Todos los días ves en el foro a gente hablando de farming de liquidez, liquidaciones por apalancamiento y rendimientos del restaking, como si fueran economistas macro. Y va y resulta que, en Silicon Valley, la configuración predeterminada de los modelos grandes ya llegó directamente a los 500k, casi duplicando la cantidad de documentos y código que pueden meter. Hablando en serio, las finanzas on-chain ya son tan complejas como el código de los modelos grandes: protocolos apilados unos sobre otros, reglas de multisig, modelos de tasas de interés dinámicas... Un laberinto de veinte capas.
Hace unos días intenté usar un modelo grande para que me ayudara a entender una propuesta de gobernanza y un informe de auditoría de un veterano protocolo de préstamos DeFi. Ni siquiera había terminado de leer las primeras decenas de miles de caracteres cuando el contexto ya no dio más y empezó a «quedarse en blanco». Casi tiro el teclado de la rabia. Pero ahora, de golpe, tenemos 500.000 de contexto por defecto. En adelante, para analizar esas autopsias de cisnes negros de decenas de páginas y las complejas lógicas de liquidación de préstamos, al menos la IA podrá tragarse el «libro contable» entero de una vez, sin que tenga que estar recordándole «¿qué era lo que habías olvidado de antes?».
Pero, pensándolo bien, ahora que las herramientas son más potentes, ¿no deberíamos también subir de nivel como pardillos on-chain? Antes la gente se quejaba de que DeFi tenía una barrera de entrada muy alta porque entender un white paper de un protocolo era un suplicio. Ahora la IA se traga de golpe millones de tokens; en el futuro podremos dejar que los modelos grandes sean nuestros asesores de bolsillo para analizar datos on-chain, detectar vulnerabilidades en contratos inteligentes y hacer backtesting de estrategias de arbitraje.
Esos proyectos de shitcoins que no hacen más que lanzar consignas y publicar memes seguramente acabarán en pelotas ante una capacidad de procesamiento de información de este nivel.
Cuando investigan DeFi, ¿suelen pasarle los datos a la IA para que los analice? ¿O creen que no es de fiar y prefieren hacer las cuentas a mano, tecla por tecla en la calculadora? Cuéntenlo en los comentarios: ¿qué herramientas de apoyo para análisis on-chain les resultan más prácticas?
Hace unos días intenté usar un modelo grande para que me ayudara a entender una propuesta de gobernanza y un informe de auditoría de un veterano protocolo de préstamos DeFi. Ni siquiera había terminado de leer las primeras decenas de miles de caracteres cuando el contexto ya no dio más y empezó a «quedarse en blanco». Casi tiro el teclado de la rabia. Pero ahora, de golpe, tenemos 500.000 de contexto por defecto. En adelante, para analizar esas autopsias de cisnes negros de decenas de páginas y las complejas lógicas de liquidación de préstamos, al menos la IA podrá tragarse el «libro contable» entero de una vez, sin que tenga que estar recordándole «¿qué era lo que habías olvidado de antes?».
Pero, pensándolo bien, ahora que las herramientas son más potentes, ¿no deberíamos también subir de nivel como pardillos on-chain? Antes la gente se quejaba de que DeFi tenía una barrera de entrada muy alta porque entender un white paper de un protocolo era un suplicio. Ahora la IA se traga de golpe millones de tokens; en el futuro podremos dejar que los modelos grandes sean nuestros asesores de bolsillo para analizar datos on-chain, detectar vulnerabilidades en contratos inteligentes y hacer backtesting de estrategias de arbitraje.
Esos proyectos de shitcoins que no hacen más que lanzar consignas y publicar memes seguramente acabarán en pelotas ante una capacidad de procesamiento de información de este nivel.
Cuando investigan DeFi, ¿suelen pasarle los datos a la IA para que los analice? ¿O creen que no es de fiar y prefieren hacer las cuentas a mano, tecla por tecla en la calculadora? Cuéntenlo en los comentarios: ¿qué herramientas de apoyo para análisis on-chain les resultan más prácticas?