Etherscan Code Reader использует ИИ для раскрытия смарт-контрактов Ethereum — вот что вам нужно знать

19 июня Etherscan, популярный блокчейн-обозреватель и аналитическая платформа Ethereum, представила новый инструмент под названием «Code Reader», который использует искусственный интеллект (ИИ) для извлечения и интерпретации исходного кода конкретного адреса контракта. Используя большую языковую модель (LLM) от OpenAI, Code Reader генерирует развернутые ответы, предоставляя ценные сведения об исходных файлах контракта. Разработчики Etherscan подчеркнули, что для использования инструмента пользователям необходим действующий ключ API OpenAI и достаточные лимиты использования OpenAI, заверив, что инструмент не хранит ключи API пользователей.

«Для использования инструмента вам нужен действующий ключ API OpenAI и достаточные лимиты использования OpenAI. Этот инструмент не хранит ваши ключи API.»

Code Reader предлагает множество вариантов использования, которые полезны для пользователей, стремящихся к более глубокому пониманию кода смарт-контрактов с помощью объяснений, сгенерированных ИИ. Инструмент позволяет пользователям получать обширные списки функций, связанных с данными Ethereum, что способствует всестороннему пониманию того, как базовый контракт взаимодействует с децентрализованными приложениями (dApps). После получения файлов контракта пользователи могут выбрать конкретный файл исходного кода для изучения. Кроме того, инструмент позволяет пользователям изменять исходный код непосредственно в пользовательском интерфейсе перед его передачей ИИ, что дает им возможность экспериментировать и эффективно итерировать код.

Etherscan против ИИ

По мере того как область ИИ продолжает испытывать экспоненциальный рост, некоторые эксперты выразили обеспокоенность по поводу осуществимости текущих моделей ИИ. В недавнем отчете, опубликованном сингапурской венчурной фирмой Foresight Ventures, предполагалось, что вычислительные ресурсы станут ключевой ареной борьбы в следующем десятилетии. Хотя растет спрос на обучение больших моделей ИИ в децентрализованных сетях распределенных вычислительных мощностей, исследователи выявили значительные ограничения, препятствующие их развитию. Эти проблемы включают сложную синхронизацию данных, оптимизацию сети и опасения по поводу конфиденциальности и безопасности данных.

Foresight Ventures привела конкретный пример, чтобы проиллюстрировать ограничения, с которыми сталкиваются большие модели ИИ. В отчете говорилось, что обучение модели с ошеломляющими 175 миллиардами параметров с использованием представления с плавающей запятой одинарной точности потребовало бы примерно 700 гигабайт памяти. Однако распределенное обучение требует частой передачи и обновления этих параметров между вычислительными узлами. 

В сценарии с участием 100 вычислительных узлов, где каждый узел требует обновления всех параметров на каждом шаге, модель потребовала бы передачи колоссальных 70 терабайт данных в секунду. Это требование далеко превосходит возможности большинства существующих сетей, что иллюстрирует огромные трудности в реализации распределенного обучения для больших моделей ИИ.

«В большинстве случаев маленькие модели ИИ все еще являются более реалистичным выбором, и их не следует недооценивать слишком рано на волне FOMO в отношении больших моделей.»

Учитывая эти ограничения, исследователи предлагают, что во многих сценариях меньшие модели ИИ остаются более жизнеспособным выбором. Крайне важно не упускать из виду потенциал меньших моделей на фоне текущего ажиотажа вокруг больших моделей. По мере эволюции ландшафта ИИ достижения в области вычислительных мощностей и сетевой инфраструктуры, вероятно, устранят некоторые из этих ограничений. Тем не менее, в настоящее время меньшие модели ИИ все еще могут приносить значительную пользу, и их не следует преждевременно отвергать в погоне за более крупными и сложными моделями.