GPT的横空出世将全球的眼力勾引至大言语模子2024年皇冠彩票网，百行万企王人尝试着利用这个“黑科技”提高职责服从，加速行业发展。Future3 Campus联袂Footprint Analytics共同深入研究AI与Web3结合的无穷可能，结伙发布了《AI与Web3数据行业谐和近况、竞争形态与畴昔机遇探析》研报。
该研报分为高下两篇，本文为上篇，由Footprint Analytics研究员Lesley、Shelly共同编撰。下篇由Future3 Campus研究员Sherry、Humphrey共同编撰。
节录：
LLM 本事的发展让东说念主们愈加眷注 AI 与 Web3 的结合，新的应用范式正在渐渐张开。本文中，咱们将重心研究如何利用 AI 进步 Web3 数据的使用体验和分娩服从。由于行业尚处早期阶段和区块链本事的本性，Web3 数据行业面对着诸多挑战，包括数据来源、更新频率、匿名属性等，使得利用 AI 科罚这些问题成为新眷注点。LLM 联系于传统东说念主工智能的可扩展性、适合性、服从进步、任务瓦解、可拜访性和易用性等上风，为提高区块链数据的体验和分娩服从提供了假想空间。LLM 需要巨额高质料数据进行训练，而区块链领域垂直常识丰富且数据公开，不错为 LLM 提供学习素材。LLM 也不错匡助分娩和进步区块链数据的价值，举例数据清洗、标注、生成结构化数据等。LLM 不是万妙药，需要针对具体业务需求进行应用。既要利用 LLM 的高服从，同期也要瞩目已矣的准确性。1. AI 与 Web3 的发展与结合1.1. AI 的发展历史东说念主工智能（AI）的历史不错追思到上个世纪 50 年代。自 1956 年起，东说念主们运行眷注东说念主工智能这一领域，缓缓发展出了早期的巨匠系统，匡助专科领域科罚问题。尔后，机器学习的兴起，拓展了 AI 的应用领域，AI 运行更平素地应用在百行万企。到如今，深度学习和生成式东说念主工智能爆发，带给了东说念主们无穷可能性，其中的每一步王人充满了不停的挑战与立异，以追求更高的智能水暖热更平素的应用领域。
图 1：AI 发展历程
2022 年 11 月 30 日，ChatGPT 面世，初度展示了 AI 与东说念主类低门槛、高服从交互的可能性。ChatGPT 激发了对东说念主工智能的更平素探讨，从头界说了与 AI 互动的花样，使其变得愈加高效、直不雅和东说念主性化，也股东了东说念主们对更多生成式东说念主工智能的眷注，Anthropic（Amazon）、DeepMind（Google）、Llama 等模子也随后进入东说念主们的视线。与此同期，百行万企的从业者也运行积极探索 AI 会如何股东他们所在领域的发展，或者寻求通过与 AI 本事的结合在行业中脱颖而出，进一步加速了 AI 在各个领域的浸透。
1.2. AI 与 Web3 的谐和Web3 的愿景从校正金融体系运行，旨在已毕更多的用户权力，并有望引颈当代经济和文化的革新。区块链本事为已毕这一主张提供了坚实的本事基础，它不仅从头遐想了价值传输和激励机制，还为资源分派和权力漫步提供了支撑。
图 2：Web3 发展历程
早在 2020 年，区块链领域的投资公司 Fourth Revolution Capital（4RC）就曾指出，区块链本事将和 AI 结合，通过对金融、医疗、电子商务、文娱等全球行业的去中心化，以已毕对现存行业的颠覆。
目下，AI 与 Web3 的结合，主如果两大场合：
● 利用 AI 去进步分娩力以及用户体验。
● 结合区块链透明、安全、去中心化存储、可追思、可考证的本事本性，以及 Web3 去中心化的分娩关系，科罚传统本事无法科罚的痛点或者激励社区参与，提高分娩服从。
市集上 AI 与 Web3 的结合有以下的一些探索场合：
图 3：AI 与 Web3 结合全景图
● 数据：区块链本事不错应用在模子数据存储上，提供加密数据集，保护数据诡秘和纪录模子使用数据的来源、使用情况，以及校验数据的真正性。通过拜访和分析存储在区块链上的数据，AI 不错索要有价值的信息，并用于模子训练和优化。同期，AI 也不错算作数据分娩器具，去提高 Web3 数据的分娩服从。
● 算法：Web3 中的算法不错为 AI 提供更安全、真实和自主抵制的算计环境，为 AI 体统提供加密保险，在模子参数上，内嵌安全防护栏，驻防系统被挥霍或者坏心操作。AI 不错与 Web3 中的算法进行交互，举例利用智能合约奉行任务、考证数据和奉行决策。同期，AI 的算法也不错为 Web3 提供更智能化和高效的决策和服务。
● 算力：Web3 的漫步式算计资源不错为 AI 提供高性能的算计才气。AI 不错利用 Web3 中的漫步式算计资源进行模子的训练、数据分析和瞻望。通过将算计任务分发到汇集上的多个节点，AI 不错加速算计速率，并处理更大规模的数据。
在本文中，咱们将重心探索如何利用 AI 的本事，去进步 Web3 数据的分娩服从以及使用体验。
2. Web3 数据近况2.1. Web2 & Web3 数据行业对比算作 AI 最中枢的构成部分“数据”，在 Web3 跟咱们熟悉的 Web2 很着好多的区别。互异主如果在于 Web2 以及 Web3 自己的应用架构导致其产生的数据特征有所不同。
2.1.1. Web2 & Web3 应用架构对比
图 4：Web2 & Web3 应用架构
在 Web2 架构中，时时是由单一实体（时时是一家公司）来抵制网页或者 APP，公司关于他们构建的内容有着完全的抵制权，他们不错决定谁不错拜访其服务器上的内容和逻辑，以及用户领有如何的职权，还不错决定这些内容在网上存在的时长。不少案例标明，互联网公司有权改变其平台上的端正，以至中止为用户提供服务，而用户对此无法保留所创造的价值。
而 Web3 架构则借助了通用状态层（Universal State Layer）的办法，将一部分或者全部的内容和逻辑扬弃在大众区块链上。这些内容和逻辑是公开纪录在区块链上的，可供总共东说念主拜访，用户不错平直抵制链上内容和逻辑。而在 Web2 中，用户需要帐户或 API 密钥才能与区块链上的内容进行交互。用户不错平直抵制其对应的链上内容和逻辑。不同于 Web2，Web3 用户无需授权帐户或 API 密钥就能与区块链上的内容进行交互（特定看护操作除外）。
2.1.2. Web2 与 Web3 数据特征对比
菠菜网站平台搭建图 5：Web2 与 Web3 数据特征对比
Web2 数据时时阐扬为闭塞和高度受限的，具有复杂的权限抵制，高度熟识、多种数据格式、严格受命行业表率，以及复杂的业务逻辑抽象。这些数据规模纷乱，但互操作性相对较低，时时存储在中央服务器上，且不留神诡秘保护，大多数短长匿名的。
比较之下，Web3 数据愈加怒放，拜访权限更平素，尽管熟识度较低，以非结构化数据为主，表率化较为漠视，业务逻辑抽象相对简化。Web3 的数据规模相对 Web2 较小，但它具有较高的互操作性（比如 EVM 兼容），并可漫步或集合存储数据，同期强调用户诡秘，用户时时汲取匿名花样进行链上交互。
2.2. Web3 数据行业近况与出路，以及遭逢的挑战在 Web2 期间，数据如石油的“储量”般珍稀，拜访和获取大规模数据一直是极大的挑战。在 Web3 中，数据的怒放性和分享性一下子让大众合计“石油到处王人是”，使得 AI 模子大致更疏徒然获取更多的训练数据，这关于提高模子性能和智能水平至关进军。但对 Web3 这个“新石油” 的数据处理依然有好多问题待科罚，主要有以下几个：
● 数据来源：链上数据“表率”庞杂漫步，数据处理破耗巨额东说念主工资本
皇冠客服飞机：@seo3687
处理链上数据时，需要反复奉行耗时而干事密集的索引过程，需要开拓者和数据分析师破耗巨额时辰和资源来适合不同链、不同技俩之间的数据互异。链上数据行业贫穷统一的分娩和处理表率，除了纪录到区块链账本上的，events，logs，and traces 等王人基本上是技俩我方界说和分娩（或生成）的，这导致非专科交游者很难辩认并找到最准确和真实的数据，加多了他们在链上交游和投资决策中的贫苦。比如，去中心化交游所 Uniswap 和 Pancakeswap 就有可能在数据处理方法和数据口径上存在互异，过程中的搜检和统一口径等工序进一步加大了数据处理的复杂性。
● 数据更新：链上数据体量大且更新频率高，难以实时地处理成结构化数据
区块链是时刻变动的，数据更新以秒以至毫秒级别计。数据的频频产生和更新使其难以防守高质料的数据处理和实时的更新。因此，自动化的处理经过是十分进军的，这亦然关于数据处理的资本和服从的一大挑战。Web3 数据行业仍处于低级阶段。跟着新合约的层见迭出和迭代更新，数据贫穷表率、格式万般，进一步加多了数据处理的复杂性。
● 数据分析：链上数据的匿名属性，导致数据身份难以分散
链上数据时时不包含满盈的信息来明晰识别每个地址的身份，这使得数据在与链下的经济、社会或法律动向难以联动。但是链上数据的动向与试验天下详尽关系，了解链上行动与试验天下中特定个体或实体的关联性关于特定的场景比如数据分析来说十分进军。
跟着大言语模子（LLM）本事激发的分娩力变更计算，能否利用 AI 来科罚这些挑战也成为 Web3 领域的一个焦点眷注之一。
3. AI 与 Web3 数据碰撞产生的化学响应3.1. 传统 AI 与 LLM 的特征对比在模子训练方面，传统 AI 模子时时规模较小，参数数目在数万到数百万之间，但为了确保输出已矣的准确性，需要巨额的东说念主工标注数据。LLM 之是以如斯苍劲，部分原因在于其使用了海量的语料拟合百亿、千亿级以上的参数，极地面进步了它对自然言语的领路才气，但这也意味着需要更多的数据来进行训练，训练资本特别腾贵。
在才气范围和运行花样上，传统 AI 更适合特定领域的任务，大致提供相对精确和专科的谜底。比较之下，LLM 更适合通用性任务，但容易产生幻觉问题，这意味着在一些情况下，它的回报可能不够精确或专科，以至完全无理。因此，如果需要和客不雅，真实任，和不错追思的已矣，可能需要进行屡次搜检、屡次训练或引入额外的纠错机制和框架。
图 6：传统 AI 与大模子言语模子 （LLM）的特征对比
半决赛欧洲杯赛程表3.1.1. 传统 AI 在 Web3 数据领域的实践
传统 AI 照旧在区块链数据行业展现了其进军性，为这一领域带来了更多立异和服从。举例，0xScope 团队汲取 AI 本事，构建了基于图算计的群集分析算法，通过不同端正的权重分派来匡助准确识别用户之间的关系地址。这种深度学习算法的应用提高了地址群集的准确性，为数据分析提供了更精确的器具。Nansen 则将 AI 用于 NFT 价钱瞻望，通过数据分析和自然言语处理本事，提供研究 NFT 市集趋势的视力。另一方面，Trusta Labs使用了基于钞票图谱挖掘和用户行动序列分析的机器学习方法，以增强其女巫检测科罚决议的可靠性和持重性，有助于爱戴区块链汇集生态的安全。另一方面，Trusta Labs 汲取了图挖掘和用户行动分析的方法，以增强其女巫检测科罚决议的可靠性和持重性，有助于爱戴区块链汇集的安全。Goplus 在其运营中利用传统东说念主工智能来提高去中心化应用措施（dApps）的安全性和服从。他们网罗和分析来自 dApp 的安全信息，提供快速风险警报，匡助裁减这些平台的风险敞口。这包括通过评估开源状态和潜在坏心行动等身分来检测 dApp 主协议中的风险，以及网罗详备的审计信息，包括审计公司凭据、审计时辰和审计呈报联接。Footprint Analytics 则使用 AI 生成分娩结构化数据的代码，分析 NFT 交游 Wash trading 交游以及机器东说念主账户筛选排查。
可是，传统 AI 领有的信息有限，专注于使用预定的算法和端正奉行预设任务，而 LLM 则通过大规模的自然言语数据学习，不错领路和生成自然言语，这使其更适合处理复杂且巨量的文本数据。
最近，跟着 LLM 取得了权贵进展，东说念主们对 AI 与 Web3 数据的结合，也进行了一些新的念念考与探索。
3.1.2. LLM 的上风
LLM 联系于传统东说念主工智能具有以下上风：
● 可扩展性：LLM 支撑大规模数据处理
LLM 在可扩展性方面阐扬出色，大致高效处理巨额数据和用户互动。这使其相称适合处理需要大规模信息处理的任务，如文天职析或者大规模数据清洗。其高度的数据处理才气为区块链数据行业提供了苍劲的分析和应用后劲。
● 适合性：LLM 可学习适合多领域需求
LLM 具备超卓的适合性，不错为特定任务进行微调或镶嵌行业或独稀有据库，使其大致赶紧学习和适合不同领域的隐迷糊别。这一本性使 LLM 成为了科罚多领域、多用途问题的欲望遴荐，为区块链应用的万般性提供了更平素的支撑。
● 提高服从：LLM 自动化任务提高服从
LLM 的高服从为区块链数据行业带来了权贵的便利。它大致自动化原来需要巨额东说念主工时辰和资源的任务，从而提高分娩力并裁减资本。LLM 不错在几秒内生成巨额文本、分析海量数据集，或奉行多种重迭性任务，从而减少了恭候和处理时辰，使区块链数据处理愈加高效。
● 任务瓦解：不错生成某些职责的具体计议，把大的职责分红小法子
LLM Agent 具备独特的才气，即不错生成某些职责的具体计议，将复杂任务瓦解为可看护的小法子。这一本性关于处理大规模的区块链数据和奉行复杂的数据分析任务相称有利。通过将大型职责瓦解成小任务，LLM 不错更好地看护数据处理经过，并输出高质料的分析。
这一才气关于奉行复杂任务的 AI 系统至关进军，举例机器东说念主自动化、技俩看护和自然言语领路与生成，使其大致将高档任务主张改换为详备的行动道路，提高任务奉行的服从和准确性。
● 可拜访性和易用性：LLM 以自然言语提供用户友好互动
LLM 的可拜访性使更多用户大致粗心与数据和系统进行互动，让这些互动愈加用户友好。通过自然言语，LLM 使数据和系统更容易拜访和交互，无需用户学习复杂的本事术语或特定号令，举例，SQL，R，Python 等来作念数据获取和分析。这一本性拓宽了区块链应用的受众范围，让更多的东说念主大致拜访和使用 Web3 应用和服务，不管他们是否耀眼本事，从而促进了区块链数据行业的发展和普及。
3.2. LLM 与 Web3 数据的谐和图 7：区块链数据与 LLM 的谐和
大型言语模子的培训需要依赖大规模数据，通过学习数据中的模式来竖立模子。区块链数据中蕴含的交互和行动模式是 LLM 学习的燃料。数据量和质料也平直影响 LLM 模子的学习成果。
数据不单是是 LLM 的破费品，LLM 还有助于分娩数据，以至不错提供反馈。举例，LLM 不错协助数据分析师在数据预处理方面作念出孝敬，如数据清洗和标注，或者生成结构化数据，捣毁数据中的噪声，突显灵验信息。
3.3. 增强 LLM 的常用本事科罚决议ChatGPT 的出现，不仅向咱们展示了 LLM 科罚复杂问题的通用才气，同期也激发了全球范围的，对在通用才气上去叠加外部才气的探索。这里包括，通用才气的增强（包括高下文长度、复杂推理、数学、代码、多模态等）以及外部才气的扩张（处理非结构化数据、使用更复杂的器具、与物理天下的交互等）。如何将 crypto 领域的专有常识以及个东说念主的个性化独稀有据嫁接到大模子的通用才气上，是大模子在 crypto 垂直领域买卖化落地的中枢本事问题。
目下，大多数应用王人集合在检索增强生成（RAG）上，比如提醒工程和镶嵌本事，照旧存在的代理器具也大多王人聚焦于提高 RAG 职责的服从和准确性。市集上主要的基于 LLM 本事的应用栈的参考架构有以下几种：
● Prompt Engineering
图 8：Prompt Engineering
刻下，大多数从业者在构建应用时汲取基础科罚决议，即 Prompt Engineering。这一方法通过遐想特定的 Prompt 来改变模子的输入，以知足特定应用的需求，是最方便快捷的作念法。可是，基础的 Prompt Engineering 存在一些限制，如数据库更新不足时、内容冗杂、以及对输入高下文长度（In-Context Length）的支撑和多轮问答的限制。
因此，行业内也在研究更先进的改进决议，包括镶嵌（Embedding）和微调（Fine-tuning）。
● 镶嵌（Embedding）
镶嵌（Embedding）是一种平素应用于东说念主工智能领域的数据示意方法，能高效拿获对象的语义信息。通过将对象属性映射成向量体式，镶嵌本事大致通过分析向量之间的相互关系，快速找到最有可能正确的谜底。镶嵌不错在 LLM 的基础上构建，以利用该模子在平素语料上学到的丰富言语常识。通过镶嵌本事将特定任务或领域的信息引入到预训练的大模子中，使得模子更专科化，更适合特定任务，同期保留了基础模子的通用性。
用泛泛的话来讲，镶嵌就近似于你给一个经过综合训练的大学生一册器具书，让他拿着领有特定任务关系常识的器具书去完成任务，他不错随时查阅器具书，然后不错科罚特定的问题。
● 微调（Fine-tuning）
图 9：Fine Tuning
微调（Fine-tuning）与镶嵌不同，通过更新照旧预训练的言语模子的参数，使其适合特定任务。这种方法允许模子在特定任务上阐扬出更好的性能，同期保持通用性。微调的中枢念念想是诊治模子参数，捕捉与主张任务关系的特定模式和关系。但微调的模子通用才气上限仍然受限于基座模子自己。
用泛泛的话来讲，微调就近似于给经过综合训练的大学生上专科常识课程，让他掌抓除了综合才气之外的专科课常识，能自行科罚专科板块的问题。
● 从头训练 LLM
刻下的 LLM 自然苍劲，但不一定大致知足总共需求。从头训练 LLM 是一种高度定制化的科罚决议，通过引入新数据集和诊治模子权重，使其更适合特定任务、需求或领域。可是，这种方法需要巨额算计资源和数据，何况看护和爱戴从头训练后的模子亦然挑战之一。
● Agent 模子
图 10：Agent 模子
Agent 模子是一种构建智能代理的方法，它以 LLM 算作中枢抵制器。这个系统还包括几个关节构成部分，以提供更全面的智能。
● Planning，打算：将大任务分红小任务，这么更容易完成
太平洋娱乐● Memory，反念念：通过反念念往常的行动，改进畴昔的计议
● Tools，器具使用：代理不错调用外部器具获取更多信息，如调用搜索引擎、算计器等
东说念主工智能代理模子具备苍劲的言语领路和生成才气，大致科罚通用问题，进行任务瓦解以及自我反念念。这使得它在各式应用中王人有平素的后劲。可是，代理模子也存在一些局限性，举例受到高下文长度的限制、恒久打算和任务拆分容易出错、输出内容的可靠性不持重等问题。这些局限性需要恒久不停的研究和立异，以进一步拓展代理模子在不同领域的应用。
以上的各式本事并不是相互摈弃的，它们不错在训练和增强褪色个模子的过程中全部使用。开拓者不错充分阐扬现存大言语模子的后劲，尝试不同的方法，以知足日益复杂的应用需求。这种综合使用不仅有助于提高模子的性能，还有助于股东 Web3 本事的快速立异和跨越。
可是，咱们认为，自然现存的 LLM 照旧在 Web3 的快速发展中阐扬了进军作用，但在充分尝试这些现存模子（如 OpenAI、Llama 2 以极端他开源 LLM）之前，咱们不错从浅入深，从 prompt engineering 和镶嵌等 RAG 策略来源，严慎计划微谐和从头训练基础模子。
3.4. LLM 如何加速区块链数据分娩的各个经过3.4.1. 区块链数据的一般处理经过
现在，区块链领域的竖立者缓缓意识到数据居品的价值。这一价值遮蔽了居品运营监控、瞻望模子、推选系统以及数据驱动的应用措施等多个领域。尽管这一领路缓缓增强，但算作数据获取到数据应用中不可或缺的关节法子，数据处理往往被忽视。
图 11：区块链数据处理经过
● 将区块链原始非结构化数据，如 events 或 logs 等，调动为结构化的数据
皇冠代理登1租用区块链上的每一笔交游或事件王人会生成 events 或 logs，这些数据时时短长结构化的。这一法子是获取数据的第一进口，但数据仍然需要被进一步处理以索要有用信息，得到结构化的原始数据。这包括整理数据、处理格外情况和改换为通用格式。
● 将结构化的原始数据，调动为具有业务好奇瞻仰的抽象表
在得到结构化原始数据后，需要进一步进行业务抽象，将数据映射到业求实体和方针上，比如交游量、用户量等业务方针，将原始数据改换为对业务和决策有好奇瞻仰的数据。
● 从抽象表中，算计索要业务方针
有了抽象的业务数据后，不错在业务抽象的数据上进行进一步算计，就不错得出各式进军的滋生方针。举例交游总和的月增长率、用户留存率等中枢方针。这些方针不错借助 SQL、Python 等器具已毕，愈加有可能匡助监控业务健康、了解用户行动和趋势，从而支撑决策和战术打算。
3.4.2. 区块链数据生成经过加入 LLM 后的优化
LLM 在区块链数据处理中不错科罚多个问题，包括但不限于以下内容：
处理非结构化数据：
2024欧洲杯东道主● 从交游日记和事件中索要结构化信息： LLM 不错分析区块链的交游日记和事件，索要其中的关节信息，如交游金额、交游方地址、时辰戳等，将非结构化数据改换为的带有业务好奇瞻仰的数据，使其更易于分析和领路。
● 清洗数据，识别格外数据： LLM 不错自动识别和清洗不一致或格外的数据，匡助确保数据的准确性和一致性，从而提高数据质料。
“我们感到非常开心和满意，但其实从前我们也是做着一样的事情，本来早就可能赢，今年做同样的事情也有可能会输。英超联赛38轮，表现最佳的可赢下冠军，但在欧冠，你必须要有点运气。”
进行业务抽象：
● 将原始链上数据映射到业求实体： LLM 不错将原始区块链数据映射到业求实体，举例将区块链地址映射到实质用户或钞票，从而使业务处理愈加直不雅和灵验。
● 处理非结构化链上内容，打标签： LLM 不错分析非结构化数据，如 Twitter 厚谊分析已矣，将其标志为正面、负面或中性厚谊，从而匡助用户更好地领路酬酢媒体上的厚谊倾向。
自然言语解读数据：
皇冠正规足球● 算计中枢方针： 基于业务抽象，LLM 不错算计中枢业务方针，如用户交游量、钞票价值、市集份额等，以匡助用户更好地了解其业务的关节性能。
● 查询数据： LLM 不错通过 AIGC，领路用户意图，生成 SQL 查询，使用户大致以自然言语提议查询苦求，而不必编写复杂的 SQL 查询语句。这加多了数据库查询的可拜访性。
● 方针遴荐、排序和关系性分析： LLM 不错匡助用户遴荐、排序和分析不同的多个方针，以更好地领路它们之间的关系和关系性，从而支撑更深入的数据分析和决策制定。
● 产生业务抽象的自然言语面容： LLM 不错根据事实数据，生成自然言语节录或评释，以匡助用户更好地领路业务抽象和数据方针，提高可评释性，并使决策更具合感性。
3.5. 目下用例根据 LLM 自身的本事以及居品体验上风，它不错被应用到不同的链上数据场景，本事上从易到难不错将这些场景分红四类：
● 数据调动：进行数据增强、重构等操作，如文本节录、分类、信息抽取。这类应用开拓较快，但更适合通用场景，不太适合巨额数据的简短批量化处理。
● 自然言语接口：将 LLM 伙同常识库或器具，已毕问答或基本器具使用的自动化。这不错用于构建专科聊天机器东说念主，但其实质价值受其所伙同的常识库质料等其他身分影响。
● 职责流自动化：使用 LLM 已毕业务经过的表率化和自动化。这不错应用于较复杂的区块链数据处理经过，如解构智能合约运行过程、风险识别等。
● 协助机器东说念主与助手提拔系统：提拔系统是在自然言语接口的基础上，集成更多数据源和功能的增强系统，大幅提高用户职责服从。
图 12：LLM 应用场景
3.6. LLM 的局限性3.6.1. 行业近况：熟识应用、正在攻克的问题以及尚未科罚的挑战
在 Web3 数据领域，尽管照旧取得了一些进军的进展，但仍然面对一些挑战。
相对熟识的应用：
● 使用 LLM 进行信息处理：LLM 等 AI 本事已告捷用于生成文本节录、回首、评释等职责，匡助用户从长篇著作、专科呈报中索要关节信息，提高了数据的可读性和可领路性。
● 使用 AI 科罚开提问题： LLM 照旧应用于科罚开拓过程中的问题，举例替代StackOverflow 或搜索引擎，为开拓者提供问题解答和编程支撑。
有待科罚与正在探索的问题：
● 利用 LLM 生成代码： 行业正在竭力将 LLM 本事应用于自然言语到 SQL 查询言语的调动，以提高数据库查询的自动化和可领路性。可是，过程中会有好多贫苦，比如在某些情境下，生成的代码条件极高的准确性，语法必须百分之百正确，以确保措施大致无 bug 运行，并取得正确的已矣。难点还包括确保问题回报的告捷率、正确率，以及对业务的长远领路。
● 数据标注问题： 数据标注关于机器学习和深度学习模子的训练至关进军，但在 Web3 数据领域，特别是处理匿名的区块链数据时，标注数据的复杂性较高。
智博app官网● 准确性和幻觉（Hallucination）问题：AI 模子中幻觉的出现可能受多身分影响，包括有偏见或不足的训练数据、过度拟合、有限的高下文领路、贫穷领域常识、反抗性抨击和模子架构。研究东说念主员和开拓者需要不停改进模子的训练和校准方法，以提高生成文本的真实度和准确性。
● 利用数据进行业务分析和著作输出： 将数据用于业务分析和生成著作仍然是一个具有挑战性的问题。问题的复杂性、需要用心遐想的提醒（prompt）、以及高质料的数据、数据量、减少幻觉问题的方法王人是待科罚的问题。
● 根据业务领域自动索引智能协议数据以进行数据抽象： 自动为不同行务领域的智能协议数据竖立索引以进行数据抽象仍然是一个未科罚的问题。这需要综合计划不同行务领域的本性，以及数据的万般性和复杂性。
● 处理时序数据，表格文档数据等更复杂的模态：DALL·E 2 等多模态模子相称擅长在笔墨生成图像、语音等常见模态。而在区块链以及金融领域需要特别地对待一些时序数据，而非简短地把文本向量化就能科罚。联和时序数据与文本，跨模态结伙训练等，是已毕数据智能分析以及应用的进军研究场合。
3.6.2. 为何只靠 LLM 不成完好科罚区块链数据行业的问题
算作言语模子，LLM 更适用于处理对领路度条件较高的场景，而在追求准确性方面，可能需要对模子进行更进一步的诊治。在将 LLM 应用于区块链数据行业时，以下框架可提供一些参考。
图 13：区块链数据行业下 LLM 输出的领路性、准确性和用例风险
在评估 LLM 在不同应用中的适用性时，眷注领路度和准确性是至关进军的。领路度指的是模子的输出是否自然、运动，准确性则示意模子的谜底是否准确。这两个维度在不同应用场景中有不同的条件。
关于领路度条件较高的任务，如自然言语生成、创意写稿等，LLM 时时大致胜任，因为其在自然言语处理方面的苍劲性能使其大致生成领路的文本。
区块链数据面对着数据解析、数据处理、数据应用等多方面的问题。LLM 领有超卓的言语领路和推理才气，使其成为与区块链数据互动、整理和概述的欲望器具。可是，LLM 并不成科罚总共区块链数据领域的问题。
在数据处理方面，LLM 更适合快速迭代和探索性处理链上数据，不停尝试新的处理方法。可是，LLM 在分娩环境中的详备查平等任务方面仍存在一些限制。典型的问题是 token 长度不够，无法移交长高下文的内容。耗时的 prompt，回报不持重影响下流任务进而导致告捷率不持重的问题，以及奉行巨额量任务的服从不高。
其次，LLM 处理内容的过程中很可能出现幻觉问题。据忖度，ChatGPT 的幻觉概率约为 15% 至 20%，而由于其处理过程的不透明性，好多无理难以察觉。因此，框架的竖立和巨匠常识的结合变得至关进军。此外，LLM 结合链上数据照旧有好多挑战：
● 链上数据实体类型多、数目纷乱，以何种体式投喂给 LLM，灵验地哄骗在具体的买卖化场景，近似其他垂直行业，需要更多研究和探索。
● 链上数据包括结构化和非结构化数据，目下行业大多数数据科罚决议，王人是基于对业务数据的领路。解析链上数据的过程中，用 ETL 去过滤，清洗，补充和归附业务逻辑，进一步把非结构化数据整理为结构化数据，不错为后期多种业务场景提供更高效的分析。比如，结构化的 DEX trades，NFT marketplace transactions，wallet address portfolio 等，就具有前边提到的高质料，高价值，准确和真正等本性，不错给通用 LLM 提供高效的补充。
4. 被误会的 LLM4.1. LLM 不错平直处理非结构化数据，因此结构化数据将不再被需要？LLM 时时基于海量文本数据预训练而来，自然适合处理各样非结构化的文本数据。可是，各个行业照旧领有巨额结构化数据，尤其 Web3 领域中解析后的数据。如何灵验的利用这些数据，增强 LLM，是一个行业的热点研究课题。
皇冠体育hg86a
关于 LLM，结构化数据仍然具有以下的上风：
● 海量：巨额的数据储存在各式应用背后的数据库和其他表率格式内部，特别是独稀有据。每个公司和行业王人还有巨额 LLM 莫得用于预训练的墙内数据。
● 已有：这些数据不需要从头分娩，进入资本极低，独一的问题是奈何用起来。
● 高质料和高价值：领域内恒久积聚的，蕴含巨匠的专科常识，时时王人千里淀到了结构化数据内部，用于产学研。结构化数据的质料是数据可用性的关节，其中包括数据的完整性、一致性、准确性、独一性和事实性。
● 高服从：结构化数据以表格、数据库或其他表率格式存储，模式是事前界说的，何况在总共这个词数据集合保持一致。这意味着数据的格式、类型和关系王人是可瞻望和可控的，使得数据的分析和查询愈加简短和可靠。而且，行业照旧有熟识的 ETL 及各式数据处理和看护器具，使用起来也愈加高效和方便。LLM 不错通过 API，把这些数据使用起来。
● 准确性和事实性：LLM 的文本数据，基于 token 概率，目下还不成持重的输出真实的谜底，产生的幻觉问题一直是 LLM 要科罚的中枢根柢问题。关于好多行业和场景，会造成安全和可靠性问题，比如，医疗，金融等。结构化数据，恰是不错提拔和矫正LLM 这些问题的一个场合。
● 体现关系图谱，和特定业务逻辑：不同类型的结构化数据，不错以特定的组织体式（关系型数据库，图数据库等），输入到 LLM，科罚不同类型的领域问题。结构化数据使用表率化的查询言语（如 SQL），使得对数据进行复杂的查询和分析变得愈加高效和准确。常识图谱 (Knowledge Graph) 不错更好地抒发实体之间的关系，也更容易进行关联查询。
● 使用资本低：毋庸 LLM 每次从头从底层从头训练总共这个词底座模子，不错结合 Agents 和LLM API 等 LLM 赋能花样，更快更低资本的接入 LLM。
www.bettingcrownhome.com目下市集上还有一些脑洞掀开的不雅点，认为 LLM 在处理文本信息和非结构化信息方面的才气极强，只需将原始数据，包括非结构化数据，简短导入到 LLM，就能达到目的。这个想法近似于条件通用 LLM 解数学题，在莫得故意构建数学才气模子的情况下，大多数 LLM 可能会在处理简短的小学加减题时出错。反而，竖立近似数学才气模子，和图像生成模子的 Crypto LLM 垂直模子，才是科罚 LLM 在 Crypto 领域更落地的实践。
4.2. LLM 不错再行闻、推特别笔墨信息推测内容，东说念主们不再需要链上数据分析来得出论断？LLM 自然不错再行闻、酬酢媒体等文本中取得信息，但平直从链上数据中取得的洞悉仍然是不可或缺的，主要原因有:
● 链上数据是原始的第一手资讯，而新闻和酬酢媒体中的信息可能存在单方面性或误导性。平直分析链上数据不错减少信息偏差。尽管利用 LLM 进行文天职析存在领路偏差的风险，但平直分析链上数据不错减少误读。
● 链上数据包含全面的历史交互和交游纪录，分析不错发现恒久趋势和模式。链上数据还不错展现总共这个词生态系统的全貌，如资金流向、各方关系等。这些宏不雅的洞悉有助于更深入地领路气象。而新闻和酬酢媒体信息时时更衰退且短期。
● 链上数据是怒放的。任何东说念主王人不错考证分析已矣，幸免信息的分歧称。而新闻和酬酢媒体巧合王人照实浮现。文本信息和链上数据不错相互考证。综合两者不错造成更立体和准确的判断。
链上数据分析仍是不可或缺的。LLM 从文本中获取信息具有提拔作用，但不成取代平直分析链上数据。充分利用两者上风才能取得最好成果。
4.3. 利用 LangChain、LlamaIndex 或其他 AI 器具，在 LLM 的基础上构建区块链数据科罚决议相称容易？LangChain 和 LlamaIndex 等器具为构建自界说的简短 LLM 应用提供了便利，使快速搭建成为可能。可是，将这些器具告捷应用于实质分娩环境中触及到更多的挑战。构建一个高效运行、保持高质料的 LLM 应用是一项复杂的任务，需要深入领路区块链本事和 AI 器具的职责旨趣，并灵验地将它们整合在全部。这关于区块链数据行业来说，是一项进军但具有挑战性的职责。
在这个过程中，必须意识到区块链数据的本性，它条件极高的精确性和可重迭校验性。一朝数据通过 LLM 进行处理和分析，用户对其准确性和真实度有很高的祈望。这与 LLM 的大意容错性之间存在着潜在的矛盾。因此，在构建区块链数据科罚决议时，必须仔细量度这两方面的需求，以知足用户的祈望。
刻下市集上，自然照旧有了一些基础器具，但这个领域仍在快速演进和不停迭代。类比于 Web2 天下的发展历程，从领先的 PHP 编程言语到更熟识、可扩展的决议如 Java、Ruby、Python，以及 JavaScript 和 Node.js 等，再到 Go 和 Rust 等新兴本事，王人阅历了不停的演变。AI 器具也在不停变化，新兴的 GPT 框架如 AutoGPT，Microsft AutoGen，及最近OpenAI 我方推出的 ChatGPT 4.0 Turbo 的 GPTs 和 Agents 等只是展示了畴昔可能性的一部分。这标明，区块链数据行业和 AI 本事王人还有许多发展空间，需要不停竭力和立异。
刻下在应用 LLM 时，有两个罗网需要特别瞩目：
● 祈望值过高：好多东说念主认为 LLM 不错科罚一切问题，但实质上 LLM 有显然的局限性。它需要巨额的算计资源，训练资本腾贵，而且训练过程可能不持重。对 LLM 的才气要有试验的祈望，明白它在某些场景下阐扬出色，如自然言语处理和文本生成，但在其他领域可能无法胜任。
● 忽视业务需求：另一个罗网是强行应用 LLM 本事，而不充分计划业务需求。在应用 LLM 之前，务必明确具体的业务需求。需要评估 LLM 是否是最好本事遴荐，并作念好风险评估和抵制。强调 LLM 的灵验应用需要根据实质情况平静计划，幸免误用。
尽管 LLM 在许多领域王人具备巨大后劲，但开拓者和研究者在应用 LLM 时需要保持严慎，汲取怒放的探索作风2024年皇冠彩票网，以找到更适合的应用场景并最猛进度地阐扬其上风。