Etherscan lanza su herramienta Code Reader accionada por inteligencia artificial
El 19 de junio, Etherscan, una plataforma de análisis y exploración de bloques de Ethereum, lanzó una nueva herramienta, denominada “Code Reader”, que utiliza inteligencia artificial para extraer e interpretar el código fuente de una dirección de contrato específica. Después de que el usuario introduzca el código, Code Reader genera una respuesta a través del modelo de lenguaje de OpenAI (LLM), proporcionando información sobre los archivos de código fuente del contrato. Los desarrolladores de Etherscan escribieron:
“Para usar la herramienta, necesitas una Clave de API de OpenAI válida y límites de uso suficientes de OpenAI. Esta herramienta no almacena tus claves de API”.
Los casos de uso de Code Reader incluyen la obtención de una visión más profunda del código de los contratos a través de explicaciones generadas por IA, la obtención de listas completas de funciones de contratos inteligentes relacionadas con datos de Ethereum y la comprensión de cómo el contrato subyacente interactúa con aplicaciones descentralizadas (dApps). “Una vez extraídos los archivos del contrato, podrás elegir un archivo de código fuente específico para leerlo. Además, puedes modificar el código fuente directamente dentro de la interfaz de usuario antes de compartirlo con la IA”, escribieron los desarrolladores.
En pleno auge de la inteligencia artificial, algunos expertos han advertido sobre la viabilidad de los actuales modelos de IA. Según un reciente informe publicado por la empresa de capital riesgo singapurense Foresight Ventures, “los recursos de potencia informática serán el próximo gran campo de batalla de la próxima década”. Dicho esto, a pesar de la creciente demanda de entrenamiento de grandes modelos de IA en redes descentralizadas de potencia de cálculo distribuida, los investigadores afirman que los prototipos actuales se enfrentan a importantes limitaciones, como la compleja sincronización de datos, la optimización de la red, la privacidad de los datos y los problemas de seguridad.
En un ejemplo, los investigadores de Foresight señalaron que el entrenamiento de un modelo de gran tamaño con 175,000 millones de parámetros con representación en coma flotante de precisión única requeriría unos 700 gigabytes. Sin embargo, el entrenamiento distribuido requiere que estos parámetros se transmitan y actualicen con frecuencia entre nodos informáticos. En el caso de 100 nodos de cálculo y de que cada uno de ellos tuviera que actualizar todos los parámetros en cada paso unitario, el modelo requeriría la transmisión de 70 terabytes de datos por segundo, lo que supera con creces la capacidad de la mayoría de las redes. Resumieron los investigadores:
“En la mayoría de los escenarios, los modelos pequeños de IA siguen siendo una opción más factible y no deben pasarse por alto demasiado pronto en la marea del FOMO en modelos grandes”.
Aclaración: La información y/u opiniones emitidas en este artículo no representan necesariamente los puntos de vista o la línea editorial de Cointelegraph. La información aquí expuesta no debe ser tomada como consejo financiero o recomendación de inversión. Toda inversión y movimiento comercial implican riesgos y es responsabilidad de cada persona hacer su debida investigación antes de tomar una decisión de inversión
Las inversiones en criptoactivos no están reguladas. Es posible que no sean apropiados para inversores minoristas y que se pierda el monto total invertido. Los servicios o productos ofrecidos no están dirigidos ni son accesibles a inversores en España.
