Recentemente, o explorador de blocos Ethereum e a plataforma de análise, Etherscan, lançaram uma nova ferramenta chamada “Code Reader” que utiliza inteligência artificial para recuperar e interpretar o código-fonte de um endereço de contrato específico. Depois que um usuário insere um prompt, o Code Reader gera uma resposta por meio do modelo de linguagem grande do OpenAI, fornecendo informações sobre os arquivos de código-fonte do contrato. A página do tutorial da ferramenta diz:
“Para usar a ferramenta, você precisa de uma chave de API OpenAI válida e limites de uso OpenAI suficientes. Esta ferramenta não armazena suas chaves de API.”
Os casos de uso do Code Reader incluem obter uma visão mais profunda do código dos contratos por meio de explicações geradas por IA, obter listas abrangentes de funções de contratos inteligentes relacionadas aos dados do Ethereum e entender como o contrato subjacente interage com aplicativos descentralizados. A página diz:
“Depois que os arquivos do contrato são recuperados, você pode escolher um arquivo de código-fonte específico para ler. Além disso, você pode modificar o código-fonte diretamente na interface do usuário antes de compartilhá-lo com a IA.”
Em meio a um boom de IA, alguns especialistas alertaram sobre a viabilidade dos atuais modelos de IA. De acordo com um relatório recente publicado pela empresa de capital de risco, Foresight Ventures:
“Os recursos de energia da computação serão o próximo grande campo de batalha na próxima década.”
Dito isso, apesar da crescente demanda por treinamento de grandes modelos de IA em redes de poder de computação distribuída descentralizadas, os pesquisadores dizem que os protótipos atuais enfrentam restrições significativas, como sincronização de dados complexos, otimização de rede, privacidade de dados e preocupações de segurança.
Em um exemplo, os pesquisadores do Foresight observaram que o treinamento de um modelo grande com 175 bilhões de parâmetros com representação de ponto flutuante de precisão única exigiria cerca de 700 gigabytes. No entanto, o treinamento distribuído requer que esses parâmetros sejam frequentemente transmitidos e atualizados entre os nós de computação. No caso de 100 nós de computação e cada nó precisando atualizar todos os parâmetros em cada etapa da unidade, o modelo exigiria a transmissão de 70 terabytes de dados por segundo, excedendo em muito a capacidade da maioria das redes. Os pesquisadores resumiram:
“Na maioria dos cenários, pequenos modelos de IA ainda são uma escolha mais viável e não devem ser negligenciados muito cedo na onda de FOMO medo de perder em modelos grandes.”
