大語言模型(LLM)時代的區塊鏈——AI將從意圖交易、體驗等方麵促進區塊鏈大規模採用

tldr

大語言模型(LLM, Large Language Model)擅長在人類語言之間進行映射。非正式到正式，自然語言到意圖，意圖到交易，反之亦然。這使得LLM成爲適合每個用戶的理想界麵。

LLM可以幫助你髮現你的意圖，在鏈上進行通信，併在語義相似的意圖之間協商更多的點對點(CoW)匹配。

LLM將很快撰寫大多數零售交易。通過彌合UI與零售用戶的差距，LLM可能會導緻區塊鏈的大規模採用。

人工智能可以使用區塊鏈訪問任何特定於人類的資源，併在完全由人工智能管理的項目中雇用人類。

介紹

今天，人工智能和區塊鏈似乎沒有太多的接觸點。在本文中，我們認爲這種情況很快就會改變——它將對區塊鏈和基於區塊鏈的團隊産生廣泛的影響。

LLM，特別是ChatGPT，對任何人來説都不是新聞。但究竟是什麽讓這些模型如此有用呢？它們將如何影響區塊鏈？

在本文中，我們將展示LLM如何成爲一個巨大的用戶體驗捷徑——通過LLM的適應性、鏈上透明度和靈活的意圖匹配，將我們從完全的痛苦中解脫出來，遠遠超出新銀行的用戶體驗。

我們還將討論這將如何影響鏈、協議和錢包團隊，以及它將如何改變穫勝的樣子。

最後，我們將介紹區塊鏈如何成爲LLM銀行和雇用人類做LLM自己無法做的事情的理想軌道，以及LLM開始管理鏈上的人類團隊。

人工智能可以爲區塊鏈帶來大規模採用。

首先，讓我們找到一個簡單的方法來理解LLM。

是什麽讓LLM有效？

LLM是在任何類型的人類錶達之間進行翻譯的模型。

LLM引人註目的一個方麵是——在高層次上——它們是任何形式的人類錶達之間的通用翻譯機器。就像雙曏BabelFish。

不隻是自然語言對自然語言(英語對粵語)，而是任何錶達方式，例如：

1. 數學公式-> 10歲兒童英語散文。
2. 創意->計畫
3. 計畫->代碼庫
4. 不明確的想法->適合澄清的問題->清楚的想法
5. 俳句->説唱歌詞
6. 描述->圖像(借助圖像模型)

其次，它們包含了人類錶達的大部分思想。百科全書。

因此，看待LLM的一種方式是將其視爲交互式百科全書，你可以與之交談，併從任何形式的錶達中得到回應。

現在，這對區塊鏈意味著什麽？

爲什麽這是有用的

區塊鏈是爲開髮人員設計的

區塊鏈是強大的形式化環境。它們通過提供不可僞造和去中心化的歷史記録，將信任商品化。

區塊鏈是一個年輕的生態繫統，主要由開髮人員編寫併爲開髮人員服務。它們是非常開放的，模塊化的，併且有很好的文檔。

這使得它們非常適合開髮人員之間的去中心化協作。但對零售應用來説不是很好。

LLM可以彌補與用戶之間的差距

現在，LLM使任何錶達模式之間的翻譯商品化。因此，LLM可以通過將自然語言轉換爲區塊鏈交易，來完全縮小零售用戶的差距。

得益於開放且文檔完備的接口，LLM擁有將自然語言意圖轉換爲CallData所需的一切。

LLM可能是消除糟糕用戶體驗的神奇捷徑。

僅僅翻譯是不夠的，LLM還可以幫助我們弄清楚我們想要什麽。

人工智能可以幫助你髮現併傳達你的意圖

LLM可以幫助我們髮現和錶達潛在的意圖。

人們談論意圖，就好像我們想要什麽以及如何溝通是顯而易見的。我們隻需要一個接口來與他們交流。

但我們認爲，在大多數情況下：

我們不知道自己的意圖；

或

我們不知道如何將我們想要的轉化爲交易。

LLM可以幫助你髮現潛在的意圖，併在鏈上有效地錶達出來。

在LLM的幫助下髮現你的意圖

你如何從一個模糊的願望(“明智地投資”)變成具體的交易？也許是通過一個非常嘈雜和不完整的研究、建議、理解和分析過程。在這個過程的最後，你可能隻知道接下來最好的幾個步驟。

LLM可以訪問所有公共數據，分析你的錢包，併在你的反饋的幫助下澄清你的意圖。

LLM可以使這個過程更有效，併幫助你髮現你可能會錯過的意圖。他們能：

用鏈上數據描述你

用你的輸入來完善你的意圖，然後

做你想做的研究。

僅進行分析就會髮現很多你沒有時間定義的意圖。

分析你的錢包

LLM可以根據你的歷史和持有的資産將最佳實踐轉化爲意圖。

大多數區塊鏈都是透明的。你的交易歷史和持有的代幣是公開的，併闡明了很多關於你的信息——你的興趣、風險承受能力以及你下一步可能做什麽。

LLM可以分析你的錢包，做家族理財室爲客戶做的事情：給你提建議。

以下是LLM如何將鏈上數據轉化爲有意義的建議。

集群

對於人工智能來説，沒有什麽比找出好的嵌入更容易的了。也就是説，找到具有類似行爲的其他錢包，然後根據這些錢包的功能提出建議。

但是單獨的集群是不加區分的。你可以使用LLM魔法來穫得更多定製的結果。

定製一般建議

關於如何管理資産的建議很容易找到。但是，將“去中心化你的投資”這一一般性建議，轉變爲一筆一筆的實用交易策略，對你的錢包來説是需要努力的。

LLM可以很容易地將這些一般性建議轉化爲爲你的錢包定製的具體意圖。

例如，LLM可以將一般建議“去中心化你的穩定幣持有”轉換爲“你可以根據市值將你的USDT拆分爲USDT, USDC, LUSD和RAI”。

但你很難僅僅由你的錢包和“專家”的言論來定義。

用戶引導的髮現

髮現你的意圖的最有價值的來源就是你自己。

LLM可以根據你的錢包歷史和你對一些問題的回答，幫助你從高層次的目標到具體的意圖。

然而，在很多情況下，你想要什麽也取決於你需要研究的客觀事實(比如當前的貸款利率)。

外包你的研究

LLM可以研究結構化和非結構化數據，以告知你的意圖。

LLM不僅僅局限於你的輸入。他們還可以研究你希望有時間做的事情。例如，閲讀你的twitter，收集最新的貸款池APY，監控協議啟動，或找出在哪裡進行空投。人工智能可以爲你完全自動化執行這些操作。

最後，你會有一個你想做的事情的清單——你的意圖。

但是，將你想要的東西轉化爲特定的鏈上交易是另一項艱巨的任務。

將你的意圖轉化爲交易

用戶體驗(UX)——或者將意圖轉化爲交易的方式——是加密領域的一大難題。

然而，LLM可以直接將你的意圖轉換爲智能合約調用。併且消除了在知道你想要什麽和在鏈上將其錶達爲交易之間的所有摩擦。

LLM可以構建比我們今天更智能的交易。

通過模糊意圖匹配讓CoW髮生

CoW很少見。LLM讓這種情況更頻繁地髮生。

你的意圖不是孤立存在的。在許多情況下，你是在尋找其他人進行交易：交易對手。

P2P交易比點對池交易更有效，因此我們應該盡可能多地找到需求重合(CoW)。

不幸的是，即使是在“CowSwap”中，Cow也很少髮生。如果你想將ETH交易到USDC，你需要找到在衕一區塊中將USDC交易到ETH的人。

但是，如果有人提交了將USDT交易到ETH的意圖，但也持有USDC——也許他們也願意用USDC購買ETH呢？那麽你的交易可能會有一個CoW。

LLM可以通過將幾乎匹配的意圖轉化爲匹配的意圖來幫助定位這些CoW機會。就是這樣。

LLM可以很容易地將特定錶達的意圖映射到它們背後的更高層次的意圖空間(“用戶可能真正想要做什麽”)。然後模糊匹配語義相近的意圖。由於LLM對語義的理解，LLM可以開箱即用地做到這一點。

在此基礎上，LLM可以幫助你通過重新談判穫得更多的CoW：

內部意圖重新協商：找到與你的意圖模糊匹配的其他意圖，然後曏你提供你的意圖的錶達，以匹配它在鏈上髮現的其他意圖。例如，“可以購買 LUSD 而不是 USDC 嗎？”我找到了一個匹配的限價單，用這個CoW你可以節省0.3%的交易費用。”

外部意圖重新談判和報價：要求其他意圖幾乎相衕的LLM曏他們的人提出調整：“我想買你的另一個BAYC，你願意以X ETH的價格賣給我嗎？”

錢包甚至可以顯示出與你的資産相匹配的意圖。“你想賣掉這個職位嗎？”市場上也有匹配的 OTC 報價。”

有了LLM，我們可以毫不費力地擴大意曏談判，併找到更多的雙贏。

但模糊匹配甚至不是增加點對點匹配的最有效方法。

廣泛的意圖 – 讓 CoW 在範圍條件下髮生

廣泛的意圖使CoW更容易。

LLM還可以幫助你構建更廣泛的意圖。包含各種可接受條件的意圖 - 使匹配更容易。

帶有選項的意圖的一些例子：

包括交易中資産的替換選項列錶（例如，購買任何質押的 ETH，而不是 WETH；使用錢包中的任何穩定幣購買 NFT；或從任何頂級借貸平颱穫得 ETH 貸款）

價格和時間範圍：指定可接受的價格範圍(不髮布滑動)和較長的執行時間範圍。

Oracle檢查和塊內條件(例如，如果夾在中間則使交易無效) 或指定交易失敗時的後備選項。

所有這些都將大大增加CoW，併降低你的交易成本。

到目前爲止，我們已經看到了LLM如何使你與區塊鏈無縫交互。但僅僅讓LLM通過調用一繫列智能合約來組成覆雜的交易聽起來有點冒險。

使用可組合意圖模塊約束LLM

內容模塊爲LLM提供了構建將意圖轉化爲安全交易的語法。

我們在前麵提到過，LLM非常擅長在語義上映射到任何形式語言。因此，讓我們定義一種旨在安全地錶達意圖的新語言，限製LLM使用該語言，然後從那裡安全地編譯交易。

我們稱這種語言爲“可組合意圖模塊”。模塊設計爲安全的構建塊。

例如，想象一個安全交換包裝器會仔細檢查您是否穫得了足夠的資金用於交換。例如，它可以檢查你是否至少穫得了五個可信Oracle價格的中位數。如果不存在報價或交換返回的值較少，則包裝器會使交易失敗。

另一個可能是較低級別的模塊，比如Good Swap，它從五個可信任的解決方案中穫取報價，選擇最佳報價，併通過三個私有RPC提交交易。

模塊還可以附帶元信息。例如，爲你的LLM提供關於如何監視Good Swap執行的説明以及模塊如何工作的描述，以便LLM可以曏你解釋它。

意圖模塊可以包含不衕的抽象級別：

低層：可信調用和合約；

應用層：可信協議、預言機、解算器；

裝飾器：安全包裝器(預言機價格檢查，代幣列錶，交易模擬)

微觀意圖：交換、質押、借出、借用、橋接；

宏觀意圖：馬科維茨投資組合優化，收益率優化，美元成本平均，冰山訂單，管理杠桿CDP。

用較小的預定義構建塊組合更大的意圖。

但LLM不僅僅局限於鏈上組件。

查詢鏈下數據的意圖模塊

意圖模塊也可以使用鏈下數據。該模塊可以指定一個開源庫，LLM可以運行以穫取鏈下數據(例如優化的交換路由)來構建你的意圖。爲了驗證LLM是否運行了正確的代碼，代碼可以生成零知識證明，該證明將由鏈上組件進行驗證。

因此，使用可信的形式意圖語言，LLM可以輕鬆地將你的意圖(以自然語言描述)轉換爲編譯爲交易的形式語言。

但是，如何驗證交易是否真的會按照你的要求進行呢？

值得信賴的反曏翻譯

通過安全的反曏翻譯使AI構建的交易變得可讀。

習慣的用戶可能會像閲讀僞代碼一樣閲讀意圖語言。但大多數人需要用自然語言解釋。

我們不相信LLM會用這種反曏翻譯來保護我們免受欺騙。但是意圖模塊可以簡單地包含關於它們所做的事情的自然語言解釋。

例如，好的交換可以包含模闆“你支付X，將收到至少Y，否則這個交換失敗。”

但LLM可以做的不僅僅是髮現你想要什麽。

LLM將完成我們希望完成的交易

我們可以使用LLM來做一些我們覺得容易錶達但實際很難做到的事情。

無限的關註

準確地對你想要的廣泛甚至不可預測的事件做出反應。

LLM更快，而且有無限的註意力。他們可以：

執行長序列的交易，中間有任意的等待時間或失敗；

監測異常事件(異常值)併找到安全的應對方法；

探索大量的信息(例如，閲讀文檔和白皮書或查看穩定池的所有年利率)併選擇最合適的選項；

監視條件類型，然後執行精確的預定義策略。

衕樣，單純自動化和LLM之間的區別在於LLM可以在語義上匹配意圖和特定情況。由於它們的模糊性，它們可以覆蓋更廣泛的場景，而不是簡單的鏈上意圖。

LLM會讓你在適當的時候重新投資或轉移頭寸、對新聞做出你想要的反應、有耐心完成橋接交易、或爲空投撰寫戰略和做準備變得輕而易舉。

但時間和註意力併不是阻礙我們進行良好交易的唯一因素。

剋服情緒偏見

輕鬆地爲大量的場景做好準備。

我們希望自己的反應——例如，在達到價格目標後退出，或者在穩定幣崩潰時做出戰略性反應——與我們實際的反應——貪婪和恐慌是有區別的。

LLM可以幫助我們做出理想的決定，併堅定地執行我們在平靜時刻定義的意圖。

在LLM的幫助下，我們可以爲各種場景準備一整套的意圖。我們可以讓我們的LLM在時機成熟時執行它——或者至少曏我們提供一個預先計畫好的簽署計畫。

但是，讓你的日常交易無摩擦隻是LLM在區塊鏈上所做的事情的開始。

LLM將使用區塊鏈作爲金融軌道

區塊鏈是LLM進行銀行業務的理想環境。無需許可、無需信任、確定性、透明、文檔完備且開源。

區塊鏈對人工智能來説也沒有障礙，不需要人爲潤滑，不需要KYC。沒有人可以按下開關關閉你的賬戶。金融我的世界：簡單且無限可編程的塊——每個人工智能的夢想。

如果代錶數百萬用戶的LLM選擇區塊鏈作爲他們的金融軌道，這很容易推動大規模消費者採用區塊鏈。

大規模消費者採用

LLM已經作爲聊天機器人被廣泛採用。讓他們能夠訪問區塊鏈併讓用戶錶達財務意圖隻是一小步。

我們將不僅僅使用LLM來穫取信息，還將使用LLM來查找、選擇和支付産品。穫得貸款，做出投資選擇。

如果區塊鏈成熟得足夠快，LLM的理性選擇將是使用它們，而不是tradfi。這可能足以扭轉局勢。

無論大規模採用如何，區塊鏈很可能成爲LLM尋求併爲自己想要購買的服務付費的地方。

人工智能通過區塊鏈雇傭人類

LLM可以雇傭人類來完成鏈上的任何任務。

LLM僅限於軟件可以做的事情。但通過區塊鏈，人工智能可以賄賂人類。人工智能可能從人類那裡購買的一些服務包括：

更高的智能：隻要人工智能不像人類那麽聰明，它們就可以購買人類的輸入來改進決策。

人性證明：如果某些行爲需要人性證明——比如用worldcoin驗證錢包、提供居住證明、開設銀行賬戶或解決驗證碼——人工智能可以付錢給人類來爲他們做這些事。

代錶：在現實世界的會議中代錶人工智能，或者做任何目前需要或更有效地由人類完成的事情。

物理事物：做需要物理身體的事情：去收集一些東西，組裝一些東西，進行一個實驗，或者爲另一個人做一些人類的事情。

在今天的LLM課程中，你可能無法判斷是人類還是人工智能在管理項目。

人工智能管理的項目

今天的LLM可以管理整個項目是可行的。LLM可以通過精確的協調和無限的支持來彌補智力的不足。

當需要更多的智能時，人工智能可以要求有經驗的人提供輸入。例如，在整個項目目標、計畫或軟件架構上。

允許人工智能管理項目的軌道已經存在。像Dework這樣的任務平颱提供了人工智能在鏈上雇傭人類所需的一切。

對於人工智能來説，一個有趣的項目是讓人類建造缺失的部件來滿足人工智能用戶的意圖。例如，缺少意圖模塊，或者缺少協議認證。然後衆包需要這些組件的用戶的開髮。

但實際上任何項目都是可能的。

我們將如何交易以及如何使用區塊鏈的變化可能會對鏈、協議和錢包産生重要影響。

如何在LLM的世界中穫勝

LLM將如何改變游戲規則？

可證明的事實比品牌和“營銷”更重要

LLM可能不會受到無法證實的説法和“營銷”的影響。

相反，可驗證的事實(正常運行時間、交易成本、區塊時間、預確認、深度/流動性、價格、安全證明)將更重要。

如果你的文檔和SDK主要由LLM使用，你也可以以不衕的方式編寫它們。

更好的解決方案可以在一夜之間穫勝

當人工智能構建你的意圖併合理優化時，像Morpho這樣對現有解決方案進行嚴格改進的協議，幾乎可以在一夜之間穫得巨大的市場份額。

這意味著具有規模經濟的解決方案將髮展得更快——但尋租者將很快被更好的解決方案推翻。

今天，你可能出於習慣還在使用SushiSwap，但明天LLM們就會選擇CowSwap。

區塊鏈將變得更加有用

與人工智能聊天幾分鐘，你就能製定出今年的投資策略。多虧了翻譯，模塊化和開放接口，你可以在鏈上錶達所有這些。此外，你可以找到直接的交易對手，省去交易費用——區塊鏈將變得更加有用。

LLM會讓單一的 UI 變得過時嗎？

單一的UI需要迎合所有人。LLM將爲每個人構建他們想要的UI。

如果LLM編寫大多數交易，併且LLM可以直接與協議交互，那麽固定的UI可能變得不那麽重要。

下麵這樣的對話已經成爲可能：

用戶：“曏我展示我持有的代幣的合理時間錶。”

LLM：“當然，我會繪製過去12個月的圖錶，將類似的資産(例如穩定幣)分組在一起，併根據所持代幣的美元價值日誌增加線條的厚度。聽起來怎麽樣？”

你：“聽起來不錯。”

LLM：“這是圖錶。”

構建一個適合所有人的UI的難題可能已經解決了。LLM將爲每個人構建他們想要的UI。

錢包能做什麽？

什麽是錢包？它可以保存你的密鑰，爲你進行RPC調用，爲你提供錶達意圖的UI，併監視你的交易。我們可能仍然想要錢包來保存我們的鑰匙，但LLM可能也可以做其他的事情。

一些錢包可能會使用經過微調的LLM，幫助你更快地找到意圖，使用意圖白名單模塊安全地錶達意圖，併爲LLM提供漂亮的UI構建塊來使用有關錢包的信息(如，可適應的儀錶闆)。

吸引LLM的區塊鏈將穫得大量銷量

無論誰成爲ChatGPT和其他LLM的主鏈，都將在大規模採用方麵領先一步。單一大型LLM服務的潛在容量可以使今天的錢包容量相形見絀。LLM集成可能是最有價值的訂單流集成。

協議可以更專門化

如果品牌不那麽重要，每個解決方案在人工智能眼中都衕樣可見，那麽更專業的解決方案就會變得更可行。

你可以構建一個專門用於小型場外交易（OTC）的協議，或者僅針對波動型代幣的TWAP，或者小型德國企業之間的KYB貸款。當它們適合某個意圖時，人工智能就會找到它們。

安全問題

LLM是難以理解的，很難協調一緻。你不能保證在智能合約中沒有隱藏一些提示，讓你把資金送到垃圾箱裡，衕時告訴你這隻是一次正常的交換。

正式的意圖模塊和安全的反曏翻譯可能是控製這種風險的方法。但這需要更多的研究。

還有人擔心，給那些可能很快就會比我們更聰明的繫統提供金融監管。對此我們可能無能爲力，但這是另一篇文章的討論內容。

總結

我們在這篇文章中提出了一些大膽的主張。

LLM將通過髮現和描述我們的意圖，使區塊鏈變得更加有趣。通過明智的了解意圖，更多的P2P交易將會髮生，全球易貨交易將使我們所有人都變得更好。

也許LLM會幫我們解決很大一部分用戶體驗問題。

大部分區塊鏈流量將由LLM驅動。尤其是使用區塊鏈作爲金融軌道的消費者LLM。

穫得人工智能關註的鏈和協議將會穫勝。

很快(或者今天？)我們將看到人工智能管理項目併賄賂人類來幫助他們解決問題。

目前尚不清楚如何將LLM安全地帶到鏈上。但是我們展示了一個正式的意圖語言可以作爲一個起點。

我們希望我們強調的一些含義和想法將成爲團隊探索LLM對區塊鏈影響的有用起點。

它不是AI或區塊鏈，而是AI區塊鏈。

聲明：

1. 本文轉載自[propellerheads]，著作權歸屬原作者[Yellow Propeller]，如對轉載有異議，請聯繫Gate Learn團隊（gatelearn@gate.io），團隊會根據相關流程盡速處理。
2. 免責聲明：本文所錶達的觀點和意見僅代錶作者個人觀點，不構成任何投資建議。
3. 文章其他語言版本由Gate Learn團隊翻譯， 在未提及Gate.io的情況下不得覆製、傳播或抄襲經翻譯文章。