DeFi 中的人工智能

AI / LLM 在加密货币领域有哪些应用和潜在影响？

撰文：DEFI EDUCATION

翻译：白话区块链

正如你可能在 Twitter 上看到的那样，我们对当前 AI / LLM 领域非常感兴趣。虽然在加速研究方面仍有许多期待改进之处，但我们看到了其中的潜力。

大型语言模型（LLM）在加密货币领域的出现正在彻底改变非技术参与者与这一行业互动、理解和贡献的方式。

以前，如果你不会编程，你就会感到彻底迷失。现在像 chatGPT 这样的大型语言模型弥合了复杂编程语言与日常用语之间的鸿沟。这非常重要，因为加密货币领域主要由拥有专业技术专长的人员主导。

如果你遇到不理解的内容，或者认为某个项目故意模糊其基础系统的真实情况，你可以询问 chatGPT 并获得快速、几乎免费的答案。

DeFi 正在民主化金融获取途径，而大型语言模型则在民主化对 DeFi 的获取途径。

在今天的文章中，我们将提出一些我们认为大型语言模型对 DeFi 可能产生影响的想法。

1、DeFi 安全性

正如我们所指出的，DeFi 正在通过减少摩擦和间接成本，以及用高效的代码替代庞大团队，改变金融服务。

我们已经详细介绍了 DeFi 的发展方向。DeFi：

• 降低摩擦成本——燃料费用最终将下降
• 减少间接成本，因为没有实体位置，只有代码
• 减少人力成本，你已经用 100 个程序员取代了数千名银行家
• 允许任何人提供金融服务（如贷款和市场做市）
• DeFi 是一种更精简的运营模式，不依赖于中间人来执行。

在 DeFi 中，「交易对手风险」被软件安全风险所取代。保护你的资产并促进你的交易的代码和机制不断受到来自外部威胁的风险，这些威胁试图窃取和利用资金。

AI，尤其是 LLMs，在自动化智能合约的开发和审计中发挥着关键作用。通过分析代码库并识别模式，AI（随着时间的推移）可以发现漏洞并优化智能合约的性能，从而减少人为错误，并提高 DeFi 协议的可靠性。通过将合约与已知漏洞和攻击向量的数据库进行对比，LLMs 可以凸显风险区域。

一个领域 LLMs 已经是软件安全问题可行且被接受的解决方案是帮助编写测试套件。编写单元测试可能很乏味，但它是软件质量保证的重要组成部分，经常被忽视，因为争相上市的时间过快。

然而，这也有一个「阴暗面」。如果 LLMs 可以帮助你审计代码，他们也可以帮助黑客在加密的开源世界中找到利用代码的方式。

幸运的是，加密社区中充满了白帽，并拥有有助于减轻部分风险的赏金制度。

网络安全专业人士不主张「通过混淆来确保安全性」。相反，他们假设攻击者已经熟悉系统的代码和漏洞。AI 和 LLMs 可以帮助在规模上自动检测到不安全代码，特别是对于非编程人员。每天部署的智能合约数量比人类能够审计的还要多。有时为了抓住经济机会（如挖矿），需要与新的和热门的合约进行互动，而不必等待一段时间进行测试。

这就是像 Rug.AI 这样的平台的用武之地，它为你提供了对新项目针对已知代码漏洞的自动评估。

也许最具革命性的方面是 LLMs 帮助编写代码的能力。只要用户对其需求有基本的理解，就可以用自然语言描述他们想要的东西，而 LLMs 可以将这些描述转换为功能代码。

这降低了创建基于区块链的应用程序的门槛，让更广泛的创新者能够为生态系统做出贡献。

这还只是开始阶段。我们个人发现 LLMs 更适合于重构代码，或者为初学者解释代码的作用，而不是全新的项目。给你的模型提供上下文和明确的规范非常重要，否则会出现「垃圾进，垃圾出」的情况。

LLMs 还可以通过将智能合约代码翻译成自然语言，来帮助那些不懂编程的人。也许你不想学习编程，但你确实想确保你使用的协议的代码符合协议的承诺。

尽管我们怀疑 LLMs 无法在短期内 取代 高质量的开发人员，但开发人员可以通过 LLMs 对他们的工作进行另一轮的理性检查。

结论？对我们所有人来说，加密变得更加简单和安全了。只是要小心，不要过度依赖这些 LLMs。他们有时会自信地出错。LLMs 全面理解和预测代码的能力仍在发展中。

 

2、数据分析与洞察

在加密货币领域收集数据时，你迟早会接触到 Dune Analytics。如果你还没有听说过，Dune Analytics 是一个平台，允许用户创建和发布数据分析可视化，主要关注以太坊区块链和其他相关区块链。它是一个有用且用户友好的工具，用于跟踪 DeFi 指标。

Dune Analytics 已经拥有了 GPT-4 功能，可以用自然语言解释查询。

如果你对某个查询感到困惑，或者想要创建和编辑一个查询，你可以求助于 chatGPT。请注意，如果你在同一对话中提供一些示例查询，它的表现会更好，并且你仍然会想自己学习，以便验证 chatGPT 的工作。然而，这是一个边学边问的很好方式，你可以像问导师一样询问 chatGPT。

LLMs 大大降低了非技术加密货币参与者的准入门槛。

不过就洞察力而言，LLMs 在提供独特见解方面令人失望。在复杂、理性的金融市场中，不要期望 LLMs 能给出正确答案。如果你是凭直觉和直觉行事的人，你会发现 LLMs 远远达不到你的期望。

然而，我们发现了一个有效的用途——检查是否漏掉了显而易见的事情。你不太可能发现非显而易见或与主流相悖的见解，而这些见解实际上能产生回报。这并不令人惊讶（如果有人开发了能够带来超高市场回报的 AI，他们不会将这部分发布给更广泛的公众）。

3、「Discord 管理者的消失？」

在加密货币领域，管理一群对某个热门项目充满热情但需求多变的用户，是一项最不受认可和痛苦的工作。许多相同的常见问题反复被问及，有时甚至连续不断。这似乎是一个痛点，应该可以通过 LLMs 轻松解决。

LLMs 在检测消息是否自我推广（垃圾信息）方面也显示出了一定的准确性。我们期望这也可以用于检测恶意链接（或其他黑客行为）。要管理一个有数千活跃成员并定期发布信息的繁忙 discord 群确实很困难，因此我们期待一些由 LLMs 支持的 Discord 机器人能提供帮助。

4、「异想天开的事情」

加密货币领域经常出现的一个梗是基于热门化的迷因推出货币。这些范围从像 DOGE、SHIB 和 PEPE 这样有持久力的迷因，到基于当天热搜词而在一个小时内消失的随机货币（主要是诈骗，我们避免参与）。

如果你有能力访问 Twitter Firehose API，你可以实时跟踪加密货币的情绪，并训练一个 LLM 来标记趋势，然后使用人类来解释其中的细微差别。一个简单的应用示例是，当有病毒式时刻出现时，你可以根据情绪分析推出迷因货币。

也许有方法可以构建一个类似穷人版情绪抓取器，它监控跨多个社交媒体渠道的一部分受欢迎的加密货币影响者，而无需处理「火箭喷射」类型的 API 数据源的成本和带宽。

LLMs 在这方面非常适合，因为它们可以深入了解语境（解析在线上的讽刺和恶搞，从而得出真实的见解）。这个 LLM 伙伴将与加密行业一起进化和学习，在加密 Twitter 上讨论大部分行动的地方。加密行业以其公开辩论论坛和开源技术，为 LLMs 捕捉市场机会提供了独特的环境。

但是，为了避免被有意的社交媒体操控所愚弄，这项技术需要更加复杂：人工草根运动、未公开的赞助和网络水军。在另一篇文章中，我们涵盖了一份有趣的第三方研究报告，暗示一些实体可能有意识地操纵社交媒体，以增加与 FTX/Alameda 相关的加密项目的价值。

NCRI 分析显示，类似机器人的账户在提及 FTX 上市币种的在线讨论中占据相当大比例（约为 20%）。

这种机器人般的活动预示着数据样本中许多 FTX 币种的价格。

在 FTX 的推广之后，这些币种的活动随时间增长变得越来越不真实：不真实、机器人式评论的比例稳步增长，占据了总讨论量的大约 50%。