Etherscan ra mắt bộ công cụ Code Reader tích hợp AI

Vào ngày 19 tháng 6, Etherscan, nền tảng phân tích và khám phá khối Ethereum, đã ra mắt công cụ mới có tên là "Code Reader" sử dụng trí tuệ nhân tạo để truy xuất và giải thích mã nguồn của một địa chỉ hợp đồng cụ thể.

🆕 Code Reader (Beta)

Leverage the power of AI to seamlessly learn about any smart contract source code! ✨ pic.twitter.com/GTbULisudk

— Etherscan (@etherscan) June 19, 2023

Sau khi người dùng nhập câu hỏi, Code Reader sẽ tạo ra một phản hồi thông qua mô hình ngôn ngữ lớn của OpenAI, cung cấp thông tin về các tệp mã nguồn của hợp đồng. Trang hướng dẫn của công cụ cho biết:

"Để sử dụng công cụ này, bạn cần có một API Key hợp lệ từ OpenAI và đủ giới hạn sử dụng của OpenAI. Công cụ này không lưu trữ API keys của bạn."

Các trường hợp sử dụng của Code Reader bao gồm hiểu rõ hơn về mã nguồn hợp đồng thông qua các giải thích do trí tuệ nhân tạo tạo ra, thu thập danh sách toàn diện các chức năng của hợp đồng thông minh liên quan đến dữ liệu Ethereum và hiểu cách hợp đồng gốc tương tác với các ứng dụng phi tập trung.

Trang hướng dẫn cho biết thêm:

 "Sau khi nhận được các tệp mã nguồn của hợp đồng, bạn có thể chọn một tệp mã nguồn cụ thể để đọc. Thêm vào đó, bạn có thể sửa đổi mã nguồn trực tiếp trong giao diện người dùng trước khi chia sẻ với trí tuệ nhân tạo”.

Trong bối cảnh cuộc cách mạng trí tuệ nhân tạo, một số chuyên gia đã cảnh báo về khả năng thực hiện của các mô hình trí tuệ nhân tạo hiện tại. Theo một báo cáo gần đây được công bố bởi công ty mạo hiểm vốn đầu tư Singapore Foresight Ventures, "tài nguyên năng lượng tính toán sẽ là chiến trường lớn tiếp theo trong thập kỷ tới." Tuy nhiên, mặc dù có nhu cầu ngày càng tăng về việc huấn luyện các mô hình trí tuệ nhân tạo lớn trong các mạng tính toán phân tán phi tập trung, các nhà nghiên cứu cho biết các nguyên mẫu hiện tại đối mặt với rào cản đáng kể như đồng bộ hóa dữ liệu phức tạp, tối ưu hóa mạng, quyền riêng tư và vấn đề an ninh dữ liệu.

Một ví dụ, các nhà nghiên cứu của Foresight đã lưu ý rằng việc huấn luyện một mô hình lớn với 175 tỷ tham số với biểu diễn số dấu phẩy động có độ chính xác đơn sẽ yêu cầu khoảng 700 gigabyte. Tuy nhiên, huấn luyện phân tán yêu cầu các tham số này được truyền và cập nhật thường xuyên giữa các nút tính toán. Trong trường hợp có 100 nút tính toán và mỗi nút cần cập nhật tất cả các tham số ở mỗi bước đơn vị, mô hình sẽ yêu cầu truyền dữ liệu 70 terabyte mỗi giây, vượt quá khả năng của hầu hết các mạng. Các nhà nghiên cứu tổng kết:

"Trong hầu hết các tình huống, các mô hình trí tuệ nhân tạo nhỏ vẫn là lựa chọn khả thi hơn và không nên bị bỏ qua quá sớm trong làn sóng FOMO với các mô hình lớn."