GPT的横空出世将全球的见地招引至大言语模子，五行八作王人尝试着利用这个“黑科技”提高使命遵守，加速行业发展。Future3 Campus联袂Footprint Analytics共同深入研究AI与Web3结合的无尽可能澳门金沙体育，合伙发布了《AI与Web3数据行业合伙近况、竞争阵势与将来机遇探析》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。

摘录：

东谈主工智能（AI）的历史不错追猜度上个世纪 50 年代。自 1956 年起，东谈主们驱动关心东谈主工智能这一领域，渐渐发展出了早期的行家系统，匡助专科领域搞定问题。尔后，机器学习的兴起，拓展了 AI 的应用领域，AI 驱动更平日地应用在五行八作。到如今，深度学习和生成式东谈主工智能爆发，带给了东谈主们无尽可能性，其中的每一步王人充满了握住的挑战与革命，以追求更高的智能水慈详更平日的应用领域。

图 1：AI 发展历程

2022 年 11 月 30 日，ChatGPT 面世，初度展示了 AI 与东谈主类低门槛、高遵守交互的可能性。ChatGPT 激发了对东谈主工智能的更平日探讨，从新界说了与 AI 互动的方式，使其变得愈加高效、直不雅和东谈主性化，也鼓舞了东谈主们对更多生成式东谈主工智能的关心，Anthropic（Amazon）、DeepMind（Google）、Llama 等模子也随后进入东谈主们的视线。与此同期，五行八作的从业者也驱动积极探索 AI 会如何鼓舞他们所在领域的发展，或者寻求通过与 AI 时期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。

Web3 的愿景从改良金融体系驱动，旨在结束更多的用户权力，并有望引颈当代经济和文化的改换。区块链时期为结束这一主张提供了坚实的时期基础，它不仅从新遐想了价值传输和激励机制，还为资源分拨和权力散布提供了守旧。

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，区块链时期将和 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，以结束对现存行业的颠覆。

咫尺，AI 与 Web3 的结合，主如若两大场地：

● 利用 AI 去普及出产力以及用户体验。

● 结合区块链透明、安全、去中心化存储、可追想、可考证的时期性情，以及 Web3 去中心化的出产关系，搞定传统时期无法搞定的痛点或者激励社区参与，提高出产遵守。

商场上 AI 与 Web3 的结合有以下的一些探索场地：

图 3：AI 与 Web3 结合全景图

● 数据：区块链时期不错应用在模子数据存储上，提供加密数据集，保护数据诡秘和记载模子使用数据的开头、使用情况，以及校验数据的确切性。通过走访和分析存储在区块链上的数据，AI 不错提真金不怕火有价值的信息，并用于模子锻练和优化。同期，AI 也不错当作数据出产器具，去提高 Web3 数据的出产遵守。

● 算法：Web3 中的算法不错为 AI 提供更安全、真实和自主限度的研究环境，为 AI 体统提供加密保险，在模子参数上，内嵌安全防护栏，真贵系统被滥用或者坏心操作。AI 不错与 Web3 中的算法进行交互，举例利用智能合约实践任务、考证数据和实践决策。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 的散布式研究资源不错为 AI 提供高性能的研究智商。AI 不错利用 Web3 中的散布式研究资源进行模子的锻练、数据分析和展望。通过将研究任务分发到齐集上的多个节点，AI 不错加速研究速率，并处理更大界限的数据。

在本文中，咱们将要点探索如何利用 AI 的时期，去普及 Web3 数据的出产遵守以及使用体验。

当作 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。互异主如若在于 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，每每是由单一实体（每每是一家公司）来限度网页或者 APP，公司关于他们构建的内容有着完全的限度权，他们不错决定谁不错走访其服务器上的内容和逻辑，以及用户领有怎么的权利，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规章，甚而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）的观念，将一部分或者全部的内容和逻辑扬弃在群众区块链上。这些内容和逻辑是公开记载在区块链上的，可供所有东谈主走访，用户不错顺利限度链上内容和逻辑。而在 Web2 中，用户需要帐户或 API 密钥能力与区块链上的内容进行交互。用户不错顺利限度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（特定经管操作除外）。

2.1.2. Web2 与 Web3 数据特征对比

图 5：Web2 与 Web3 数据特征对比

Web2 数据每每进展为阻塞和高度受限的，具有复杂的权限限度，高度熟练、多种数据格式、严格苦守行业圭表，以及复杂的业务逻辑抽象。这些数据界限广宽，但互操作性相对较低，每每存储在中央服务器上，且不防备诡秘保护，大多数曲直匿名的。

比较之下，Web3 数据愈加盛开，走访权限更平日，尽管熟练度较低，以非结构化数据为主，圭表化较为冷落，业务逻辑抽象相对简化。Web3 的数据界限相对 Web2 较小，但它具有较高的互操作性（比如 EVM 兼容），并可散布或聚合存储数据，同期强调用户诡秘，用户每每接纳匿名方式进行链上交互。

在 Web2 期间，数据如石油的“储量”般稀有，走访和获取大界限数据一直是极大的挑战。在 Web3 中，数据的盛开性和分享性一下子让群众以为“石油到处王人是”，使得 AI 模子或者更猖獗地获取更多的锻练数据，这关于提高模子性能和智能水平至关弱点。但对 Web3 这个“新石油” 的数据处理依然有好多问题待搞定，主要有以下几个：

● 数据开头：链上数据“圭表”重大散布，数据处理破耗大宗东谈主工资本

处理链上数据时，需要反复实践耗时而工作密集的索引过程，需要开荒者和数据分析师破耗大宗时辰和资源来稳当不同链、不同面孔之间的数据互异。链上数据行业短少统一的出产和处理圭表，除了记载到区块链账本上的，events，logs，and traces 等王人基本上是面孔我方界说和出产（或生成）的，这导致非专科往来者很难鉴识并找到最准确和真实的数据，增多了他们在链上往来和投资决策中的艰辛。比如，去中心化往来所 Uniswap 和 Pancakeswap 就有可能在数据处理方法和数据口径上存在互异，过程中的检查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，数据更新以秒甚而毫秒级别计。数据的每每产生和更新使其难以保管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弱点的，这亦然关于数据处理的资本和遵守的一大挑战。Web3 数据行业仍处于低级阶段。跟着新合约的数以万计和迭代更新，数据短少圭表、格式千般，进一步增多了数据处理的复杂性。

● 数据分析：链上数据的匿名属性，导致数据身份难以隔离

链上数据每每不包含饱和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。然则链上数据的动向与现实宇宙考究磋议，了解链上行径与现实宇宙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弱点。

跟着大言语模子（LLM）时期激发的出产力变更盘问，能否利用 AI 来搞定这些挑战也成为 Web3 领域的一个焦点关心之一。

在模子锻练方面，传统 AI 模子每每界限较小，参数数目在数万到数百万之间，但为了确保输出收尾的准确性，需要大宗的东谈主工标注数据。LLM 之是以如斯苍劲澳门金沙体育，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，极地面普及了它对自然言语的结合智商，但这也意味着需要更多的数据来进行锻练，锻练资本相当大肆。

在智商范围和运行方式上，传统 AI 更合适特定领域的任务，或者提供相对精确和专科的谜底。比较之下，LLM 更合适通用性任务，但容易产生幻觉问题，这意味着在一些情况下，它的回答可能不够精确或专科，甚而完全装假。因此，如果需要和客不雅，真实任，和不错追想的收尾，可能需要进行屡次检查、屡次锻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

3.1.1. 传统 AI 在 Web3 数据领域的实践

传统 AI 仍是在区块链数据行业展现了其弱点性，为这一领域带来了更多革命和遵守。举例，0xScope 团队接纳 AI 时期，构建了基于图研究的群集分析算法，通过不同规章的权重分拨来匡助准确识别用户之间的磋议地址。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 价钱展望，通过数据分析和自然言语处理时期，提供相关 NFT 商场趋势的见解。另一方面，Trusta Labs使用了基于钞票图谱挖掘和用户行径序列分析的机器学习方法，以增强其女巫检测搞定决策的可靠性和巩固性，有助于难得区块链齐集生态的安全。另一方面，Trusta Labs 接纳了图挖掘和用户行径分析的方法，以增强其女巫检测搞定决策的可靠性和巩固性，有助于难得区块链齐集的安全。Goplus 在其运营中利用传统东谈主工智能来提高去中心化应用治安（dApps）的安全性和遵守。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径等身分来检测 dApp 主契约中的风险，以及网罗刺目的审计信息，包括审计公司凭据、审计时辰和审计敷陈联贯。Footprint Analytics 则使用 AI 生成出产结构化数据的代码，分析 NFT  往来 Wash trading 往来以及机器东谈主账户筛选排查。

关联词，传统 AI 领有的信息有限，专注于使用预定的算法和规章实践预设任务，而 LLM 则通过大界限的自然言语数据学习，不错结合和生成自然言语，这使其更合适处理复杂且巨量的文本数据。

最近，跟着 LLM 取得了显耀进展，东谈主们对 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 相关于传统东谈主工智能具有以下上风：

● 可彭胀性：LLM 守旧大界限数据处理

LLM 在可彭胀性方面进展出色，或者高效处理大宗数据和用户互动。这使其绝顶合适处理需要大界限信息处理的任务，如文天职析或者大界限数据清洗。其高度的数据处明智商为区块链数据行业提供了苍劲的分析和应用后劲。

● 稳当性：LLM 可学习稳当多领域需求

LLM 具备超卓的稳当性，不错为特定任务进行微调或镶嵌行业或独特数据库，使其或者马上学习和稳当不同领域的轻朦拢别。这一性情使 LLM 成为了搞定多领域、多用途问题的梦想聘用，为区块链应用的千般性提供了更平日的守旧。

● 提高遵守：LLM 自动化任务提高遵守

LLM 的高遵守为区块链数据行业带来了显耀的便利。它或者自动化蓝本需要大宗东谈主工时辰和资源的任务，从而提高出产力并裁减资本。LLM 不错在几秒内生成大宗文本、分析海量数据集，或实践多种肖似性任务，从而减少了恭候和处理时辰，使区块链数据处理愈加高效。

● 任务解析：不错生成某些使命的具体盘算，把大的使命分红小法子

LLM Agent 具备独特的智商，即不错生成某些使命的具体盘算，将复杂任务解析为可经管的小法子。这一性情关于处理大界限的区块链数据和实践复杂的数据分析任务绝顶成心。通过将大型使命解析成小任务，LLM 不错更好地经管数据处理经过，并输出高质料的分析。

这一智商关于实践复杂任务的 AI 系统至关弱点，举例机器东谈主自动化、面孔经管和自然言语结合与生成，使其或者将高档任务主张改换为刺目的行动道路，提高任求实践的遵守和准确性。

● 可走访性和易用性：LLM 以自然言语提供用户友好互动

LLM 的可走访性使更多用户或者猖獗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走访和交互，无需用户学习复杂的时期术语或特定呐喊，举例，SQL，R，Python 等来作念数据获取和分析。这一性情拓宽了区块链应用的受众范围，让更多的东谈主或者走访和使用 Web3 应用和服务，无论他们是否能干时期，从而促进了区块链数据行业的发展和普及。

图 7：区块链数据与 LLM 的合伙

大型言语模子的培训需要依赖大界限数据，通过学习数据中的模式来成就模子。区块链数据中蕴含的交互和行径模式是 LLM 学习的燃料。数据量和质料也顺利影响 LLM 模子的学习后果。

数据不单是是 LLM 的亏本品，LLM 还有助于出产数据，甚而不错提供反馈。举例，LLM 不错协助数据分析师在数据预处理方面作念出孝顺，如数据清洗和标注，或者生成结构化数据，撤消数据中的噪声，突显灵验信息。

ChatGPT 的出现，不仅向咱们展示了 LLM 搞定复杂问题的通用智商，同期也激发了全球范围的，对在通用智商上去叠加外部智商的探索。这里包括，通用智商的增强（包括高下文长度、复杂推理、数学、代码、多模态等）以及外部智商的推行（处理非结构化数据、使用更复杂的器具、与物理宇宙的交互等）。如何将 crypto 领域的专有常识以及个东谈主的个性化独特数据嫁接到大模子的通用智商上，是大模子在 crypto 垂直领域营业化落地的中枢时期问题。

咫尺，大多数应用王人聚合在检索增强生成（RAG）上，比如教唆工程和镶嵌时期，仍是存在的代理器具也大多王人聚焦于提高 RAG 使命的遵守和准确性。商场上主要的基于 LLM 时期的应用栈的参考架构有以下几种：

● Prompt Engineering

图 8：Prompt Engineering

今天，我们便选出几个品牌，看看在继 POST ARCHIVE FACTION、Jiyong Kim 等品牌之后，还有哪些力量正在时尚界打开局面。

Travis Scott 带来大量《UTOPIA》联名周边

面前，大多数从业者在构建应用时接纳基础搞定决策，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。关联词，基础的 Prompt Engineering 存在一些死心，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）的守旧和多轮问答的死心。

因此，行业内也在研究更先进的改进决策，包括镶嵌（Embedding）和微调（Fine-tuning）。

● 镶嵌（Embedding）

镶嵌（Embedding）是一种平日应用于东谈主工智能领域的数据默示方法，能高效拿获对象的语义信息。通过将对象属性映射成向量神志，镶嵌时期或者通过分析向量之间的互磋议系，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，以利用该模子在平日语料上学到的丰富言语常识。通过镶嵌时期将特定任务或领域的信息引入到预锻练的大模子中，使得模子更专科化，更稳当特定任务，同期保留了基础模子的通用性。

用鄙俚的话来讲，镶嵌就类似于你给一个经过综合锻练的大学生一册器具书，让他拿着领有特定任务磋议常识的器具书去完成任务，他不错随时查阅器具书，然后不错搞定特定的问题。

● 微调（Fine-tuning）

图 9：Fine Tuning

微调（Fine-tuning）与镶嵌不同，通过更新仍是预锻练的言语模子的参数，使其稳当特定任务。这种方法允许模子在特定任务上进展出更好的性能，同期保持通用性。微调的中枢念念想是调整模子参数，捕捉与主张任务磋议的特定模式和关系。但微调的模子通用智商上限仍然受限于基座模子自己。

用鄙俚的话来讲，微调就类似于给经过综合锻练的大学生上专科常识课程，让他掌抓除了综合智商除外的专科课常识，能自行搞定专科板块的问题。

● 从新锻练 LLM

面前的 LLM 自然苍劲，但不一定或者知足所有需求。从新锻练 LLM 是一种高度定制化的搞定决策，通过引入新数据集和调整模子权重，使其更稳当特定任务、需求或领域。关联词，这种方法需要大宗研究资源和数据，况兼经管和难得从新锻练后的模子亦然挑战之一。

● Agent 模子

图 10：Agent 模子澳门金沙体育

Agent 模子是一种构建智能代理的方法，它以 LLM 当作中枢限度器。这个系统还包括几个关键构成部分，以提供更全面的智能。

● Planning，盘算：将大任务分红小任务，这么更容易完成

● Memory，反念念：通过反念念曩昔的行径，改进将来的盘算

● 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、研究器等

东谈主工智能代理模子具备苍劲的言语结合和生成智商，或者搞定通用问题，进行任务解析以及自我反念念。这使得它在千般应用中王人有平日的后劲。关联词，代理模子也存在一些局限性，举例受到高下文长度的死心、长期盘算和任务拆分容易出错、输出内容的可靠性不巩固等问题。这些局限性需要长期握住的研究和革命，以进一步拓展代理模子在不同领域的应用。

以上的千般时期并不是互相扼杀的，它们不错在锻练和增强吞并个模子的过程中沿途使用。开荒者不错充分说明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，还有助于鼓舞 Web3 时期的快速革命和突出。

关联词，咱们认为，自然现存的 LLM 仍是在 Web3 的快速发展中说明了弱点作用，但在充分尝试这些现存模子（如 OpenAI、Llama 2 以止境他开源 LLM）之前，咱们不错从浅入深，从 prompt engineering 和镶嵌等 RAG 策略起初，严慎辩论微和谐从新锻练基础模子。

3.4.1. 区块链数据的一般处理经过

现在，区块链领域的修复者渐渐意识到数据产物的价值。这一价值障翳了产物运营监控、展望模子、推选系统以及数据驱动的应用治安等多个领域。尽管这一知道渐渐增强，但当作数据获取到数据应用中不可或缺的关键法子，数据处理每每被忽视。

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，治愈为结构化的数据

区块链上的每一笔往来或事件王人会生成 events 或 logs，这些数据每每曲直结构化的。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提真金不怕火有用信息，得到结构化的原始数据。这包括整理数据、处理特地情况和改换为通用格式。

● 将结构化的原始数据，治愈为具有业务意旨的抽象表

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盘算上，比如往来量、用户量等业务盘算，将原始数据改换为对业务和决策专诚旨的数据。

● 从抽象表中，研究提真金不怕火业务盘算

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研究，就不错得出千般弱点的繁衍盘算。举例往来总和的月增长率、用户留存率等中枢盘算。这些盘算不错借助 SQL、Python 等器具结束，愈加有可能匡助监控业务健康、了解用户行径和趋势，从而守旧决策和策略盘算。

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搞定多个问题，包括但不限于以下内容：

处理非结构化数据：

● 从往来日记和事件中提真金不怕火结构化信息： LLM 不错分析区块链的往来日记和事件，提真金不怕火其中的关键信息，如往来金额、往来方地址、时辰戳等，将非结构化数据改换为的带有业务意旨的数据，使其更易于分析和结合。

● 清洗数据，识别特地数据： LLM 不错自动识别和清洗不一致或特地的数据，匡助确保数据的准确性和一致性，从而提高数据质料。

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践诺用户或钞票，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 厚谊分析收尾，将其标志为正面、负面或中性厚谊，从而匡助用户更好地结合酬酢媒体上的厚谊倾向。

自然言语解读数据：

● 研究中枢盘算： 基于业务抽象，LLM 不错研究中枢业务盘算，如用户往来量、钞票价值、商场份额等，以匡助用户更好地了解其业务的关键性能。

● 查询数据： LLM 不错通过 AIGC，结合用户意图，生成 SQL 查询，使用户或者以自然言语提倡查询央求，而不必编写复杂的 SQL 查询语句。这增多了数据库查询的可走访性。

● 盘算聘用、排序和磋议性分析： LLM 不错匡助用户聘用、排序和分析不同的多个盘算，以更好地结合它们之间的关系和磋议性，从而守旧更深入的数据分析和决策制定。

● 产生业务抽象的自然言语姿色： LLM 不错根据事实数据，生成自然言语摘录或解说，以匡助用户更好地结合业务抽象和数据盘算，提高可解说性，并使决策更具合感性。

根据 LLM 自身的时期以及产物体验上风，它不错被应用到不同的链上数据场景，时期上从易到难不错将这些场景分红四类：

● 数据治愈：进行数据增强、重构等操作，如文本摘录、分类、信息抽取。这类应用开荒较快，但更合适通用场景，不太合适大宗数据的约略批量化处理。

● 自然言语接口：将 LLM 迷惑常识库或器具，结束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谈主，但其践诺价值受其所迷惑的常识库质料等其他身分影响。

● 使命流自动化：使用 LLM 结束业务经过的圭表化和自动化。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。

● 协助机器东谈主与助手赞成系统：赞成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，大幅提高用户使命遵守。

图 12：LLM 应用场景

3.6.1. 行业近况：熟练应用、正在攻克的问题以及尚未搞定的挑战

在 Web3 数据领域，尽管仍是取得了一些弱点的进展，但仍然濒临一些挑战。

相对熟练的应用：

● 使用 LLM 进行信息处理：LLM 等 AI 时期已顺利用于生成文本摘录、雅致、解说等使命，匡助用户从长篇著作、专科敷陈中提真金不怕火关键信息，提高了数据的可读性和可结合性。

● 使用 AI 搞定开提问题： LLM 仍是应用于搞定开荒过程中的问题，举例替代StackOverflow 或搜索引擎，为开荒者提供问题解答和编程守旧。

有待搞定与正在探索的问题：

● 利用 LLM 生成代码： 行业正在奋勉将 LLM 时期应用于自然言语到 SQL 查询言语的治愈，以提高数据库查询的自动化和可结合性。关联词，过程中会有好多艰辛，比如在某些情境下，生成的代码条目极高的准确性，语法必须百分之百正确，以确保治安或者无 bug 运行，并赢得正确的收尾。难点还包括确保问题回答的顺利率、正确率，以及对业务的深入结合。

● 数据标注问题： 数据标注关于机器学习和深度学习模子的锻练至关弱点，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。

● 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锻练数据、过度拟合、有限的高下文结合、短少领域常识、顽抗性攻击和模子架构。研究东谈主员和开荒者需要握住改进模子的锻练和校准方法，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、需要悉心遐想的教唆（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搞定的问题。

● 根据业务领域自动索引智能契约数据以进行数据抽象： 自动为不同行务领域的智能契约数据成就索引以进行数据抽象仍然是一个未搞定的问题。这需要综合辩论不同行务领域的性情，以及数据的千般性和复杂性。

● 处理时序数据，表格文档数据等更复杂的模态：DALL·E 2 等多模态模子绝顶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，而非约略地把文本向量化就能搞定。联和时序数据与文本，跨模态合伙锻练等，是结束数据智能分析以及应用的弱点研究场地。

3.6.2. 为何只靠 LLM 不可无缺搞定区块链数据行业的问题

当作言语模子，LLM 更适用于处理对走漏度条目较高的场景，而在追求准确性方面，可能需要对模子进行更进一步的调整。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 输出的走漏性、准确性和用例风险

在评估 LLM 在不同应用中的适用性时，关心走漏度和准确性是至关弱点的。走漏度指的是模子的输出是否自然、灵通，准确性则默示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目。

关于走漏度条目较高的任务，如自然言语生成、创意写稿等，LLM 每每或者胜任，因为其在自然言语处理方面的苍劲性能使其或者生成走漏的文本。

区块链数据濒临着数据解析、数据处理、数据应用等多方面的问题。LLM 领有超卓的言语结合和推明智商，使其成为与区块链数据互动、整理和轮廓的梦想器具。关联词，LLM 并不可搞定所有区块链数据领域的问题。

在数据处理方面，LLM 更合适快速迭代和探索性处理链上数据，握住尝试新的处理方法。关联词，LLM 在出产环境中的刺目查平等任务方面仍存在一些死心。典型的问题是 token 长度不够，无法应酬长高下文的内容。耗时的 prompt，回答不巩固影响卑鄙任务进而导致顺利率不巩固的问题，以及实践无数目任务的遵守不高。

其次，LLM 处理内容的过程中很可能出现幻觉问题。据预计，ChatGPT 的幻觉概率约为 15% 至 20%，而由于其处理过程的不透明性，好多装假难以察觉。因此，框架的成就和行家常识的结合变得至关弱点。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、数目广宽，以何种神志投喂给 LLM，灵验地愚弄在具体的营业化场景，类似其他垂直行业，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，咫尺行业大多数数据搞定决策，王人是基于对业务数据的结合。解析链上数据的过程中，用 ETL 去过滤，清洗，补充和回报业务逻辑，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，准确和确切等性情，不错给通用 LLM 提供高效的补充。

LLM 每每基于海量文本数据预锻练而来，自然合适处理各样非结构化的文本数据。关联词，各个行业仍是领有大宗结构化数据，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。

关于 LLM，结构化数据仍然具有以下的上风：

● 海量：大宗的数据储存在千般应用背后的数据库和其他圭表格式内部，特别是独特数据。每个公司和行业王人还有大宗 LLM 莫得用于预锻练的墙内数据。

● 已有：这些数据不需要从新出产，参加资本极低，独一的问题是何如用起来。

● 高质料和高价值：领域内长期积贮的，蕴含行家的专科常识，每每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键，其中包括数据的完整性、一致性、准确性、独一性和事实性。

● 高遵守：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，况兼在通盘数据聚合保持一致。这意味着数据的格式、类型和关系王人是可展望和可控的，使得数据的分析和查询愈加约略和可靠。而且，行业仍是有熟练的 ETL 及千般数据处理和经管器具，使用起来也愈加高效和浅易。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，咫尺还不可巩固的输出确切的谜底，产生的幻觉问题一直是 LLM 要搞定的中枢根底问题。关于好多行业和场景，会酿成安全和可靠性问题，比如，医疗，金融等。结构化数据，恰是不错赞成和矫正LLM 这些问题的一个场地。

● 体现关系图谱，和特定业务逻辑：不同类型的结构化数据，不错以特定的组织神志（关系型数据库，图数据库等），输入到 LLM，搞定不同类型的领域问题。结构化数据使用圭表化的查询言语（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。

皇冠体育

● 使用资本低：无须 LLM 每次从新从底层从新锻练通盘底座模子，不错结合 Agents 和LLM API 等 LLM 赋能方式，更快更低资本的接入 LLM。

咫尺商场上还有一些脑洞打开的不雅点，认为 LLM 在处理文本信息和非结构化信息方面的智商极强，只需将原始数据，包括非结构化数据，约略导入到 LLM，就能达到目的。这个想法类似于条目通用 LLM 解数学题，在莫得专门构建数学智商模子的情况下，大多数 LLM 可能会在处理约略的小学加减题时出错。反而，成就类似数学智商模子，和图像生成模子的 Crypto LLM 垂直模子，才是搞定 LLM 在 Crypto 领域更落地的实践。

LLM 自然不错再行闻、酬酢媒体等文本中赢得信息，但顺利从链上数据中赢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。顺利分析链上数据不错减少信息偏差。尽管利用 LLM 进行文天职析存在结合偏差的风险，但顺利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往来记载，分析不错发现长期趋势和模式。链上数据还不错展现通盘生态系统的全貌，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结合景色。而新闻和酬酢媒体信息每每更零星且短期。

● 链上数据是盛开的。任何东谈主王人不错考证分析收尾，幸免信息的分歧称。而新闻和酬酢媒体随机王人确切知道。文本信息和链上数据不错互相考证。综合两者不错酿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赞成作用，但不可取代顺利分析链上数据。充分利用两者上风能力取得最好后果。

LangChain 和 LlamaIndex 等器具为构建自界说的约略 LLM 应用提供了便利，使快速搭建成为可能。关联词，将这些器具顺利应用于践诺出产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，需要深入结合区块链时期和 AI 器具的使命旨趣，并灵验地将它们整合在沿途。这关于区块链数据行业来说，是一项弱点但具有挑战性的使命。

在这个过程中，必须意识到区块链数据的性情，它条目极高的精确性和可肖似校验性。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欲望。这与 LLM 的腌臜容错性之间存在着潜在的矛盾。因此，在构建区块链数据搞定决策时，必须仔细量度这两方面的需求，以知足用户的欲望。

面前商场上，自然仍是有了一些基础器具，但这个领域仍在快速演进和握住迭代。类比于 Web2 宇宙的发展历程，从率先的 PHP 编程言语到更熟练、可彭胀的决策如 Java、Ruby、Python，以及 JavaScript 和 Node.js 等，再到 Go 和 Rust 等新兴时期，王人阅历了握住的演变。AI 器具也在握住变化，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 等只是展示了将来可能性的一部分。这标明，区块链数据行业和 AI 时期王人还有许多发展空间，需要握住奋勉和革命。

面前在应用 LLM 时，有两个陷坑需要特别防备：

● 欲望值过高：好多东谈主认为 LLM 不错搞定一切问题，但践诺上 LLM 有明显的局限性。它需要大宗的研究资源，锻练资本大肆，而且锻练过程可能不巩固。对 LLM 的智商要有现实的欲望，明白它在某些场景下进展出色，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：另一个陷坑是强行应用 LLM 时期，而不充分辩论业务需求。在应用 LLM 之前，务必明确具体的业务需求。需要评估 LLM 是否是最好时期聘用，并作念好风险评估和限度。强调 LLM 的灵验应用需要根据践诺情况慎重辩论，幸免误用。

尽管 LLM 在许多领域王人具备巨大后劲澳门金沙体育，但开荒者和研究者在应用 LLM 时需要保持严慎，遴选盛开的探索格调，以找到更合适的应用场景并最猛进程地说明其上风。