Etherscan ra mắt Trình đọc mã được hỗ trợ bởi AI

Công cụ này cho phép người dùng truy xuất và giải thích mã nguồn của một địa chỉ hợp đồng cụ thể thông qua lời nhắc AI.

Vào ngày 19 tháng 6, nền tảng phân tích và khám phá khối Ethereum Etherscan đã ra mắt một công cụ mới có tên là “Code Reader” sử dụng trí thông minh nhân tạo để truy xuất và diễn giải mã nguồn của một địa chỉ hợp đồng cụ thể. Sau khi người dùng nhập lời nhắc, Code Reader sẽ tạo phản hồi thông qua mô hình ngôn ngữ lớn của OpenAI, cung cấp thông tin chi tiết về các tệp mã nguồn của hợp đồng. Trang hướng dẫn của công cụ đọc : 

“Để sử dụng công cụ này, bạn cần có Khóa API OpenAI hợp lệ và đủ giới hạn sử dụng OpenAI. Công cụ này không lưu trữ các khóa API của bạn.”

Các trường hợp sử dụng của Code Reader bao gồm hiểu sâu hơn về mã của hợp đồng thông qua các giải thích do AI tạo ra, có được danh sách đầy đủ các chức năng hợp đồng thông minh liên quan đến dữ liệu Ethereum và hiểu cách hợp đồng cơ bản tương tác với các ứng dụng phi tập trung. “Khi các tệp hợp đồng được truy xuất, bạn có thể chọn một tệp mã nguồn cụ thể để đọc qua. Ngoài ra, bạn có thể sửa đổi mã nguồn trực tiếp bên trong giao diện người dùng trước khi chia sẻ nó với AI,” trang này cho biết.

Trong bối cảnh bùng nổ AI, một số chuyên gia đã cảnh báo về tính khả thi của các mô hình AI hiện tại. Theo một báo cáo gần đây được công bố bởi công ty đầu tư mạo hiểm Foresight Ventures của Singapore, “tài nguyên năng lượng điện toán sẽ là chiến trường lớn tiếp theo trong thập kỷ tới”. Điều đó nói rằng, mặc dù nhu cầu đào tạo các mô hình AI lớn trong các mạng điện toán phân tán phi tập trung ngày càng tăng, các nhà nghiên cứu cho biết các nguyên mẫu hiện tại phải đối mặt với những hạn chế đáng kể như đồng bộ hóa dữ liệu phức tạp, tối ưu hóa mạng, quyền riêng tư dữ liệu và các vấn đề bảo mật.

Trong một ví dụ, các nhà nghiên cứu của Foresight lưu ý rằng việc đào tạo một mô hình lớn với 175 tỷ tham số với biểu diễn dấu phẩy động có độ chính xác đơn sẽ cần khoảng 700 gigabyte. Tuy nhiên, đào tạo phân tán yêu cầu các tham số này phải 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 70 terabyte dữ liệu mỗi giây, vượt xa khả năng của hầu hết các mạng. Các nhà nghiên cứu tóm tắt:

“Trong hầu hết các tình huống, các mô hình AI nhỏ vẫn là một lựa chọn khả thi hơn và không nên bỏ qua quá sớm trước làn sóng FOMO [sợ bỏ lỡ] trên các mô hình lớn.”