Vào ngày 19/6, 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 tuệ nhân tạo (AI) để truy xuất và giải thích mã nguồn của một địa chỉ hợp đồng cụ thể.
Sau khi người dùng nhập câu hỏi, Code Reader sẽ ra một tạo phản hồi thông qua mô hình ngôn ngữ lớn của OpenAI, cung cấp và phân tích về các tệp mã nguồn của hợp đồng. Trang hướng dẫn của công cụ cho biết:
“Để sử dụng công cụ này, bạn cần một API Key hợp lệ OpenAI hợp lệ và đủ giới hạn dung lượng sử dụng của OpenAI. Công cụ này không lưu trữ API keys của bạn”.
Các trường hợp sử dụng của Code Reader bao gồm tìm hiểu về mã nguồn hợp đồng thông qua các giải thích do AI tạo ra, cung cấp danh sách đầy đủ các chức năng của hợp đồng thông minh liên quan đến dữ liệu Ethereum và hiểu cách hợp đồng tương tác với các ứng dụng phi tập trung.
“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”, trang hướng dẫn cho biết thêm.
Một mô tả của công cụ Code Reader. Nguồn: Etherscan
Trong bối cảnh cuộc cách mạng AI đang bùng nổ, 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 Singapore Foresight Ventures, “nguồn lực điện toán sẽ là chiến trường lớn tiếp theo trong thập kỷ tới”. Mặc dù nhu cầu đối với việc huấn luyện các mô hình ngôn ngữ lớn AI trong cuộc cách mạng điện toán phân tán phi tập trung ngày càng tăng, nhưng các nhà nghiên cứu cho biết các nguyên mẫu hiện tại vẫn phải đối mặt với những hạn chế đáng kể như đồng bộ hóa dữ liệu phức tạp, việc tối ưu hóa mạng, quyền riêng tư và các mối quan tâm về bảo mật dữ liệu.
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 số dấu phẩy động có độ chính xác đơn sẽ yêu cầu khoảng 700 gigabyte. Tuy nhiên, huấn luyện phân tán đòi hỏi 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 dung lượng của hầu hết các mạng. Các nhà nghiên cứu kết luận: “Trong hầu hết các trường hợp, các mô hình AI nhỏ vẫn là một lựa chọn khả thi hơn và không nên bị bỏ qua quá sớm trong làn sóng FOMO với các mô hình lớn”.
PCB Tổng hợp
