IOSG Ventures: LLM تمكن blockchain من فتح حقبة جديدة من التجربة على السلسلة

بقلم: Yiping، IOSG Ventures

اكتب في المقدمة

• مع ازدهار نموذج اللغة الكبيرة (LLM) ، نرى أن العديد من المشاريع تدمج الذكاء الاصطناعي (AI) و blockchain. يتزايد الجمع بين LLM و blockchain ، ونرى أيضًا فرصًا للذكاء الاصطناعي لإعادة التكامل مع blockchain. أحد الأشياء الجديرة بالذكر هو التعلم الآلي بدون معرفة (ZKML).
• الذكاء الاصطناعي و blockchain هما تقنيتان تحويليتان لهما خصائص مختلفة اختلافًا جوهريًا. يتطلب الذكاء الاصطناعي قوة حاسوبية قوية ، والتي يتم توفيرها عادة من قبل مراكز البيانات المركزية. بينما يوفر blockchain الحوسبة اللامركزية وحماية الخصوصية ، فإنه لا يعمل بشكل جيد في مهام الحوسبة والتخزين على نطاق واسع. ما زلنا نستكشف ونبحث عن أفضل ممارسات الذكاء الاصطناعي وتكامل blockchain ، وسنقدم بعض حالات المشاريع الحالية التي تجمع بين "AI + blockchain" في المستقبل.

.

المصدر: IOSG Ventures

ينقسم هذا التقرير البحثي إلى جزأين ، هذا المقال هو الجزء العلوي ، وسوف نركز على تطبيق LLM في مجال التشفير ومناقشة استراتيجية التطبيق.

ما هو ماجستير؟

LLM (نموذج اللغة الكبيرة) هو نموذج لغة محوسب يتكون من شبكة عصبية اصطناعية مع عدد كبير من المعلمات (عادةً المليارات). يتم تدريب هذه النماذج على كميات كبيرة من النصوص غير المسماة.

حوالي عام 2018 ، أحدث ولادة LLM ثورة في أبحاث معالجة اللغة الطبيعية. على عكس الأساليب السابقة التي تتطلب تدريب نموذج محدد خاضع للإشراف لمهمة محددة ، فإن LLM ، كنموذج عام ، تؤدي أداءً جيدًا في مجموعة متنوعة من المهام. تشمل إمكانياته وتطبيقاته ما يلي:

• فهم النص وتلخيصه: يمكن لـ LLM فهم وتلخيص كميات كبيرة من البيانات اللغوية والنصية البشرية. يمكنهم استخراج المعلومات الأساسية وإنشاء ملخصات موجزة.
• إنشاء محتوى جديد: تتمتع LLM بالقدرة على إنشاء محتوى نصي. من خلال إدخاله في النموذج ، يمكنه الإجابة على الأسئلة أو النص الذي تم إنشاؤه حديثًا أو التلخيص أو تحليل المشاعر.
• الترجمة: يمكن استخدام LLM للترجمة بين لغات مختلفة. يستخدمون خوارزميات التعلم العميق والشبكات العصبية لفهم السياق والعلاقات بين الكلمات.
• توقع نص وإنشاءه: يمكن لـ LLM توقع نص وإنشاءه بناءً على السياق ، على غرار المحتوى الذي ينشئه الإنسان ، بما في ذلك الأغاني والقصائد والقصص والمواد التسويقية وما إلى ذلك.
• التطبيق في مجالات مختلفة: نماذج اللغات الكبيرة لها تطبيقات واسعة في مهام معالجة اللغة الطبيعية. يتم استخدامها في الذكاء الاصطناعي للمحادثة ، وروبوتات الدردشة ، والرعاية الصحية ، وتطوير البرامج ، ومحركات البحث ، والدروس الخصوصية ، وأدوات الكتابة ، وغيرها الكثير.

تشمل نقاط قوة LLM قدرتها على فهم كميات كبيرة من البيانات ، وقدرتها على أداء مهام متعددة متعلقة باللغة ، وقدرتها على تخصيص النتائج لاحتياجات المستخدم.

تطبيقات نماذج اللغة الشائعة واسعة النطاق

نظرًا لقدرتها المتميزة على فهم اللغة الطبيعية ، تتمتع LLM بإمكانيات كبيرة ، ويركز المطورون بشكل أساسي على الجانبين التاليين:

• تزويد المستخدمين بإجابات دقيقة وحديثة استنادًا إلى كمية كبيرة من البيانات السياقية والمحتوى
• أكمل المهام المحددة المعينة من قبل المستخدمين باستخدام وكلاء وأدوات مختلفة

هذان الجانبان هما اللذان يجعلان تطبيق LLM للدردشة مع XX ينفجر مثل عيش الغراب بعد المطر. على سبيل المثال ، قم بالدردشة باستخدام ملفات PDF ، والدردشة مع المستندات ، والدردشة مع الأوراق الأكاديمية.

بعد ذلك ، بذلت محاولات لدمج LLM مع مصادر البيانات المختلفة. نجح المطورون في دمج منصات مثل Github و Notion وبعض برامج تدوين الملاحظات مع LLM.

للتغلب على القيود المتأصلة في LLM ، تم دمج أدوات مختلفة في النظام. كانت الأداة الأولى من نوعها هي محرك البحث ، الذي زود LLMs بإمكانية الوصول إلى أحدث المعارف. سيؤدي التقدم الإضافي إلى دمج أدوات مثل WolframAlpha و Google Suites و Etherscan مع نماذج اللغات الكبيرة.

هندسة تطبيقات LLM

يوضح الرسم البياني أدناه تدفق تطبيق LLM عند الرد على استفسارات المستخدم: أولاً ، يتم تحويل مصادر البيانات ذات الصلة إلى متجهات تضمين وتخزينها في قاعدة بيانات متجه. يستخدم محول LLM استعلامات المستخدم وبحث التشابه للعثور على السياق ذي الصلة من قاعدة بيانات المتجه. يتم وضع السياق ذي الصلة وإرساله إلى LLM. ستقوم LLM بتنفيذ هذه واستخدام الأدوات لتوليد الإجابات. في بعض الأحيان يتم ضبط LLM على مجموعات بيانات محددة لتحسين الدقة وتقليل التكلفة.

.

يمكن تقسيم سير عمل تطبيق LLM تقريبًا إلى ثلاث مراحل رئيسية:

• إعداد البيانات وتضمينها: تتضمن هذه المرحلة الاحتفاظ بالمعلومات السرية ، مثل مذكرات المشروع ، للوصول إليها في المستقبل. عادةً ما يتم تجزئة الملفات ومعالجتها من خلال نماذج التضمين ، ويتم الاحتفاظ بها في نوع خاص من قواعد البيانات يسمى قاعدة بيانات المتجه.
• الصياغة والاستخراج: عندما يقدم المستخدم طلب بحث (في هذه الحالة ، للبحث عن معلومات العنصر) ، يقوم البرنامج بإنشاء سلسلة يتم إدخالها في نموذج اللغة. يحتوي النموذج الأخير عادةً على قالب سريع مُشفَّر بواسطة مطور البرامج ، ومثال على المخرجات الصالحة كمثال قليل اللقطات ، وأي بيانات مطلوبة تم الحصول عليها من واجهة برمجة تطبيقات خارجية والملفات ذات الصلة المستخرجة من قاعدة بيانات المتجه.
• التنفيذ والاستدلال: بمجرد الانتهاء ، قم بتزويدهم بنماذج اللغة الموجودة مسبقًا للاستدلال ، والتي قد تتضمن نماذج خاصة بواجهات برمجة التطبيقات (API) أو مفتوحة المصدر أو نماذج فردية دقيقة. في هذه المرحلة ، قد يقوم بعض المطورين أيضًا بدمج أنظمة تشغيل مثل التسجيل والتخزين المؤقت والتحقق من الصحة في النظام.

جلب LLM إلى فضاء التشفير

على الرغم من وجود بعض التطبيقات المماثلة في مجال التشفير (Web3) و Web2 ، فإن تطوير تطبيقات LLM جيدة في مجال التشفير يتطلب عناية خاصة.

يعد نظام التشفير البيئي فريدًا من نوعه ، مع ثقافته وبياناته وتقاربه. يمكن أن توفر LLMs التي تم ضبطها بدقة على مجموعات البيانات المقيدة بالتشفير نتائج فائقة بتكلفة منخفضة نسبيًا. في حين أن البيانات متوفرة بكثرة ، هناك نقص واضح في مجموعات البيانات المفتوحة على منصات مثل HuggingFace. حاليًا ، هناك مجموعة بيانات واحدة فقط تتعلق بالعقود الذكية ، والتي تحتوي على 113000 عقد ذكي.

يواجه المطورون أيضًا التحدي المتمثل في دمج أدوات مختلفة في LLM. تختلف هذه الأدوات عن تلك المستخدمة في Web2 من خلال منح LLM القدرة على الوصول إلى البيانات المتعلقة بالمعاملات ، والتفاعل مع التطبيقات اللامركزية (Dapps) ، وتنفيذ المعاملات. حتى الآن ، لم نعثر على أي تكامل Dapp في Langchain.

على الرغم من أنه قد تكون هناك حاجة إلى استثمارات إضافية لتطوير تطبيقات LLM مشفرة عالية الجودة ، فإن LLM مناسبة بشكل طبيعي لمساحة التشفير. يوفر هذا المجال بيانات غنية ونظيفة ومنظمة. هذا ، جنبًا إلى جنب مع حقيقة أن كود Solidity غالبًا ما يكون موجزًا ، يجعل من السهل على LLM إنشاء كود وظيفي.

في الجزء 2 ، سنناقش 8 اتجاهات محتملة حيث يمكن لـ LLM مساعدة مساحة blockchain ، مثل:

• دمج قدرات AI / LLM المدمجة في blockchain
• تحليل سجلات المعاملات باستخدام LLM
• تحديد الروبوتات المحتملة باستخدام LLM
• اكتب الكود باستخدام LLM
• اقرأ الكود مع LLM
• استخدم LLM لمساعدة المجتمع
• استخدم LLM لتتبع السوق
• تحليل المشاريع باستخدام ماجستير

ابقوا متابعين!