Etherscan 代码阅读器利用 AI 解锁以太坊合约——你需要知道的一切

6月19日，流行的以太坊区块链浏览器和分析平台Etherscan推出了一款名为“Code Reader”的新工具，该工具利用人工智能（AI）提取和解释特定合约地址的源代码。通过利用OpenAI的大型语言模型（LLM），Code Reader生成全面的响应，提供有关合约源代码文件的宝贵见解。 Etherscan的开发人员强调，要使用该工具，用户必须拥有有效的OpenAI API密钥并具有足够的OpenAI使用限额，并保证该工具不会存储用户的API密钥。

“使用该工具，您需要有效的 OpenAI API 密钥以及充足的 OpenAI 使用额度。本工具不会存储您的 API 密钥。”

Code Reader提供了许多用例，有助于寻求通过AI生成解释更深入理解智能合约代码的用户。该工具使用户能够获得与以太坊数据相关的广泛函数列表，从而全面理解底层合约如何与去中心化应用程序（dApps）交互。一旦检索到合约文件，用户可以选择特定的源代码文件进行查阅。此外，该工具允许用户在共享给AI之前直接在用户界面中修改源代码，使他们能够有效地实验和迭代代码。

Etherscan 与 AI

随着AI领域继续经历指数级增长，一些专家对当前AI模型的可行性提出了担忧。在新加坡风险投资公司Foresight Ventures发布的最近报告中，建议计算能力资源将成为未来十年的关键战场。虽然去中心化分布式计算能力网络中对训练大型AI模型的需求日益增加，但研究人员确定了阻碍其发展的重大限制。这些挑战包括复杂的数据同步、网络优化以及数据隐私和安全的担忧。

Foresight Ventures 举了一个具体例子来说明大型 AI 模型面临的局限性。报告指出，训练一个拥有惊人 1750 亿参数的模型，采用单精度浮点表示法，将需要大约 700 GB 的存储空间。然而，分布式训练要求在这些参数在计算节点之间频繁传输和更新。 

在涉及 100 个计算节点的场景中，如果每个节点在每个单位步骤都需要更新所有参数，该模型将要求每秒传输高达 70 TB 的数据。这一需求远远超出了大多数现有网络的能力，说明了在实施大型 AI 模型分布式训练方面面临的巨大挑战。

“在大多数情况下，小型 AI 模型仍然是更可行的选择，不应在大型模型的热潮中过早被忽视。”

鉴于这些限制，研究人员建议，在许多场景中，较小的 AI 模型仍然是更可行的选择。在当前围绕大型模型的狂热中，切勿忽视小型模型的潜力。随着 AI 领域的演变，计算能力和网络基础设施的进步可能会解决其中一些局限性。尽管如此，目前小型 AI 模型仍能产生重大价值，在追求更大、更复杂模型的过程中不应过早将其摒弃。