenários, pequenos modelos de IA ainda são uma escolha mais viável e não devem ser ignorados muito cedo na onda de FOMO em grandes modelos.”

Diante dessas restrições, os pesquisadores sugerem que, em muitos cenários, modelos de IA menores permanecem uma escolha mais viável. É crucial não ignorar o potencial de modelos menores no meio da febre atual em torno de grandes modelos. À medida que o cenário de IA evolui, os avanços no poder de computação e na infraestrutura de rede provavelmente abordarão algumas dessas limitações. No entanto, por enquanto, os modelos de IA menores ainda podem entregar valor substancial e não devem ser descartados prematuramente na busca por modelos maiores e mais complexos.