क्या AI क्रिप्टो श्वेतपत्रों का मूल्यांकन कर सकता है? एक अध्ययन में इसकी जाँच

2008 में प्रकाशित मूल Bitcoin (BTC ) श्वेतपत्र के बाद से बड़ी संख्या में नई क्रिप्टोकरेंसी उभरी हैं। इनमें से कुछ, जैसे Ethereum, (ETH ) इतनी लोकप्रिय हो गई हैं कि मूल Bitcoin की गंभीर प्रतिद्वंद्वी बन गई हैं। लेकिन इसका यह भी मतलब है कि क्रिप्टो में निवेश करने वालों के लिए उचित जाँच-पड़ताल करना लगातार जटिल होता गया है।

बेशक, यह समस्या केवल क्रिप्टो निवेशों तक सीमित नहीं है, लेकिन क्रिप्टोकरेंसी की प्रकृति इसे ज़्यादातर निवेशकों के लिए और कठिन बना देती है। खासकर, निवेश में दिलचस्पी रखने वाले खुदरा निवेशकों के पास—और यहाँ तक कि कई संस्थागत निवेशकों के पास भी—अधिकांश क्रिप्टो परियोजनाओं के आधार में मौजूद क्रिप्टोग्राफी विज्ञान और एल्गोरिदम को पूरी तरह समझने के लिए ज़रूरी गणितीय और तकनीकी ज्ञान नहीं है।

इसके अलावा, पारंपरिक प्रतिभूतियों की मानकीकृत फाइलिंग (जैसे प्रॉस्पेक्टस और 10-K रिपोर्ट) की तुलना में डिजिटल परिसंपत्तियों के लिए रिपोर्टिंग का कोई एकसमान प्रारूप नहीं है।

इस तरह उन्हें एक साथ सूचना की बाढ़, अव्यवस्थित खुलासों और सीमित नियामकीय सुरक्षा के खतरनाक मेल का सामना करना पड़ता है।

“इनिशियल कॉइन ऑफ़रिंग (ICO) की पहली लहर में हुई कई विफलताएँ और उसके बाद उन निवेशकों को हुए नुकसान, जो श्वेतपत्रों के आधार पर निवेश की व्यवहार्यता नहीं परख सके, नवोन्मेषी वित्त में उचित जाँच-पड़ताल और निवेशक-सुरक्षा के साधनों को मज़बूत करने की ज़रूरत दर्शाते हैं।”

सूचना की बाढ़ और जोखिमों का वस्तुनिष्ठ विश्लेषण करने की ज़रूरत AI के लिए एक आदर्श उपयोग-मामला लगती है, क्योंकि नई AI प्रणालियाँ विशेष रूप से इसी तरह के जटिल काम सँभालने के लिए बनाई गई हैं।

Swiss Financial Market Supervisory Authority FINMA और University of Liechtenstein के शोधकर्ताओं के एक समूह ने एक नया अध्ययन प्रकाशित किया है। इसमें जाँचा गया है कि LLM नई क्रिप्टो परियोजनाओं—विशेषकर उनके तकनीकी श्वेतपत्रों—का मूल्यांकन कैसे कर सकते हैं।

उन्होंने अपने निष्कर्ष Knowledge and Information Systems¹ में “डिजिटल परिसंपत्तियों के मूल्यांकन में LLM का उपयोग: मिश्रित विधियों पर आधारित शोध” शीर्षक से प्रकाशित किए।

क्रिप्टो श्वेतपत्रों पर LLM का उपयोग

मूल रूप से, “क्रिप्टो” केवल सट्टेबाज़ी के निवेश अवसर नहीं हैं, बल्कि “सूचना के विकेंद्रीकृत भंडारण, वितरित सहमति तंत्रों और स्मार्ट कॉन्ट्रैक्ट में अंतर्निहित प्रोटोकॉल पर आधारित डिजिटल परिसंपत्तियाँ” हैं।

नई क्रिप्टोकरेंसी के वास्तविक जोखिम और संभावित उपयोग-मामले इन्हीं तकनीकी विशेषताओं पर निर्भर करते हैं। इसी कारण LLM (बड़े भाषा मॉडल) जैसी आधुनिक AI प्रणालियाँ स्वचालित पाठ-विश्लेषण, ज्ञान-निष्कर्षण और परियोजनाओं के तुलनात्मक मूल्यांकन में मदद कर सकती हैं।

हालाँकि, LLM की विश्वसनीयता एक चिंता का विषय है। सीमित संदर्भ-क्षमता, दस्तावेज़ों के बड़े संग्रह सँभालने में कठिनाई और मनगढ़ंत जानकारी देने का जोखिम इनकी उपयोगिता को सीमित करते हैं।

इसलिए निवेशकों को यह उचित रूप से परखना होगा कि क्रिप्टो परियोजनाओं के मूल्यांकन के संदर्भ में ऐसे उपकरण वास्तव में कितने विश्वसनीय हैं।

इस काम में LLM की क्षमताओं का आकलन करने के लिए शोधकर्ताओं ने एक रूपरेखा बनाई। इसमें पहले श्वेतपत्रों को व्यवस्थित करके विश्लेषण के लिए उनका सारांश तैयार किया जाता है, फिर विशिष्ट AI प्रॉम्प्ट बनाए जाते हैं, नतीजों की तुलना मानवीय आकलनों से की जाती है और अंततः क्रिप्टो परियोजनाओं की संभावनाओं का मूल्यांकन करने के लिए LLM के इस्तेमाल का एक प्रोटोकॉल विकसित किया जाता है।

स्रोत: ज्ञान और सूचना प्रणालियाँ

सही उपकरण तैयार करना

उपयुक्त डेटा जुटाना

शोधकर्ताओं ने Token Offerings Research Database (TORD) को अपने प्राथमिक डेटा स्रोत के रूप में इस्तेमाल किया। इसमें इनिशियल कॉइन ऑफ़रिंग (ICO), सिक्योरिटी टोकन ऑफ़रिंग (STO) और इनिशियल एक्सचेंज ऑफ़रिंग (IEO) से जुड़ी हाथ से जुटाई गई जानकारी उपलब्ध है।

इसमें परियोजनाओं की आधिकारिक वेबसाइटें, श्वेतपत्र, संग्रहित वेब संसाधन, द्वितीयक डेटाबेस, एक्सचेंजों के खुलासे और नियामकीय फाइलिंग शामिल हैं।

इस डेटा के आधार पर 29 अलग-अलग टोकन परियोजनाओं का एक नमूना तैयार किया गया, जिनके श्वेतपत्र उपलब्ध रहे। इनमें से 27 को TORD में विशेषज्ञों की समेकित रेटिंग मिली हुई है।

मुख्य मॉडल के रूप में OpenAI GPT−3.5-turbo का कॉन्फ़िगरेशन चुना गया। इसके साथ दो छोटे ओपन-सोर्स मॉडल—Qwen2.5-0.5B और Qwen2.5-1.5B—भी चुने गए। कुल मिलाकर, इनसे विशेषज्ञों और LLM की 1,008 पूर्ण रेटिंग तैयार हुईं।

अलग-अलग तरीकों की जाँच

शोधकर्ताओं ने यह जानने के लिए अलग-अलग तरीके अपनाए कि क्रिप्टो परियोजनाओं के अध्ययन में LLM का सबसे बेहतर उपयोग कैसे किया जा सकता है।

• दृष्टिकोण 1: आंशिक दस्तावेज़का मूल्यांकन। इसमें मॉडल की सीमाओं को ध्यान में रखते हुए, श्वेतपत्र की अधिकतम संभव सामग्री LLM में डाली गई और उसे 4000 टोकन (लगभग 3000 शब्द) तक सीमित रखा गया।
• दृष्टिकोण 2: सारांश-आधारित मूल्यांकन, जिसमें टोकन की सीमाओं से निपटने के लिए दो चरण अपनाए गए: पहले श्वेतपत्र का सारांश तैयार किया गया और फिर उसका मूल्यांकन किया गया।
• दृष्टिकोण 3: पहलू-केंद्रित सारांश-आधारित मूल्यांकन, जिसमें निवेश संबंधी निर्णय लेने के लिए प्रासंगिक लक्षित जानकारी—विशेष रूप से प्रबंधन के व्यक्तित्व और अनुभव, उत्पाद की विशेषताओं और बाज़ार की स्थितियों—निकालकर सारांश बनाने की प्रक्रिया को और बेहतर किया गया।
  • इसमें अनुभव की कमी, वित्तीय भागीदारी का अभाव और परियोजना की त्रुटिपूर्ण संरचना जैसे संभावित ख़तरे के संकेत भी पहचाने गए।

एलएलएम द्वारा दिए गए अंतिम आकलन के निष्कर्ष के लिए 120 शब्दों की सीमा को इष्टतम पाया गया, ताकि त्रुटियों से बचा जा सके और संभावित उपयोगकर्ता को निष्कर्ष आसानी से समझ आए।

एलएलएम के तर्क-विचार को सर्वोत्तम संभावित नतीजे देने की दिशा में ढालने के लिए चार अलग-अलग प्रॉम्प्ट रणनीतियाँ अपनाई गईं:

• शून्य-उदाहरण (ZS): परियोजना-स्तर के उदाहरण दिए बिना, व्यवस्थित निर्देश देना
• कुछ-उदाहरण (FS): स्पष्ट मूल्यांकन आयाम और विशिष्ट आकलन मानदंड जोड़कर ZS को बेहतर बनाना।
• विचार-श्रृंखला (CoT): कारक-दर-कारक, चरणबद्ध तर्क का उपयोग करना।
• संदर्भ और मूल्यांकन-मानदंड सहित विचार-श्रृंखला (CoT-CR): टोकन लॉक करने की प्रणालियों और परियोजना की मौलिकता जैसे क्षेत्र-विशिष्ट पहलुओं को शामिल करना।

स्रोत: Knowledge and Information Systems

एलएलएम के नतीजे

पहलू-केंद्रित सारांश-आधारित मूल्यांकन को छोड़कर, एआई मॉडलों ने आम तौर पर क्रिप्टो परियोजना को मानवीय आकलनों की तुलना में अधिक रेटिंग दी।

“दृष्टिकोण 1 और 2 में अक्सर विवरणात्मक सामग्री को संक्षिप्त तो किया जाता है, लेकिन ख़तरे के संकेतों या शासन-संबंधी संकेतों को भरोसेमंद ढंग से सामने नहीं लाया जाता। इससे आशावादी पूर्वाग्रह पैदा होता है और मानवीय रेटिंग की तुलना में व्यवस्थित रूप से अधिक आकलन किया जाता है।”

कुल मिलाकर CoT प्रॉम्प्ट से सबसे कम रेटिंग मिली। विशेष रूप से, CoT और पहलू-केंद्रित सारांश-आधारित मूल्यांकन का संयोजन ही एकमात्र ऐसा दृष्टिकोण था जिसमें मानवीय आकलनों से कम मूल्यांकन हुआ।

स्रोत: Knowledge and Information Systems

रेटिंग ज़रूरत से ज़्यादा देने की इस प्रवृत्ति के बावजूद, सबसे मज़बूत परियोजनाओं का आकलन कुछ हद तक कम करने की विपरीत प्रवृत्ति भी देखी गई।

यह भी ध्यान देने योग्य है कि Qwen2.5-0.5B और Qwen2.5-1.5B एआई मॉडलों से GPT−3.5-turbo जैसे ही नतीजे मिले।

स्रोत: Knowledge and Information Systems

एलएलएम में पूर्वाग्रह के कारण

ज़्यादातर प्रॉम्प्ट रणनीतियों में एलएलएम क्रिप्टो परियोजनाओं का आकलन ज़रूरत से ज़्यादा क्यों करते हैं, इसकी वजह यह है कि सामान्य और कम व्यवस्थित सारांश अक्सर श्वेतपत्रों का प्रचारात्मक लहजा बनाए रखते हैं।

इसके विपरीत, पहलू-केंद्रित जानकारी निकालने से यह समस्या ज़्यादातर टल जाती है, लेकिन इसकी अपनी सीमाएँ हैं। शासन, प्रबंधन या टोकन डिज़ाइन की कमज़ोरियों को सामने लाने पर इससे रेटिंग मानवीय सतर्कता के करीब आ सकती है। लेकिन साक्ष्य अधूरे होने या अलग-थलग नकारात्मक संकेत मूल्यांकन के तर्क पर हावी होने की स्थिति में यह परियोजनाओं को ज़रूरत से ज़्यादा दंडित भी कर सकता है।

इसी आधार पर शोधकर्ताओं ने निष्कर्ष निकाला कि एलएलएम मानवीय शोध में मदद कर सकते हैं, लेकिन उसकी पूरी तरह जगह नहीं ले सकते।

“इन प्रणालियों से पता चलता है कि डिज़ाइन की मुख्य चुनौती केवल प्रॉम्प्ट चुनना नहीं, बल्कि रेटिंग देने से पहले भरोसेमंद मध्यवर्ती साक्ष्य तैयार करना भी है। इसलिए इस साधन का उपयोग अंतिम निवेश स्कोर तय करने के बजाय उन मामलों को चिह्नित करने के लिए किया जाना चाहिए जिन पर विशेषज्ञों का ध्यान देना ज़रूरी है।”

कुल मिलाकर, कम-से-कम इस अध्ययन के अनुसार, ऐसा कोई एक “सर्वश्रेष्ठ दृष्टिकोण” नहीं है जिसे अपनाया जा सके।

मौजूदा डिज़ाइन मैट्रिक्स में संरचित सारांश और विचार-श्रृंखला प्रॉम्प्टिंग (दृष्टिकोण 2+ CoT) के संयोजन से सबसे कम त्रुटि मिली।

लेकिन पहलू-केंद्रित दृष्टिकोण संभावित ख़तरे के संकेत सामने लाता है और इसकी औसत रेटिंग मानवीय औसत के अधिक करीब है।

क्रिप्टो विश्लेषण के लिए एआई टूल बनाना

इसी आधार पर शोधकर्ता ने क्रिप्टो परियोजनाओं के विश्लेषण में एआई के इस्तेमाल की सर्वोत्तम विधि के लिए अपने सुझाव दिए:

1. त्रुटियों को यथासंभव सीमित करने के लिए, मॉडल से तर्क तैयार करवाने से पहले साक्ष्यों को व्यवस्थित किया जाना चाहिए।
2. अंशांकन और आउटपुट की जाँच करने की क्षमता को अलग-अलग डिज़ाइन और मूल्यांकित किया जाना चाहिए। संरचनात्मक ऑडिट की सुविधा और ख़तरे के संकेतों की दृश्यता बेहतर करने के लिए पहलू-केंद्रित जानकारी निष्कर्षण का उपयोग किया जाना चाहिए।
3. मॉडलों का त्रिकोणीय सत्यापन: तुलनात्मक परीक्षण किए बिना देखे गए त्रुटि-पैटर्न का कारण किसी एक मॉडल परिवार को नहीं मानना चाहिए, क्योंकि ये त्रुटियाँ सामान्य रूप से एलएलएम के बुनियादी कामकाज का नतीजा भी हो सकती हैं।

“मिलकर, ये सिद्धांत एलएलएम के एक अनुप्रयोग से आगे बढ़कर ऐसे निर्णय-सहायता साधनों के विन्यास के लिए डिज़ाइन संबंधी सिफ़ारिशों का समूह प्रस्तुत करते हैं, जिनका ऑडिट किया जा सकता है और जो कम मानकीकृत वित्तीय प्रकटीकरण व्यवस्थाओं में काम आते हैं।”

निवेशकों के लिए मुख्य बातें

यह अध्ययन एआई और क्रिप्टो, दोनों क्षेत्रों के निवेशकों के लिए दिलचस्प जानकारी देता है।

क्रिप्टो के क्षेत्र में यह स्पष्ट है कि एलएलएम अभी (या शायद कभी?) मानव-नेतृत्व वाली समुचित जाँच का विकल्प नहीं हैं। उदाहरण के लिए, क्रिप्टो श्वेतपत्रों में अत्यधिक उत्साह या प्रचारात्मक लहजे से एआई मॉडल भ्रमित हो सकते हैं, जिससे इन परियोजनाओं की संभावनाओं को बहुत अधिक आँकने का गंभीर जोखिम पैदा होता है।

हालाँकि, सही प्रॉम्प्ट-पद्धति अपनाकर एआई की मदद से चेतावनी के संकेतों का पता लगाना बहुत उपयोगी हो सकता है।

एआई में निवेश करने वालों के लिए, यह अध्ययन दिखाता है कि फिलहाल एलएलएम मानव श्रम का पूरी तरह विकल्प बनने में सक्षम नहीं हैं। फिर भी, वे एक मूल्यवान साधन हैं—खासकर बड़ी मात्रा में तकनीकी डेटा को छाँटने में।

यह अध्ययन यह भी दिखाता है कि एआई का सर्वोत्तम उपयोग करने के लिए सही प्रॉम्प्टिंग-पद्धति सीखना और सही विश्लेषण-पद्धति तैयार करना, दोनों ही अहम हैं। एआई तकनीक में निवेश के नज़रिये से, इससे शायद यह संकेत मिलता है कि एआई से उत्पादकता में होने वाले अधिकांश लाभ धीरे-धीरे मिलेंगे; वे केवल मॉडलों में सुधार से नहीं आएँगे। इसके बजाय, उपयोगकर्ताओं के लिए एआई टूल्स से अधिक परिचित होना और बेहतर विश्लेषण-रूपरेखा तथा प्रॉम्प्ट के ज़रिए नतीजों की गुणवत्ता को बेहतर बनाना सीखना ज़रूरी होगा।

क्रिप्टो बाज़ारों में निवेश

Coinbase

क्रिप्टोकरेंसी आम इस्तेमाल में तेज़ी से शामिल हो रही हैं, इसलिए अधिक निवेशक इनमें निवेश कर रहे हैं या क्रिप्टोकरेंसी बाज़ारों में अपनी हिस्सेदारी बढ़ा रहे हैं। क्रिप्टो परियोजनाओं की संख्या बढ़ने पर भी यही स्थिति है।

इससे Coinbase जैसी उन कंपनियों को फ़ायदा होता है जिनका क्रिप्टोकरेंसी ट्रेडिंग, परिसंपत्तियों की कीमतों, अभिरक्षा और संस्थागत भागीदारी से गहरा जुड़ाव है।

इसलिए, Coinbase जैसे क्रिप्टो एक्सचेंजों और प्रौद्योगिकी प्लेटफ़ॉर्म में निवेश करना, किसी खास टोकन को मनमाने ढंग से चुने बिना क्रिप्टो बाज़ार की स्थिति में निवेश का अवसर पाने का एक तरीका हो सकता है।

हालाँकि, इसका यह अर्थ नहीं है कि Coinbase के सार्वजनिक रूप से कारोबार किए जाने वाले शेयरों में निवेश करने वालों को वही संभावित रिटर्न (और जोखिम) मिलेंगे जो सीधे क्रिप्टो में निवेश से मिल सकते हैं। इसके बजाय, यह क्रिप्टो बाज़ार के बुनियादी ढाँचे में निवेश है। Coinbase के अनुसार, 30 जून, 2026 तक उसके प्लेटफ़ॉर्म पर 246 अरब डॉलर की परिसंपत्तियाँ थीं।

आज Coinbase के मुख्य ऐप और क्रिप्टो एक्सचेंज के अलावा, कंपनी कई पूरक सेवाएँ भी पेश करती है:

• Coinbase One, एक प्रीमियम सदस्यता सेवा, जिसमें ट्रेडिंग शुल्क शून्य है, स्टेकिंग पर बढ़े हुए पुरस्कार मिलते हैं और क्रिप्टो कर कैलकुलेटर तथा क्रिप्टो शोध जैसी सेवाएँ देने वाले साझेदारों के साथ विशेष सौदे शामिल हैं।
• Coinbase Advanced, पेशेवर क्रिप्टो ट्रेडरों के लिए।
• Coinbase Wallet, एक्सचेंजों से बाहर क्रिप्टोकरेंसी और NFT को अपने नियंत्रण में रखने के लिए।
• Coinbase Earn, एक स्टेकिंग सेवा, जिसमें क्रिप्टोकरेंसी के मालिक नेटवर्क से ब्याज कमाने के लिए अपनी क्रिप्टोकरेंसी लॉक कर सकते हैं। 2023 में Coinbase के ग्राहकों ने इससे 230 मिलियन डॉलर कमाए।
• Coinbase Card, क्रिप्टोकरेंसी से खरीदारी करने के लिए Visa का डेबिट कार्ड। USD से भुगतान करने पर Bitcoin में 1% कैशबैक मिलता है और ETH से भुगतान करने पर USDC में 1.5%। यह कार्ड उन सभी जगहों पर स्वीकार किया जाता है जहाँ Visa के डेबिट कार्ड स्वीकार किए जाते हैं।
• USD Coin (USDC), एक डिजिटल स्थिरमुद्रा जिसका मूल्य अमेरिकी डॉलर के बराबर है, एक “डिजिटल डॉलर” बनाने का प्रयास कर रही है।

एआई समेत अधिक उन्नत टूल्स विकसित होने के साथ, वे मौजूदा क्रिप्टो बुनियादी ढाँचे को और सक्षम बनाएँगे। अब अधिक परिपक्व और प्रमुख प्लेटफ़ॉर्म के रूप में, Coinbase क्रिप्टो के आम इस्तेमाल में तेज़ी से शामिल होने की बढ़ती प्रवृत्तियों—Bitcoin ETF, स्थिरमुद्राओं और शेयरों के टोकनीकरण—से लाभ उठाने की बेहतर स्थिति में है।

(Coinbase के इतिहास, सेवाओं और निवेश की संभावनाओं के बारे में अधिक जानकारी कंपनी पर हमारी विशेष रिपोर्ट में पढ़ें)

Coinbase (COIN) के शेयरों से जुड़ी ताज़ा खबरें और घटनाक्रम

संदर्भित अध्ययन

^{1. Yann Thorens आदि। डिजिटल परिसंपत्तियों के आकलन में एलएलएम का अनुप्रयोग: मिश्रित-पद्धति अनुसंधान। Knowledge and Information Systems। 17 अक्टूबर 2026। https://doi.org/10.1007/s10115-026-02910-2}