В последние годы технологии искусственного интеллекта и блокчейн стали одними из самых обсуждаемых и перспективных направлений в ИТ-сфере. Они вызывают живой интерес у бизнеса, исследователей и пользователей по всему миру. Несмотря на очевидные различия между большими языковыми моделями (LLM) и блокчейнами, существует определенная архитектурная схожесть, которая заслуживает внимания — обе технологии сталкиваются с задачей работы с контекстом и необходимости интеграции актуальных данных из внешнего мира. Большие языковые модели, например ChatGPT, Claude или Gemini, создаются через обучение на огромных объемах текста. Этот процесс интенсивно требует ресурсов и занимает значительное время.
В результате, модели имеют так называемое «срок годности»: они отражают знание, накопленное только до определенной даты, после чего фактическая информация устаревает. Например, модель Anthropic Claude с выключенным веб-поиском сообщает, что её знания актуальны лишь до января 2025 года. Это создает фундаментальное ограничение — LLM не могут самостоятельно обновлять свои данные во времени без дополнительного подключения к внешним источникам информации. В этом плане можно провести параллели с блокчейном, представляющим собой неизменяемый цифровой реестр. Технология блокчейн гарантирует, что записанные в цепочку данные не были изменены задним числом, благодаря чему достигается высокая степень безопасности и доверия к информации.
Однако блокчейн не в состоянии проверить истинность первичных данных, которые в него были занесены. Если в блокчейн будет добавлено неверное утверждение, например, что небо зеленое, цепочка навсегда сохранит эту ошибку, не отличая правду от лжи. Решение этой проблемы в блокчейне обеспечивает механизм оракулов — источников внешних данных, которые «подсовывают» цепочке информацию из реального мира. Оракулы можно сравнить с API, через которые блокчейн получает актуальные сведения о погоде, спортивных результатах, котировках и других событиях. Их использование позволяет смарт-контрактам реагировать на реальные обстоятельства, расширяя функциональность и применимость технологии.
Аналогично, языковые модели достигают актуализации и расширения своих знаний через интеграцию с внешними сервисами. Веб-поиск и протоколы, подобные Model Context Protocol (MCP) от Anthropic, дают возможность LLM обращаться к свежей информации из различных публичных и частных баз данных. Такая техника, известная как Retrieval-Augmented Generation (RAG), помогает моделям задавать запросы к документам и источникам, которые не входят в стандартный тренировочный набор. Это существенно повышает адаптивность и практическую ценность искусственного интеллекта, позволяя моделям работать как с историческими, так и с актуальными данными. Несмотря на схожесть проблемы — изоляция от постоянно обновляющейся реальности — существует ряд принципиальных различий между большими языковыми моделями и блокчейном.
Во-первых, LLM не создавались с идеологией отказа от доверия к авторитетам. Они буквально питаются человеческим знанием, оставаясь глубоко зависимыми от текста, созданного людьми. В противоположность этому, одна из ключевых идей блокчейна изначально заключалась в минимизации доверия к централизованным институтам и создании децентрализованных систем, способных функционировать без необходимости верить третьей стороне. Во-вторых, блокчейн крайне ограничен в возможности выполнять полезные функции без оракулов. Без внешних данных блокчейн представляет собой лишь надежный, но очень узко специализированный реестр, преимущественно фиксирующий транзакции с криптовалютами.
В отличие от него, LLM изначально обладают множеством самостоятельных навыков: они могут анализировать, рассуждать, создавать тексты, программировать и решать задачи на основе накопленных знаний. Использование обновленных внешних данных усиливает их потенциал, но даже в изолированном состоянии они остаются мощным инструментом. Особенно интересен контраст подходов к доверию и верификации информации. Для блокчейна вопрос надежности данных из внешних источников является принципиальным. Оракулы не обладают встроенными механизмами консенсусной проверки, поэтому пользователю приходится полагаться на репутацию поставщика данных.
В случаях компрометации оракула нарушается и безопасность смарт-контрактов. Такая уязвимость – фундаментальный вызов для развития технологии в сферах, требующих ИТ-уровня доверия к информации. В отличие от этого, в мире LLM отсутствуют строгие идеологические барьеры, препятствующие обогащению модели контекстом. Более того, способность модели извлекать и использовать новейшие данные воспринимается как важное преимущество и не вызывает критики « purist-краевиков AI ». Это позволяет создавать гибридные системы, совмещающие аналитические возможности и доступ к динамичной информации.
Значение контекста для обеих технологий трудно переоценить. Для LLM интеграция с оперативными данными превращает искусственный интеллект из статичной базы знаний в динамичного помощника, способного эффективно работать с текущими событиями и персонализированными запросами. Для блокчейна же надежные оракулы расширяют горизонты использования технологии за пределы простого хранения данных, позволяя внедрять бизнес-логику, привязанную к реальным событиям. Следует также отметить, что несмотря на наличие перспектив у обеих технологий, в реальной практике блокчейн все еще сталкивается с проблемами масштабируемости и эффективного применения за рамками узкоспециализированных криптовалютных проектов. Эффективность и стоимость вычислений в блокчейне зачастую не позволяют рассматривать его как универсальный инструмент для наиболее широкого спектра задач.
Искусственный интеллект демонстрирует более широкий набор применений, что делает его более востребованным в массовом секторе. Таким образом, хотя контекст играет ключевую роль и в больших языковых моделях, и в блокчейне, подходы к его обеспечению, масштабы и последствия различны. LLM могут эффективно функционировать и без внешних источников, предоставляя практическую и интеллектуальную ценность сразу после обучения. Блокчейн же требует внедрения оракулов для существенного расширения своих возможностей и связки виртуального пространства с реальным миром. Интеграция описанных технологий, в том числе и сочетаемость алгоритмов искусственного интеллекта с безопасностью блокчейна, становится отдельным перспективным направлением исследований.
Она обещает создать новые формы децентрализованных интеллектуальных систем, в которых ИИ будет пользоваться преимуществами защищенности и доверия, а блокчейн — интеллектуальными возможностями анализа и принятия решений. В итоге можно констатировать, что велик потенциал взаимного обогащения LLM и блокчейн-технологий на уровне контекстного взаимодействия. Но при этом важно понимать как их общие проблемы, так и фундаментальные различия, чтобы успешно применить каждую технологию в соответствии с её сильными сторонами и ограничениями.
