IOSG VenturesLLM如何开启区块链互动新可能，点亮区块链星火

区块链与大型语言模型(LLM)融合的美好未来，已被许多Web3用户幻想千百遍，但本篇将用实际眼光预测 8 个特定领域的应用。
（前情提要：IOSG Ventures：解放以太坊效能，如何打破EVM瓶颈？ ）
（背景补充：V 神评论 AI：可提升人类创造力，是史上最重要的转变；更多在赋能而非取代 ）

本文目录

• 利用 LLM 分析交易记录
• 利用 LLM 增强安全性
• 利用 LLM 编写程式码
• 利用 LLM 阅读程式码
• 利用 LLM 帮助社群
• 利用 LLM 追踪市场
• 利用 LLM 分析专案
• 结论

欢迎来到我们的大型语言模型（LLM）与区块链研究系列的第二篇文章。在上一篇文章中，我们从技术层面讨论了如何将 LLM 与区块链技术整合的，以及为何 LLM框架非常适合区块链领域。我们还勾勒了未来将 LLM 与区块链融合的潜在路径。

在这篇文章中，我们将采用更加实际的方法，深入探讨八个特定的应用领域，我们相信这些应用将极大地改变区块链使用者体验。更加令人兴奋的是，我们预测这些突破性的应用将在接下来的一年内变为现实。

**将内建的人工智慧 / LLM 功能整合到区块链中

区块链将内建人工智慧功能和模型。开发人员可以访问人工智慧函式，在链上执行分类、回归、文字补全和 AIGC 等签名式 ML任务。开发者可以通过智慧合约呼叫这些人工智慧功能。

有了这些内建功能，开发人员就能为他们的智慧合约赋予智慧和自主权。分类、回归和 AIGC是典型的人工智慧任务。让我们看看这些功能在区块链领域的应用以及几个示例专案。

分类

分类可用于确定地址是机器人还是真人。这可以改变当前的 NFT 销售情况。分类还可以提高 DeFi 生态系统的安全性。DeFi智慧合约可以过滤恶意交易，防止资金流失。

回归（Regression)

回归分析可以用于预测，应用于基金和资产管理。Numer.ai 已经使用人工智慧来帮助他们管理资金。Numer提供高质量的股市资料，资料科学家在这些资料的基础上进行工作，并应用机器学习来预测股市。

AIGC

许多 NFT 专案都试图构建一个 IP 宇宙。然而，它们有限的内容无法支撑一个宇宙。如果我们可以在链上使用 AIGC，以相对较低的成本输出无数具有类似的标志性品牌风格的内容。模型可以输出文字、插图、音乐、声音甚至视讯。这大大扩容了 IP宇宙的规模。社群参与者可以共同对模型进行微调，以满足他们的期望。微调过程也让社群有参与感。

Botto 使用 AIGC 模型来生成艺术内容。社群对他们最喜欢的影像进行投票，以共同微调 AIGC 模型。

如果我们将区块链视为一个资料库，我们还发现 Databend 将内建的人工智慧功能整合到他们的资料库中。他们提供以下功能：

为区块链提供 AI 能力

我们知道，一些专案正在为区块链提供 AI 能功能。

Giza 正致力于 ZKML 方面的工作。它在链外生成推理证明，并在链上进行验证。它现在支援与以太坊虚拟机器相容的区块链以及 StarkNet。Giza最近宣布与 Yearn.finance 达成了合作伙伴关系，Yearn 将利用 Giza 的人工智慧功能来提升其风险评估能力。

Modulus Labs也在类似的方向上进行工作。他们更加努力地改进证明系统，以生成用于人工智慧的高效能电路。他们释出了诸如国际象棋人工智慧和以太坊价格预测人工智慧等演示。他们的新演示专案 zkMon 是全球第一个经过零知识证明的生成对抗网路 NFT 收藏品。

利用 LLM 分析交易记录

分析交易记录通常由特定的应用程式（如 Debank）完成。人工手动分析交易记录很困难。手动分析涉及资料收集、资料清洗和资料分析，这要求使用者需要具备编码能力。因为 LLM能分析和视觉化资料的能力，我们现在有了一种新的方法。 通过 LLM，我们可以根据订制需求分析链上资料 。我们可以分析胜率、效能比，或者任何我们想要了解的资讯。

RSS3 开发了一个名为 Web3 使用者活动的 ChatGPT 外挂，以致力于向这个方向发展。使用者可以输入钱包地址、ENS 或 Lens来查询链上活动。该外挂将以人类可读的方式输出交易资讯。然而可惜的是它不能执行复杂的查询，比如有多少 Azuki持有者，哪些智慧合约最热门等。使用者还应该注意，外挂提供的地址和标签不一定准确。

DeFiLlama 也释出了一个 ChatGPT 外挂。使用者可以用自然语言查询在 DeFiLlama 上可用的任何资料。它还可以执行简单的筛选和排序操作：

Dune 也在将 GPT 整合到其产品中，以实现以下功能：

利用 LLM 增强安全性

由于具备逻辑和推理能力，LLM 可以用于过滤一些恶意交易，充当智慧合约的防火墙。以下是一个具体的示例，展示如何阻止机器人活动：

在输入地址后，LLM 可以通过第三方外挂获取所有的交易资料，随后分析这些交易记录，并拟出地址是机器人的可能性。这个功能可以嵌入到不欢迎机器人的 Dapps中，比如 NFT sales。

以下是一个通过 ChatGPT 的简单示例。ChatGPT 通过 RSS3 开发的 Web3使用者活动外挂检索帐户的交易记录，然后分析这些交易记录，并输出帐户是机器人的可能性。

如果我们输入更多的交易记录，并在与机器人相关的资料集上对 LLM进行微调，我们就可以获得更准确的结果。以下是这类应用的一个示例工作流程。我们还可以新增快取和资料库层，以提高响应速度并降低成本。

利用 LLM 编写程式码

LLM 在开发中被广泛用于帮助开发人员更快、更好地编写程式码。根据开发人员的指示，LLM 可以为他们生成程式码。目前，开发人员仍然需要为 LLM提供详细的指示。LLM 很难自动生成整个专案的程式码。

一些流行的用于程式码的 LLM 模型包括 StarCoder、StarCoder+、CodeT5、LTM、DIDACT、WizardCoder、FalCoder-7B 和 MPT30B。

所有这些模型都可以用于编写智慧合约，但它们可能并未专门在智慧合约资料上进行训练。它们仍有改进的空间。

目前，在 HuggingFace 上只有一个与智慧合约相关的资料集可用。它是更狡猾的被审计的智慧合约集，包含 11.3万个智慧合约。它可用于文字分类、文字生成和漏洞检测等任务。

与协助开发工具相比，自动程式码生成可能更具有前景。自动程式码生成适用于智慧合约，因为智慧合约相对较短且相对简单。LLM在区块链领域中有几种方式可以帮助开发人员自动生成程式码。

测试

首先，LLM 可以为编写良好的智慧合约生成测试。如 Codium 可以自动生成已编写专案的测试。Codium 目前支援 JS 和 TS。Codium首先理解程式码库，分析每个函式、文件字串和注释。然后，Codium将程式码分析作为注释写回档案，并输出一个测试计划。使用者可以选择他们喜欢的测试，Codium 将生成所选的测试程式码。

其他辅助工具也支援为选定的功能生成测试。

我们可以按照类似的步骤在 GPT-4 上复制类似的功能。

我们首先要求进行程式码分析，是因为我们希望 LLM 在这个任务上花费更多的时间。LLM并不知道哪些任务是困难的。它会在每个标记上投入相同的计算能力。这可能会导致在复杂任务上产生不准确的结果。基于这些特点，我们要求进行程式码分析。这样，LLM将花费更多的标记 / 时间来思考这些任务，并输出更高质量的结果。这种方法也被称为 "思维链"。

为了让它适用于更长的智慧合约，我们需要一个具有更大上下文的 LLM，或者采用一些工程设计来保留记忆。

生成辅助指令码

其次， 我们可以使用 LLM 自动生成一些辅助指令码，例如部署指令码 。

部署指令码可以减少在手动部署过程中出现的潜在错误。这个想法与自动生成测试非常类似。

自动分叉

在牛市中会出现许多分叉专案，团队会从其原始程式码库中进行少量程式码的更改。这将是 LLM 的一个很好的用例： LLM可以帮助开发人员根据团队的需求自动修改程式码。通常只需要更改程式码的特定部分。这对于 LLM 来说相对容易实现。

自动生成程式码

如果我们再迈进一步，LLM 是否可以根据开发人员的需求自动生成智慧合约呢？与其他使用 JS、Rust 和 Python编写的复杂软体相比，智慧合约相对较短且相对简单。智慧合约没有太多外部库。 对 LLM 来说，弄清楚如何编写智慧合约相对更容易。

我们已经看到了一些自动程式码生成方面的进展。GPT-engineer 是其中之一的先驱。它会满足使用者的需求，并解答 LLM的任何疑问，然后开始编码。程式码还包括一个可以执行整个专案的指令码。GPT-engineer 可以自动为开发人员启动专案。

使用者输入他们的需求后，GPT-engineer 会分析需求并要求进行一些澄清。在收集所有必要资讯之后，GPT-engineer将首先输出程式的设计，包括此任务所需的核心类、函式和方法。然后，GPT-engineer 将为每个档案生成程式码。

通过类似这样的提示，我们可以生成一个计数器智慧合约。智慧合约可以通过编译并按预期工作。

因为 GPT-engineer 最初是为 Python 设计的，所以在生成与 Hardhat 相关的程式码时存在一些问题。GPT-engineer 不知道 Hardhat 的最新版本，有时会生成过时的测试和部署指令码。

如果我们的程式码有 bug，我们可以将程式码库和控制台错误日志提供给 LLM。LLM 可以不断修改程式码，直到程式码能够成功执行。我们看到了类似 这样的专案正在朝这个方向发展。目前，flo 仅支援 JS。

如果我们想要提高智慧合约生成的准确性，我们可以通过一些新的提示来改进 GPT-engineer。我们可以采用测试驱动开发的方式，要求 LLM确保程式通过一定的测试，从而更好地约束生成的程式。

利用 LLM 阅读程式码

由于 LLM 可以很好地理解程式码， 我们可以使用 LLM 来编写开发者文件 。LLM还可以追踪程式码变化，以更新文件。我们在上一篇研究报告《Exploring Developer Experience on ZKRUs: An In- Depth Analysis》的末尾讨论过这种方法。

阅读文件是传统方式，而与程式码交流是一种新的方法。使用者可以就程式码提出任何问题，LLM 会回答使用者的问题。 LLM可以为开发人员解释程式码，帮助他们快速理解链上的智慧合约。LLM 还可以帮助没有程式码经验的人理解智慧合约。

我们在 Web2 世界中已经看到了这种趋势。许多程式码协助工具都具备程式码解释功能。

Etherescan 也展示了其新功能，使用者可以与程式码进行交流，利用 LLM 的能力。

延伸阅读：Etherscan推出程式码AI帮手，5分钟了解实际操作

在能理解程式码的情况下，审计会怎么改变？ 在论文《do you still need a manual smart contractaudit》的实验中，LLM 在识别漏洞方面达到了 40% 的命中率，优于随机基准。然而，他们也有很高的误报率。作者指出，适当的提示是关键。

除了提示外，还有以下原因限制了其应用：

这些问题并不难解决。大型审计公司拥有数千份审计报告，可以用来微调 LLM。带有大令牌限制的 LLM 正在出现。Claude 有 10 万个令牌限制。新发布的 LTM-1 具有令人瞩目的 500 万个令牌限制。通过解决这两个问题的努力，我们可能会看到 LLM 将可以更好地识别漏洞。LLM可以协助审计师并加速审计流程。这可能会逐步发展。以下是可能的发展轨迹：

利用 LLM 帮助社群

治理是社群的关键部分。社群成员有权为自己喜欢的提案投票。这些提案将塑造产品的未来。

对于重要的提案，会有许多背景资讯和社群讨论。在投票之前，社群成员很难全都理解这个背景。 LLM可以帮助社群成员快速了解他们的选择对未来的影响，并帮助他们投票。

问答机器人是另一个潜在的应用。我们已经看到基于专案文件的问答机器人。我们可以进一步建立一个更大的知识资料库。 我们可以插入不同的媒体和来源，比如简报、Podcast、GitHub、Discord 聊天和 TwitterSpace。问答机器人不仅存在于文件搜寻栏中，还可以在 Discord 上为社群成员提供即时支援，或者在 Twitter 上传播专案的愿景并回答任何问题。

AwesomeQA 目前正在朝这个方向发展。它实现了三个功能：

目前问答机器人面临的难点之一是如何准确地从向量资料库中获取相关上下文，并将上下文提供给 LLM。例如，如果使用者要求对多个元素进行多个特征的带有过滤条件的查询，机器人可能无法从向量资料库中检索相关的上下文。

更新向量资料库是另一个问题。目前的解决方案是重新构建向量资料库，或者通过名称空间来更新向量资料库。向嵌入新增名称空间类似于在资料上附加标签。这可以帮助开发人员更容易地找到和更新相应的嵌入。

利用 LLM 追踪市场

市场变化很大，每天都会发生许多事情。例如 KOL（关键意见领袖）释出新的想法和思考，新闻简报和产品电子邮件涌入您的邮箱。 LLM可以为您选择最重要的想法和新闻。它还可以总结内容以缩短您的阅读时间，并帮助您跟上市场动态 。

minmax.ai ：致力于新闻领域。他们为特定主题的最新新闻提供摘要，还提供关于该主题的情感分析。

Boring reports： 从新闻中剔除耸动内容，专注于重要细节，帮助读者做出正确决策。

机器人谘询是当前最热门的领域之一。LLM 可以推动机器人谘询的使用。 LLM 可以提供交易建议，帮助使用者根据股票资讯作为背景管理投资组合 。

像 Numer.ai 这样的专案使用 AI 来预测市场并管理基金。还有由 LLM 管理的投资组合。使用者可以在 Robinhood 上关注这些投资组合。

Composer 带来了具有 AI 的交易演算法。AI 基于使用者的见解构建特定的交易策略。然后 AI将自动对这些交易策略进行回测。如果使用者对策略满意，Composer 可以自动为使用者执行这些策略。

利用 LLM 分析专案

分析专案通常涉及阅读大量的材料和撰写长篇研究论文。LLM 可以阅读和撰写短段落。如果我们可以扩充套件其对长段落的能力，这是否意味着 LLM可以以某种方式输出一些专案研究呢？很可能是的。 我们可以输入白皮书、文件或活动演示，让 LLM 分析专案和 founder。 受到代币数量的限制，我们可以首先写出论文的大纲，然后根据其获取的资讯更新优化每个部分。

像 BabyAGI 这样的专案已经在这个方向上取得了进展。以下是 BlockAGI 的示例输出，它是 BabyAGI 的一个变种。

LLM 也可以基于 Twitter 和公开演讲来分析 founder 的个性。例如，Tweet 分析器可以获取最近的推文，并使用 LLM 来分析个人特质。

结论

**LLM 可以惠及加密领域的所有成员 ，包括专案所有者、分析师和工程师。创办人可以使用 LLM 自动化档案和问答等任务。工程师可以使用 LLM更快、更安全地编写程式码。分析师可以更轻松地研究专案。

从长远来看，我们还找到了在 GameFi 领域应用 LLM 的潜在机会。LLM可以在游戏中生成更有趣的任务，并在游戏中扮演不同的角色。游戏中的世界会感觉更加真实和有趣。NPC将根据玩家的动作进行动态反应。任务将根据使用者的解决方式具有更多结局。

LLM 可以整合到现有专案中，但也为新进入者提供了机会 。例如，在链上资料分析领域已经有一些顶尖玩家。Dune 可以整合 LLM来改善使用者体验。然而，LLM 也为新进入者提供了机会。这些新进入者可以将 LLM 置于其产品设计的核心位置。这些以 AI 为先导、以 AI为中心的创意产品可能会为链上资料分析领域带来新的竞争。

LLM 在 Web2 和 Web3 世界中的用途有重合之处，但它们可能会以不同的方式实现产品。 因为我们在 Web3 世界中使用的资料与 Web2世界中的资料不同。LLM 的知识库在 Web2 和 Web3 中也可能不同。Web3 资料涉及区块链、代币价格、推文、专案和研究成果。因此，Web2 和 Web3 需要不同的 LLM 来为终端使用者提供服务。

由于 LLM 的繁荣，我们看到了 AIxBlockchain 的日益流行。然而，很多 AIxBlockhain 在短时间内并不实际。 区块链和零知识证明无法为一些复杂模型提供大规模的计算能力来进行训练和推理。 小模型无法解决复杂的任务。更实际的方法是在区块链领域应用 LLM。LLM最近取得了比其他 AI 主题更大的进展。 将 LLM 和区块链结合起来更加合理。

LLM 社群正在努力改进代币限制和提高响应准确性。留给区块链社群的是资料来源和资料管道。经过清洗的资料可以用于微调 LLM，以提高在区块链环境下的准确性。资料管道可以将更多的区块链相关应用整合到 LLM 中，并开发更多的加密特定代理。

📍相关报导📍

IOSG研究报告》Web3游戏引擎的「网路聚合效应」

LK Venture研报：Layer3能否带来应用链生态的大爆发？

币安研究报告》RWA现实资产市场现状、相关专案进展