Kaya bang suriin ng AI ang mga white paper ng crypto? Sinusubok ito ng isang pag-aaral

Mula sa orihinal na white paper ng Bitcoin (BTC ) na inilathala noong 2008, napakaraming bagong cryptocurrency ang umusbong, at ang ilan, gaya ng Ethereum, (ETH ) ay naging popular nang sapat upang maging seryosong karibal ng orihinal. Ngunit dahil dito, lalong naging masalimuot ang masusing pagsusuri bago mamuhunan sa crypto.

Siyempre, hindi lamang sa pamumuhunan sa crypto umiiral ang problemang ito, ngunit dahil sa katangian ng mga cryptocurrency, mas mahirap ito para sa karamihan ng mga mamumuhunan. Lalo na ang mga retail investor na interesadong mamuhunan, at maging ang maraming institusyonal na mamumuhunan, ay walang sapat na kaalamang matematikal at teknikal upang lubos na maunawaan ang mga agham at algorithm ng kriptograpiya na pinagbabatayan ng karamihan sa mga proyektong crypto.

Bukod dito, walang iisang pamantayang format ng pag-uulat ang mga digital asset, di-gaya ng mga standardized na dokumento ng mga tradisyonal na securities (hal., mga prospektus at ulat na 10-K).

Dahil dito, sabay-sabay nilang hinaharap ang mapanganib na kombinasyon ng labis na dami ng impormasyon, mga pagsisiwalat na walang iisang pamantayan, at limitadong proteksiyong regulatorio.

“Ipinakikita ng maraming pagbagsak sa unang bugso ng mga Initial Coin Offering (ICO), at ng mga sumunod na pagkalugi ng mga mamumuhunang hindi nakapagsuri sa posibilidad na magtagumpay ang mga pamumuhunan batay sa mga white paper, na kailangang paigtingin ang masusing pagsusuri at mga kasangkapan sa pagprotekta sa mamumuhunan sa makabagong pananalapi.”

Dahil idinisenyo ang mga bagong sistema ng AI upang humawak ng ganitong uri ng masalimuot na gawain, tila akmang-akma ang AI sa pagharap sa sobrang dami ng impormasyon at sa pangangailangang suriin nang obhetibo ang mga panganib.

Naglabas ang isang pangkat ng mga mananaliksik mula sa Swiss Financial Market Supervisory Authority FINMA at University of Liechtenstein ng bagong pag-aaral tungkol sa kung paano masusuri ng mga LLM ang mga bagong proyektong crypto, lalo na ang mga teknikal na white paper ng mga ito.

Inilathala nila ang kanilang mga natuklasan sa Knowledge and Information Systems¹, sa ilalim ng pamagat na “Paggamit ng LLM sa pagsusuri ng mga digital asset: pananaliksik gamit ang magkakahalong pamamaraan”.

Paggamit ng mga LLM sa mga white paper ng crypto

Sa pinakapayak na pakahulugan, ang mga “crypto” ay hindi lamang mga pagkakataon para sa ispekulatibong pamumuhunan, kundi mga “digital asset na nakabatay sa mga protocol na nakapaloob sa desentralisadong pag-iimbak ng impormasyon, mga mekanismo ng distributed consensus, at mga smart contract.”

Nakabatay sa mga teknikal na katangiang ito ang mga tunay na panganib at posibleng gamit ng mga bagong crypto. Kaya makatutulong ang mga makabagong AI gaya ng mga LLM (Large Language Model) sa awtomatikong pagsusuri ng teksto, pagkuha ng kaalaman, at paghahambing ng mga proyekto.

Gayunman, usapin ang pagiging maaasahan ng mga LLM. Nalilimitahan ang pagiging kapaki-pakinabang ng mga ito dahil sa limitadong laki ng konteksto, hirap sa paghawak ng malalaking koleksiyon ng mga dokumento, at panganib ng pagbuo ng maling impormasyon.

Kaya kailangang malaman ng mga mamumuhunan kung gaano talaga maaasahan ang mga ganitong kasangkapan sa pagsusuri ng mga proyektong crypto.

Upang masuri ang kakayahan ng mga LLM sa gawaing ito, bumuo ang mga mananaliksik ng balangkas na nagsisimula sa paunang pagproseso ng datos—inaayos at binubuod ang mga white paper para masuri—sinusundan ng pagdidisenyo ng mga tiyak na prompt para sa AI at paghahambing ng mga resulta sa mga pagtatasa ng tao, at nagtatapos sa pagbuo ng protocol para gamitin ang mga LLM sa paghatol sa potensiyal ng mga proyektong crypto.

Pinagmulan: Mga Sistema ng Kaalaman at Impormasyon

Pagbuo ng mga angkop na kasangkapan

Pagtipon ng angkop na datos

Ginamit ng mga mananaliksik ang Token Offerings Research Database (TORD) bilang pangunahing mapagkukunan ng datos. Naglalaman ito ng impormasyong mano-manong tinipon tungkol sa mga Initial Coin Offering (ICO), Security Token Offering (STO), at Initial Exchange Offering (IEO).

Kabilang dito ang mga opisyal na website ng proyekto, mga white paper, mga naka-arkibong mapagkukunan sa web, mga sekundaryang database, mga pagsisiwalat sa palitan, at mga dokumentong inihain sa mga regulator.

Ginamit ang datos na ito upang bumuo ng sampol na may 29 na natatanging proyekto ng token na may mga white paper pang maa-access; may pinagsama-samang rating ng eksperto sa TORD ang 27 sa mga ito.

Pinili ang pangunahing configuration ng OpenAI GPT−3.5-turbo, gayundin ang dalawang maliliit na open-source na modelo na Qwen2.5-0.5B at Qwen2.5-1.5B. Sa kabuuan, nakabuo ang mga ito ng 1,008 kumpletong rating mula sa mga eksperto at LLM.

Pagsubok sa iba’t ibang pamamaraan

Gumamit ang mga mananaliksik ng iba’t ibang pamamaraan upang malaman kung paano pinakamainam na magagamit ang mga LLM sa pag-aaral ng mga proyektong crypto.

• Pamamaraan 1: Pagmamarka batay sa bahagi ng dokumento, na kinapapalooban ng paglalagay sa LLM ng pinakamaraming posibleng nilalaman ng white paper, hanggang 4000 token (humigit-kumulang 3000 salita), upang umangkop sa mga limitasyon ng modelo.
• Pamamaraan 2: pagmamarka batay sa buod, na tumutugon sa limitasyon sa dami ng token sa pamamagitan ng dalawang hakbang: ibuod muna ang white paper, saka ito bigyan ng rating.
• Pamamaraan 3: pagmamarka batay sa buod na nakatuon sa mga aspeto, na higit pang pinahusay ang pagbubuod sa pamamagitan ng pagkuha ng mga naka-target na impormasyong mahalaga sa pagpapasya sa pamumuhunan—partikular na ang personalidad at karanasan ng pamunuan, mga katangian ng produkto, at mga kondisyon sa merkado.
  • Natukoy rin nito ang mga posibleng babalang palatandaan, gaya ng kakulangan sa karanasan, kawalan ng pinansiyal na pakikilahok, o mga istruktura ng proyektong hindi pinag-isipang mabuti.

Napag-alamang pinakamainam ang limitasyong 120 salita para sa pangwakas na konklusyon ng pagtatasa na ilalabas ng mga LLM, upang maiwasan ang mga pagkakamali at makapagbigay ng konklusyong madaling maunawaan ng mga potensyal na gumagamit.

Gumamit ng apat na magkakaibang estratehiya sa pagbuo ng prompt upang gabayan ang pangangatwiran ng LLM tungo sa pinakamahuhusay na posibleng resulta:

• Zero-Shot (ZS): pagbibigay ng mga organisadong tagubilin nang walang mga halimbawang partikular sa proyekto
• Few-Shot (FS): pinahusay na ZS na may tahasang mga dimensiyon ng pagsusuri at mga tiyak na pamantayan sa pagtatasa.
• Chain-of-Thought (CoT): paggamit ng sunod-sunod na pangangatwiran sa antas ng bawat salik.
• Pangangatwiran sa Sunod-sunod na Hakbang na may Konteksto at Rubric (CoT-CR): pagsasama ng mga pagsasaalang-alang na partikular sa larangan, gaya ng mga mekanismo ng pagla-lock ng token at pagka-orihinal ng proyekto.

Pinagmulan: Knowledge and Information Systems

Mga resulta ng LLM

Maliban sa pagmamarka batay sa buod na nakatuon sa mga aspeto, karaniwang mas mataas ang ibinigay na marka ng mga modelo ng AI sa proyektong crypto kaysa sa mga pagtatasa ng mga tao.

“Madalas na pinaikli ng mga Pamamaraan 1 at 2 ang nilalaman ng salaysay nang hindi maaasahang natutukoy ang mga babalang palatandaan o senyales tungkol sa pamamahala. Nagdudulot ito ng pagkiling sa pagiging optimistiko at sistematikong mas mataas na pagtatantiya kumpara sa mga marka ng tao.”

Pinakamababang marka sa kabuuan ang nalikha ng mga prompt na CoT; kapansin-pansin na ang CoT + pagmamarka batay sa buod na nakatuon sa mga aspeto lamang ang pamamaraang nagresulta sa mas mababang pagtatasa kaysa sa mga pagtatasa ng tao.

Pinagmulan: Knowledge and Information Systems

Sa kabila ng tendensiyang ito na magbigay ng mas mataas na marka, napansin din ang kabaligtarang bahagyang tendensiya na maliitin ang pinakamahuhusay na proyekto.

Dapat ding tandaan na nang gamitin ang mga modelo ng AI na Qwen2.5-0.5B at Qwen2.5-1.5B, nakakuha ng mga resultang katulad ng mula sa GPT−3.5-turbo.

Pinagmulan: Knowledge and Information Systems

Pagpapaliwanag sa pagkiling ng mga LLM

Ang dahilan kung bakit malamang na magbigay ng sobrang taas na pagtatantiya ang mga LLM sa mga proyektong crypto gamit ang karamihan sa mga estratehiya sa pagbuo ng prompt ay dahil karaniwang napapanatili sa mga pangkalahatan at bahagyang nakaayos na buod ang tono ng promosyon ng mga white paper.

Sa kabilang banda, kadalasang naiiwasan ng pagkuha ng impormasyong nakatuon sa mga aspeto ang problemang ito, ngunit may iba rin itong limitasyon. Maaari nitong ilapit ang mga marka sa maingat na pagtatasa ng mga tao kapag natutukoy nito ang mga kahinaan sa pamamahala, pamunuan, o disenyo ng token. Ngunit maaari rin nitong labis na maparusahan ang mga proyekto kapag hindi kumpleto ang ebidensiya o kapag nangingibabaw sa batayan ng marka ang iilang negatibong palatandaan.

Dahil dito, napagpasiyahan ng mga mananaliksik na maaaring makatulong ang mga LLM sa pananaliksik ng tao, ngunit hindi nila ito ganap na mapapalitan.

“Ipinahihiwatig ng mga mekanismong ito na hindi lamang pagpili ng prompt ang pangunahing hamon sa disenyo; hamon din ang pagbuo ng maaasahang pansamantalang ebidensiya bago magbigay ng marka. Dahil dito, dapat gamitin ang sistemang ito upang tukuyin ang mga kasong nangangailangan ng atensiyon ng eksperto, sa halip na gumawa ng mga pinal na marka sa pamumuhunan.”

Sa kabuuan, walang iisang “pinakamahusay na pamamaraan” na maaaring gamitin, batay man lamang sa pag-aaral na ito.

Pinakamababa ang nakuhang error sa kasalukuyang disenyo ng pagsusuri kapag pinagsama ang Organisadong Buod at Chain-of-Thought prompting (Pamamaraan 2 + CoT).

Ngunit natutukoy ng pamamaraang nakatuon sa mga aspeto ang mga posibleng babalang palatandaan, at mas malapit sa katamtamang marka ng mga tao ang karaniwang antas ng markang ibinibigay nito.

Pagbuo ng kasangkapang AI para sa pagsusuri ng crypto

Dahil dito, inilatag ng mananaliksik ang kanilang mga mungkahi para sa pinakamainam na paraan ng paggamit ng AI sa pagsusuri ng mga proyektong crypto:

1. Dapat munang isaayos ang ebidensiya bago buuin ng modelo ang pangangatwiran nito, upang malimitahan hangga’t maaari ang mga pagkakamali.
2. Dapat magkahiwalay na idisenyo at suriin ang kalibrasyon at ang kakayahang siyasatin ang mga inilalabas na resulta. Dapat gamitin ang pagkuha ng impormasyong nakatuon sa mga aspeto upang mapahusay ang kakayahang i-audit ang estruktura at makita ang mga babalang palatandaan.
3. Pagtatambal ng mga modelo: hindi dapat iugnay sa iisang pamilya ng modelo ang mga napansing padron ng error nang walang paghahambing na pagsusuri, dahil maaaring bunga ang mga ito ng pangkalahatang paraan ng paggana ng mga LLM.

“Pinagsasama ng mga prinsipyong ito ang ambag ng pag-aaral: mula sa paggamit ng mga LLM tungo sa isang hanay ng mga rekomendasyon sa disenyo para sa pagbuo ng mga nasisiyasat na kasangkapang sumusuporta sa pagpapasya, sa mga sitwasyong hindi gaanong pamantayan ang pagsisiwalat ng impormasyong pinansiyal.”

Mga dapat malaman ng mga mamumuhunan

Nagbibigay ang pag-aaral na ito ng kapaki-pakinabang na impormasyon para sa mga mamumuhunan sa AI at crypto.

Pagdating naman sa crypto, malinaw na hindi (pa?) pamalit sa masusing pagsusuring pinangungunahan ng tao ang mga LLM. Halimbawa, maaaring malinlang ang mga modelo ng AI ng labis na sigasig o tonong mapanghikayat sa mga white paper ng crypto, na nagdudulot ng malaking panganib na masobrahan ang pagtataya sa potensyal ng mga proyektong ito.

Gayunman, maaaring maging lubhang kapaki-pakinabang ang paggamit ng AI para makita ang mga babalang palatandaan, kung tama ang pamamaraan sa pagbuo ng prompt.

Para sa mga namumuhunan sa AI, ipinakikita ng pag-aaral na ito na hindi pa kayang ganap na palitan ng mga LLM ang paggawa ng tao sa kasalukuyan. Gayunman, mahalaga silang kasangkapan, lalo na sa pagsala ng napakaraming teknikal na datos.

Ipinakikita rin nito na mahalaga sa pinakamainam na paggamit ng AI ang pagkatuto sa wastong paraan ng pagbuo ng prompt, gayundin ang pagdidisenyo ng tamang metodolohiya sa pagsusuri. Mula sa pananaw ng pamumuhunan sa teknolohiya ng AI, malamang na ipinakikita nito na unti-unting makakamit ang karamihan sa mga pakinabang ng AI sa produktibidad, at hindi lamang dahil sa paghusay ng mga modelo. Sa halip, mahalagang mas maging pamilyar ang mga gumagamit sa mga kasangkapan ng AI at matutuhan nilang pagandahin ang kalidad ng mga resulta sa pamamagitan ng mas mahusay na disenyo ng pagsusuri at mga prompt.

Pamumuhunan sa mga Pamilihan ng Crypto

Coinbase

Habang nagiging mas laganap ang mga cryptocurrency, dumarami ang mga namumuhunang nagkakaroon ng exposure sa mga ito o nagpapalawak ng kanilang presensiya sa mga pamilihan ng cryptocurrency. Ganoon din ang nangyayari habang dumarami ang mga proyekto sa crypto.

Nakikinabang dito ang mga kumpanyang tulad ng Coinbase, na malapit na nakaugnay sa pangangalakal ng cryptocurrency, mga presyo ng asset, pag-iingat ng mga asset, at pakikilahok ng mga institusyon.

Samakatuwid, maaaring mamuhunan ang mga mamumuhunan sa mga palitan ng crypto at mga plataporma ng teknolohiya tulad ng Coinbase upang magkaroon ng exposure sa kalagayan ng merkado ng crypto, nang hindi kinakailangang pumili ng mga partikular na token nang walang malinaw na batayan.

Gayunman, hindi ito nangangahulugang magbibigay ang Coinbase sa mga namumuhunan sa mga stock nito na ipinagbibili sa publiko ng kaparehong potensyal na kita (at mga panganib) na maaaring makuha sa direktang pamumuhunan sa crypto. Sa halip, pamumuhunan ito sa imprastraktura ng merkado ng crypto; iniulat ng Coinbase na may $246 bilyong halaga ng mga asset sa plataporma nito noong Hunyo 30, 2026.

Sa kasalukuyan, bukod sa pangunahing app at palitan ng crypto ng Coinbase, mayroon ang kumpanya ng ilang karagdagang alok:

• Coinbase One, isang premium na serbisyong may bayad na nag-aalok ng walang bayad sa pangangalakal, mas mataas na gantimpala sa staking, at mga alok mula sa mga kasosyo, gaya ng tagakuwenta ng buwis sa crypto at pananaliksik sa crypto, bukod sa iba pa.
• Coinbase Advanced, para sa mga propesyonal na mangangalakal ng crypto.
• Coinbase Wallet, para sa sariling pag-iingat ng mga cryptocurrency sa labas ng mga palitan, gayundin ng mga NFT.
• Coinbase Earn, isang serbisyong staking kung saan maaaring ikandado ng mga may-ari ng cryptocurrency ang kanilang crypto upang kumita ng interes mula sa network; kumita ng $230M ang mga customer ng Coinbase noong 2023.
• Coinbase Card, isang debit card ng Visa para bumili gamit ang mga cryptocurrency. Makakakuha ng 1% pabalik sa Bitcoin kapag nagbayad gamit ang USD, at 1.5% sa USDC kapag nagbayad gamit ang ETH. Tinatanggap ang card saanman tinatanggap ang mga debit card ng Visa.
• USD Coin(USDC), isang digital na stablecoin na kapantay ng halaga ng dolyar ng US, ay naglalayong lumikha ng “digital na dolyar.”

Habang patuloy na nalilikha ang mas maraming makabagong kasangkapan, kabilang ang AI, makadadagdag ang mga ito sa umiiral na imprastraktura ng crypto. Bilang isa na ngayong mas ganap na umunlad at nangingibabaw na plataporma, nasa magandang posisyon ang Coinbase upang makinabang sa patuloy na paglaganap ng crypto, na pinasisigla ng lumalawak na mga trend ng Bitcoin ETF, stablecoin, at tokenisasyon ng mga stock.

(Mababasa pa ninyo ang tungkol sa kasaysayan, mga alok, at potensyal sa pamumuhunan ng Coinbase sa aming nakalaang ulat tungkol sa kumpanya)

Pinakabagong Balita at mga Pag-unlad Tungkol sa Stock ng Coinbase (COIN)

Mga Sangguniang Pag-aaral

^{1. Yann Thorens, at mga kasama. Paglalapat ng LLM sa pagtatasa ng mga digital asset: pananaliksik gamit ang magkakahalong pamamaraan. Knowledge and Information Systems. 17 Oktubre 2026. https://doi.org/10.1007/s10115-026-02910-2}