AI / LLM在加密貨幣領域有哪些應用與潛在影響？本文源自 DEFI EDUCATION 所著文章《AI in DeFi》，由 白話區塊鏈 編譯、整理。
（前情提要：加密貨幣結合AI：人工智慧將如何重塑Web3世界？ ）
（背景補充：黃仁勳預言：AI五年內可匹敵人類智慧！美國「晶片供應鏈獨立」至少10~20年 ）
正如你可能在 Twitter 上看到的那樣，我們對當前 AI / LLM 領域非常感興趣。雖然在加速研究方面仍有許多期待改進之處，但我們看到了其中的潛力。
大型語言模型（LLM）在加密貨幣領域的出現正在徹底改變非技術參與者與這一行業互動、理解和貢獻的方式。
以前，如果你不會程式設計，你就會感到徹底迷失。現在像 chatGPT 這樣的大型語言模型彌合了複雜程式語言與日常用語之間的鴻溝。這非常重要，因為加密貨幣領域主要由擁有專業技術專長的人員主導。
如果你遇到不理解的內容，或者認為某個專案故意模糊其基礎系統的真實情況，你可以詢問 chatGPT 並獲得快速、幾乎免費的答案。
DeFi 正在民主化金融獲取途徑，而大型語言模型則在民主化對 DeFi 的獲取途徑。
在今天的文章中，我們將提出一些我們認為大型語言模型對 DeFi 可能產生影響的想法。
1、DeFi 安全性
正如我們所指出的，DeFi 正在通過減少摩擦和間接成本，以及用高效的程式碼替代龐大團隊，改變金融服務。
我們已經詳細介紹了 DeFi 的發展方向。DeFi：
- 降低摩擦成本 —— 燃料費用最終將下降
- 減少間接成本，因為沒有實體位置，只有程式碼
- 減少人力成本，你已經用 100 個程式員取代了數千名銀行家
- 允許任何人提供金融服務（如貸款和市場做市）
- DeFi 是一種更精簡的運營模式，不依賴於中間人來執行。
在 DeFi 中，「交易對手風險」被軟體安全風險所取代。保護你的資產並促進你的交易的程式碼和機制不斷受到來自外部威脅的風險，這些威脅試圖竊取和利用資金。
AI，尤其是 LLMs，在自動化智慧合約的開發和審計中發揮著關鍵作用。通過分析程式碼庫並識別模式，AI（隨著時間的推移）可以發現漏洞並優化智慧合約的效能，從而減少人為錯誤，並提高 DeFi 協議的可靠性。通過將合約與已知漏洞和攻擊向量的資料庫進行對比，LLMs 可以凸顯風險區域。
一個領域 LLMs 已經是軟體安全問題可行且被接受的解決方案是幫助編寫測試套件。編寫單元測試可能很乏味，但它是軟體品質保證的重要組成部分，經常被忽視，因為爭相上市的時間過快。
然而，這也有一個「陰暗面」。如果 LLMs 可以幫助你審計程式碼，他們也可以幫助駭客在加密的開源世界中找到利用程式碼的方式。
幸運的是，加密社群中充滿了白帽，並擁有有助於減輕部分風險的賞金制度。
網路安全專業人士不主張「通過混淆來確保安全性」。相反，他們假設攻擊者已經熟悉系統的程式碼和漏洞。AI 和 LLMs 可以幫助在規模上自動檢測到不安全程式碼，特別是對於非程式設計人員。每天部署的智慧合約數量比人類能夠審計的還要多。有時為了抓住經濟機會（如挖礦），需要與新的和熱門的合約進行互動，而不必等待一段時間進行測試。
這就是像 Rug.AI 這樣的平臺的用武之地，它為你提供了對新專案針對已知程式碼漏洞的自動評估。
也許最具革命性的方面是 LLMs 幫助編寫程式碼的能力。只要使用者對其需求有基本的理解，就可以用自然語言描述他們想要的東西，而 LLMs 可以將這些描述轉換為功能程式碼。
這降低了建立基於區塊鏈的應用程式的門檻，讓更廣泛的創新者能夠為生態系統做出貢獻。
這還只是開始階段。我們個人發現 LLMs 更適合於重構程式碼，或者為初學者解釋程式碼的作用，而不是全新的專案。給你的模型提供上下文和明確的規範非常重要，否則會出現「垃圾進，垃圾出」的情況。
LLMs 還可以通過將智慧合約程式碼翻譯成自然語言，來幫助那些不懂程式設計的人。也許你不想學習程式設計，但你確實想確保你使用的協議的程式碼符合協議的承諾。
儘管我們懷疑 LLMs 無法在短期內 取代 高質量的開發人員，但開發人員可以通過 LLMs 對他們的工作進行另一輪的理性檢查。
結論？對我們所有人來說，加密變得更加簡單和安全了。只是要小心，不要過度依賴這些 LLMs。他們有時會自信地出錯。LLMs 全面理解和預測程式碼的能力仍在發展中。
2、資料分析與洞察
在加密貨幣領域收集資料時，你遲早會接觸到 Dune Analytics。如果你還沒有聽說過，Dune Analytics 是一個平臺，允許使用者建立和釋出資料分析視覺化，主要關注以太坊區塊鏈和其他相關區塊鏈。它是一個有用且使用者友好的工具，用於追蹤 DeFi 指標。
Dune Analytics 已經擁有了 GPT-4 功能，可以用自然語言解釋查詢。
如果你對某個查詢感到困惑，或者想要建立和編輯一個查詢，你可以求助於 chatGPT。請注意，如果你在同一對話中提供一些示例查詢，它的表現會更好，並且你仍然會想自己學習，以便驗證 chatGPT 的工作。然而，這是一個邊學邊問的很好方式，你可以像問導師一樣詢問 chatGPT。
延伸閱讀：DuneAI 測評：能替代「鏈上分析師」嗎？可以取得那些數據？
LLMs 大大降低了非技術加密貨幣參與者的准入門檻。
不過就洞察力而言，LLMs 在提供獨特見解方面令人失望。在複雜、理性的金融市場中，不要期望 LLMs 能給出正確答案。如果你是憑直覺和直覺行事的人，你會發現 LLMs 遠遠達不到你的期望。
然而，我們發現了一個有效的用途 —— 檢查是否漏掉了顯而易見的事情。你不太可能發現非顯而易見或與主流相悖的見解，而這些見解實際上能產生回報。這並不令人驚訝（如果有人開發了能夠帶來超高市場回報的 AI，他們不會將這部分發布給更廣泛的公眾）。
3、「Discord 管理者的消失？」
在加密貨幣領域，管理一群對某個熱門專案充滿熱情但需求多變的使用者，是一項最不受認可和痛苦的工作。許多相同的常見問題反覆被問及，有時甚至連續不斷。這似乎是一個痛點，應該可以通過 LLMs 輕鬆解決。
LLMs 在檢測訊息是否自我推廣（垃圾資訊）方面也顯示出了一定的準確性。我們期望這也可以用於檢測惡意連結（或其他駭客行為）。要管理一個有數千活躍成員並定期釋出資訊的繁忙 discord 群確實很困難，因此我們期待一些由 LLMs 支援的 Discord 機器人能提供幫助。
4、「異想天開的事情」
加密貨幣領域經常出現的一個梗是基於熱門化的迷因推出貨幣。這些範圍從像 DOGE、SHIB 和 PEPE 這樣有持久力的迷因，到基於當天熱搜詞而在一個小時內消失的隨機貨幣（主要是詐騙，我們避免參與）。
延伸閱讀：查理蒙格去世後，蒙格迷因幣 Munger 狂漲 300 倍！隔日卻暴跌歸零
如果你有能力訪問 Twitter Firehose API，你可以即時追蹤加密貨幣的情緒，並訓練一個 LLM 來標記趨勢，然後使用人類來解釋其中的細微差別。一個簡單的應用示例是，當有病毒式時刻出現時，你可以根據情緒分析推出迷因貨幣。
也許有方法可以構建一個類似窮人版情緒抓取器，它監控跨多個社交媒體渠道的一部分受歡迎的加密貨幣影響者，而無需處理「火箭噴射」型別的 API 資料來源的成本和頻寬。
LLMs 在這方面非常適合，因為它們可以深入瞭解語境（解析線上上的諷刺和惡搞，從而得出真實的見解）。這個 LLM 夥伴將與加密行業一起進化和學習，在加密 Twitter 上討論大部分行動的地方。加密行業以其公開辯論論壇和開源技術，為 LLMs 捕捉市場機會提供了獨特的環境。
但是，為了避免被有意的社交媒體操控所愚弄，這項技術需要更加複雜：人工草根運動、未公開的贊助和網路水軍。在另一篇文章中，我們涵蓋了一份有趣的第三方研究報告，暗示一些實體可能有意識地操縱社交媒體，以增加與 FTX/Alameda 相關的加密專案的價值。
NCRI 分析顯示，類似機器人的帳戶在提及 FTX 上市幣種的線上討論中佔據相當大比例（約為 20%）。
這種機器人般的活動預示著資料樣本中許多 FTX 幣種的價格。
在 FTX 的推廣之後，這些幣種的活動隨時間增長變得越來越不真實：不真實、機器人式評論的比例穩步增長，佔據了總討論量的大約 50%。
相關報導
Tether執行長抨擊：中心化AI是全球最大陷阱，ChatGPT肆意竊取用戶隱私
快訊》ChatGPT支付奧特曼重掌OpenAI執行長寶座！將成立新董事會
Circle創辦人轉發！開發者用 ChatGPT 創建「個人自動化銀行」: AI 串接 Web3 多簽錢包、管理USDC投資組
