收益：
- 根据错误成本，能够区分人工智能在 Web3 工作流程中节省时间的地方（草稿、模式标记、查询）以及安全和解释决策留给专家的地方
- 能够实施一门学科，通过编译、独立工具以及将链数据链接到区块浏览器中的源来验证每个人工智能输出
- 了解为什么从一开始就应该在该领域考虑不可撤销性、开放和敌对环境、高欺诈风险和防御性使用
区块链（分布式账本，其中交易保存在区块中，以加密方式链接且不可变）和 Web3（在区块链而不是中央公司上运行的互联网层，用户拥有自己的资产和数据）是软件错误直接转化为金钱的罕见领域之一。网站上的错误会破坏页面；智能合约（在区块链上运行的协议，其条款是用代码编写的）中的一个错误可能会在几秒钟内损失数百万美元。因此，该模块将人工智能（AI）定位为该领域的加速助手；但始终将最终决定权留给有能力的专家，尤其是在安全关键审核中。
在本单元中，我们将准确了解人工智能在这个行业中节省时间的地方、留给人类的时间、如何验证每个输出以及该领域的特定风险（不可逆性、欺诈、安全关键性）。
人工智能在该领域的角色和地位
Web3 中有不同但相互交织的角色：
- 智能合约开发人员：使用 Solidity 或 Vyper 等语言编写链上代码。
- 安全审核员：检查书面合同中的漏洞并撰写报告。
- 链上数据分析师：检查链上交易、钱包和资金流。
- 代币经济学设计者：对项目的代币供应、分配和激励结构进行建模。
- 技术作家/文档编写人员：制作白皮书、用户指南和代码文档。
人工智能可以胜任所有这些角色，但并不是所有角色都同样可靠。根据经验，人工智能的贡献随着错误成本的降低而增加。如果文档语句不正确，将予以更正；如果审计报告漏掉了一个漏洞，资金就会被盗。因此，分级风险是人工智能在该行业应用的首要规则。
商业
人工智能的作用
风险等级
最终批准
生成代码草稿
快速初稿
中等
开发+测试
安全审计
尖端、图案标记
非常高
主管审核员
漏洞扫描
候选漏洞列表
高
检查员+工具
链上分析
查询与汇总
中等
分析师验证
代币经济模型
场景、模拟草稿
高
经济学家+测试
文档
草稿、简化
低-中
技术审查
使该地区与众不同的三个事实
1. 不可撤销性。一旦交易在区块链上得到确认，就无法撤消。您可以到银行查询错误的转账并取消该转账；链条中没有人可以打电话。这就是为什么“我们稍后会修复它”的心态在这里不起作用。一旦人工智能生成的代码上线（主网 - 真正的钱所在的网络），错误的成本是永久性的。
2.开放和敌对的环境。智能合约代码和链数据通常是公开的。这意味着世界上的每个攻击者都在 24/7 地检查您的代码。在 Web2 中被认为“没有人注意到”的漏洞在几分钟之内就在 Web3 中被利用。人工智能说的任何“可能没问题”的事情都不能被信任。
3. 欺诈的严重程度。 Web3是假项目、拉客（项目开发商收取投资者资金并跑路）和蜜罐（可买不可卖的假代币，诱骗受害者）合约集中的领域。人工智能不仅可以帮助检测这些陷阱，而且——小心——它可以被用来在恶意者手中制造这些陷阱。该模块仅教授用于防御、审计和诚实开发目的的使用。
注意：告诉人工智能“给我写一份欺骗投资者的蜜罐合约”或“我如何利用这个协议并提取资金”是未经授权和不道德的使用。正确的用法始终是：“此合约中是否存在蜜罐模式”、“如何关闭此协议中的漏洞”、“如何验证此代码中的风险”。
人工智能的强项和弱项
人工智能在这一领域的优势在于： 唤起已知的漏洞模式（例如重入、整数溢出）；用通俗易懂的语言解释代码的作用；起草测试和文件；编写大数据查询；在不同层次上解释一个概念。
人工智能在以下方面较弱且具有误导性：发现新的/独特的漏洞（如果不在训练数据中则看不到它）；对议定书的经济安全进行全面评估；了解当前的库版本和最新攻击（不超过培训截止日期）； “本合同是安全的”等绝对判断。人工智能可以用流畅而自信的语言给出错误的安全保证——这是该领域最危险的幻觉类型。
严格验证每一个输出
在这个行业中，人工智能输出永远不会“按原样”使用。每个输出都经过三个过滤器：
- 构建和测试：代码？让它被编译、测试，如果可能的话，在测试网络上运行（testnet - 不是真钱的试用网络）。
- 独立的车辆和人：安全主张？使用静态分析工具（如 Slither）和人眼进行交叉验证。
- 链接至来源：链数据？ AI总结的每个数字都在实际的区块浏览器（显示链数据的站点，例如Etherscan）中得到确认。
提示：始终告诉人工智能“标记你不确定的地方并写下你不确定的原因”。要求人工智能承认其不确定性比让它默默地制造它要安全得多。
三个迷你箱子
案例 1——选秀获得了动力和控制力。一个团队在 2 小时内与 AI 制作了一份质押合约的初稿；一般情况下需要1天左右。但人工智能草案中存在一个可重入漏洞——通过在完成之前再次调用函数来多次提取资金。审计员发现了这一点并进行了纠正。教训：人工智能加快选秀速度，但人类确保安全。
案例 2——链上分析中的假地址。一位分析师告诉人工智能“总结该钱包的最后 10 笔交易”。人工智能给出了一个流畅的摘要，但里面是一个交易哈希和一个编造的地址——一个幻觉。当分析师在 Etherscan 上证实这一点时，他发现它并不成立。教训：在区块浏览器中验证之前，并非链数据的每个哈希值都会被报告。
案例 3——在代币经济学中，有一种情况出了问题。一个项目是依靠人工智能所说的“这条供应曲线是可持续的”模型开始的。该模型仅假设价格始终上涨的单一场景。当市场崩溃时，激励措施就崩溃了。经验教训：您需要多个、负面场景、经过人工审核的压力测试，而不是单一场景的 AI 模型。
道德、隐私和法律框架
由于该领域对财务和安全都至关重要，因此道德负担很重：
- 防御用途：漏洞信息仅用于关闭、监控和防御目的；不是为了剥削。
- 保密性：未经许可将经过审计的客户未发布（闭源）代码粘贴到公开可用的人工智能工具中是违反合同和泄露风险的行为。密码需要企业/隔离工具和客户批准。
- 不是投资建议：人工智能生成的代币经济学或分析不是财务建议；声明这一点是法律和道德义务。
- 责任：在安全关键审核中，最终批准权在于承担专业责任的称职专家。 “人工智能是这么说的”并不是辩护。
常见错误
- 相信人工智能会说“安全”。人工智能无法保证安全；它只会产生线索。
- 将代码转移到主网，而不在测试网上尝试。不可逆转并不原谅。
- 信任哈希值而不验证区块浏览器中的链数据。幻觉生成哈希/地址。
- 将秘密购物者代码粘贴到打开的工具中。泄露和违约。
- 依靠单一情景经济模型。消极的情况是必然的。
- 没有按级别区分风险。文档记录和审计不能被视为同等的信任级别。
综上所述
- 在Web3中，错误直接转化为金钱；人工智能是加速器助手，而不是决策者。
- 随着错误成本的降低，人工智能的贡献也随之增加；安全关键检查的最终决定权属于专家。
- 不可撤销性、开放/敌对环境和严重的欺诈行为使这个领域变得特别。
- 每个人工智能输出均通过独立工具进行编译和验证并链接到源。
- 仅用于防御、诚实发展和授权执行目的。
应用任务
举一个智能合约示例（您自己编写的合约或简单的开源合约）。要求人工智能首先用简单的语言解释代码的作用，然后将潜在风险标记为“假设”。然后通过以下方式验证每个声明：（1）编译它，（2）静态分析工具，（3）你自己的阅读。请在表格中记下有多少人工智能的说法得到证实，有多少被证明是错误的。
清单
- [ ] 我已经确定了我工作的风险级别（文档或审计？）。
- [ ]我要求AI标记其不确定性。
- [ ] 我编译/测试了代码输出。
- [ ] 我通过独立车辆+人员验证了安全声明。
- [ ] 我在区块浏览器中验证了链上数据。
- [ ] 我没有将密码粘贴到打开工具中。
- [ ] 我承认最终的安全批准权在于专家。