تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب استنادا إلى OP Stack + EigenDA

مقدمة | الانتقال النموذجي لـ Crypto AI

البيانات والنماذج وقدرة الحوسبة هي العناصر الأساسية الثلاثة للبنية التحتية للذكاء الاصطناعي، على غرار الوقود (البيانات) والمحرك (النموذج) والطاقة (قدرة الحوسبة) التي لا غنى عنها. مثل مسار تطور البنية التحتية في صناعة الذكاء الاصطناعي التقليدية، شهد مجال Crypto AI أيضًا مراحل مماثلة. في بداية عام 2024، كان السوق في وقت ما محكومًا بمشاريع GPU اللامركزية (، مثل منصة قدرة معينة، منصة عرض معينة، شبكة لامركزية معينة وغيرها )، مع التركيز بشكل عام على منطق النمو الواسع الذي يركز على "تجميع القدرة الحاسوبية". ومع دخول عام 2025، بدأ التركيز في الصناعة ينتقل تدريجياً إلى مستوى النموذج والبيانات، مما يدل على أن Crypto AI يتجاوز المنافسة على الموارد الأساسية نحو بناء أكثر استدامة وقيمة تطبيقية.

نموذج عام (LLM) مقابل نموذج متخصص (SLM)

تعتمد نماذج اللغة الكبيرة التقليدية (LLM) بشكل كبير على مجموعات بيانات ضخمة وبنية توزيع معقدة، حيث تتراوح أحجام المعلمات بين 70B و500B، وقد تصل تكلفة التدريب لمرة واحدة إلى ملايين الدولارات. بينما تُعد SLM (نموذج اللغة المتخصص) نموذجاً خفيف الوزن يتبع أسلوب التخصيص القابل لإعادة الاستخدام، وغالباً ما يستند إلى بعض النماذج مفتوحة المصدر، ويجمع بين كمية قليلة من البيانات المتخصصة عالية الجودة وتقنيات مثل LoRA، لبناء نماذج خبراء تمتلك معرفة في مجالات محددة بسرعة، مما يقلل بشكل كبير من تكاليف التدريب والعقبات التقنية.

من المهم أن نلاحظ أن SLM لن يتم دمجه في أوزان LLM، بل سيتم التعاون مع LLM من خلال استدعاء هيكل Agent، ونظام الإضافات للتوجيه الديناميكي، وLoRA للتوصيل الساخن، وRAG (التوليد المعزز بالاسترجاع) وغيرها من الطرق. يحتفظ هذا الهيكل بقدرة LLM الواسعة، بينما يعزز الأداء المهني من خلال وحدات الضبط الدقيق، مما يشكل نظام ذكاء مركب عالي المرونة.

قيمة وحدود Crypto AI في طبقة النموذج

مشاريع الذكاء الاصطناعي للعملات المشفرة يصعب بشكل أساسي تحسين القدرات الأساسية لنماذج اللغة الكبيرة (LLM) مباشرة، والسبب الرئيسي في ذلك هو

• العوائق التقنية مرتفعة للغاية: حجم البيانات، وموارد الحوسبة، والقدرات الهندسية اللازمة لتدريب نموذج الأساس ضخمة للغاية، حاليًا لا تمتلك القدرة اللازمة سوى شركات التكنولوجيا الكبرى مثل الولايات المتحدة والصين.
• قيود النظام البيئي المفتوح المصدر: على الرغم من أن النماذج الأساسية الرئيسية مفتوحة المصدر، إلا أن المفتاح الحقيقي لدفع اختراق النماذج لا يزال مركزًا في المؤسسات البحثية ونظم الهندسة المغلقة، مما يحد من مساحة مشاركة المشاريع على السلسلة في مستوى النموذج الأساسي.

ومع ذلك، على الرغم من نماذج الأساس مفتوحة المصدر، يمكن لمشاريع Crypto AI أن تحقق قيمة مضافة من خلال ضبط نماذج اللغة المتخصصة (SLM)، بالإضافة إلى دمج القابلية للتحقق وآليات التحفيز في Web3. كـ "طبقة واجهة محيطية" في سلسلة صناعة الذكاء الاصطناعي، تتجلى في اتجاهين رئيسيين:

• طبقة التحقق الموثوق: من خلال تسجيل مسار توليد النموذج وبيانات المساهمة والاستخدام على السلسلة، تعزز من إمكانية تتبع مخرجات الذكاء الاصطناعي ومقاومتها للتلاعب.
• آلية الحوافز: من خلال استخدام رمز الأصلي، لتحفيز سلوكيات مثل تحميل البيانات، استدعاء النماذج، وتنفيذ الوكلاء (Agent)، لبناء دورة إيجابية لتدريب النماذج وتقديم الخدمات.

تصنيف أنواع نماذج الذكاء الاصطناعي وتحليل ملاءمتها للبلوك تشين

من هذا يتضح أن النقاط القابلة للتطبيق لمشاريع Crypto AI من نوع النماذج تتركز بشكل رئيسي على تحسين خفة الوزن للـ SLM الصغيرة، وإدخال البيانات والتحقق منها على السلسلة باستخدام بنية RAG، بالإضافة إلى نشر وتحفيز النماذج Edge محليًا. بالجمع بين القابلية للتحقق من blockchain وآلية الرموز، يمكن أن توفر Crypto قيمة فريدة لهذه السيناريوهات النموذجية ذات الموارد المتوسطة والمنخفضة، مما يشكل قيمة متميزة لطبقة "واجهة" الذكاء الاصطناعي.

سلسلة blockchain AI المعتمدة على البيانات والنماذج، يمكن أن تسجل بوضوح وبدون تغيير مصدر مساهمة كل بيانات ونماذج على السلسلة، مما يعزز بشكل ملحوظ من موثوقية البيانات وقابلية تتبع تدريب النماذج. في نفس الوقت، من خلال آلية العقود الذكية، يتم تفعيل توزيع المكافآت تلقائيًا عند استدعاء البيانات أو النماذج، مما يحول سلوك AI إلى قيمة رمزية قابلة للقياس والتداول، وبناء نظام تحفيزي مستدام. بالإضافة إلى ذلك، يمكن لمستخدمي المجتمع أيضًا تقييم أداء النماذج من خلال تصويت الرموز، والمشاركة في وضع القواعد وتكرارها، مما يحسن من هيكل الحوكمة اللامركزية.

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-62B3FAe810F4772AABA3D91C74C1AA6)

ثانياً، نظرة عامة على المشروع | رؤية OpenLedger للذكاء الاصطناعي على السلسلة

OpenLedger هو أحد المشاريع القليلة في سوق blockchain AI التي تركز على آليات تحفيز البيانات والنماذج. لقد طرحت مفهوم "Payable AI" في البداية، وتهدف إلى بناء بيئة تشغيلية للذكاء الاصطناعي عادلة وشفافة وقابلة للتجميع، لتحفيز المساهمين في البيانات ومطوري النماذج وبناة تطبيقات الذكاء الاصطناعي للتعاون على نفس المنصة، والحصول على عوائد على السلسلة بناءً على المساهمات الفعلية.

OpenLedger تقدم حلقة مغلقة كاملة من "توفير البيانات" إلى "نشر النماذج" ثم "استدعاء توزيع الأرباح"، وتشمل وحداتها الأساسية:

• مصنع النموذج: لا حاجة للبرمجة، يمكنك استخدام LLM مفتوح المصدر لتدريب وتعديل النماذج المخصصة باستخدام LoRA.
• OpenLoRA: يدعم التعايش بين الآلاف من النماذج، التحميل الديناميكي حسب الحاجة، مما يقلل بشكل كبير من تكاليف النشر؛
• PoA (إثبات النسبة): قياس المساهمة وتوزيع المكافآت من خلال تسجيل الاستدعاءات على السلسلة؛
• Datanets: شبكة بيانات هيكلية موجهة نحو مشاهد محددة، تم بناؤها والتحقق منها بالتعاون المجتمعي؛
• منصة اقتراح النماذج (Model Proposal Platform): سوق نماذج على السلسلة قابلة للتجميع، وقابلة للاستدعاء، وقابلة للدفع.

من خلال الوحدات أعلاه، قامت OpenLedger ببناء "بنية تحتية للاقتصاد الذكي" تعتمد على البيانات وقابلة للتجميع، مما يعزز التحويل الرقمي لسلسلة قيمة الذكاء الاصطناعي.

وفي اعتماد تقنية blockchain، تعتمد OpenLedger على OP Stack + EigenDA كأساس، مما يوفر بيئة تشغيل عالية الأداء ومنخفضة التكلفة وقابلة للتحقق للبيانات والعقود لنماذج الذكاء الاصطناعي.

• مبني على OP Stack: يعتمد على مجموعة تقنيات معينة، يدعم تنفيذ عالي الإنتاجية ومنخفض التكلفة؛
• التسوية على الشبكة الرئيسية للإيثيريوم: تأكد من أمان المعاملات وسلامة الأصول؛
• متوافق مع EVM: يسهل على المطورين نشر وتوسيع بسرعة بناءً على Solidity؛
• EigenDA توفر دعم توافر البيانات: تقلل بشكل كبير من تكاليف التخزين، وتضمن قابلية التحقق من البيانات.

بالمقارنة مع بعض سلاسل الكتل العامة التي تركز أكثر على البنية التحتية، والتي تروج لسيادة البيانات و "AI Agents on BOS"، تركز OpenLedger بشكل أكبر على بناء سلسلة كتل مخصصة للذكاء الاصطناعي موجهة نحو تحفيز البيانات والنماذج، وتهدف إلى جعل تطوير النماذج واستدعائها على السلسلة قابلاً للتتبع، وقابلًا للتجميع، وقابلًا للاستدامة. إنها البنية التحتية لتحفيز النماذج في عالم Web3، حيث تجمع بين استضافة نماذج مجتمعية، وتحصيل الاستخدام على نمط منصة الدفع، وواجهة قابلة للتجميع على السلسلة مثل البنية التحتية، مما يعزز مسار تحقيق "النموذج كأصل".

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-19C2276FCCC616CCF9260FB7E35C9C24)

٣، المكونات الأساسية والتقنية لـ OpenLedger

3.1 نموذج المصنع،无需代码模型工厂

ModelFactory هو منصة لتعديل نموذج اللغة الكبير (LLM) تحت نظام OpenLedger. على عكس أطر التعديل التقليدية، يوفر ModelFactory واجهة رسومية عملية بالكامل، دون الحاجة إلى أدوات سطر الأوامر أو تكامل API. يمكن للمستخدمين تعديل النماذج استنادًا إلى مجموعات البيانات التي تم تفويضها ومراجعتها على OpenLedger. وقد حقق تكامل سير العمل الخاص بتفويض البيانات وتدريب النماذج ونشرها، حيث تشمل العمليات الأساسية ما يلي:

• التحكم في وصول البيانات: يقدم المستخدم طلبات البيانات، ويقوم المزود بمراجعة الموافقة، ويتم إدخال البيانات تلقائيًا إلى واجهة تدريب النموذج.
• اختيار النموذج وتكوينه: يدعم LLM الشائعة، من خلال واجهة المستخدم الرسومية لتكوين المعلمات الفائقة.
• تقليل الوزن الدقيق: محرك LoRA / QLoRA المدمج، يعرض تقدم التدريب في الوقت الفعلي.
• تقييم النموذج ونشره: أدوات تقييم مدمجة، تدعم تصدير النشر أو مشاركة الاستدعاء البيئي.
• واجهة التحقق التفاعلية: توفر واجهة محادثة، تسهل اختبار قدرة النموذج على الإجابة على الأسئلة مباشرة.
• RAG توليد تتبع: الإجابة مع اقتباسات المصادر، تعزز الثقة وقابلية التدقيق.

نظام نموذج المصنع يتكون من ستة وحدات، تشمل مصادقة الهوية، صلاحيات البيانات، ضبط النماذج، تقييم النشر و RAG تتبع، لإنشاء منصة خدمات نموذج متكاملة آمنة وقابلة للتحكم، وتفاعلية في الوقت الحقيقي، وقابلة للتسويق المستدام.

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F23F47F09226573B1FCACEBDCFB8c1f3)

جدول ملخص القدرات الحالية لنموذج ModelFactory المدعوم من اللغات الكبرى كما يلي:

• سلسلة LLaMA: الأكثر انتشارًا في النظام البيئي، مجتمع نشط، أداء عام قوي، وهي واحدة من النماذج الأساسية مفتوحة المصدر الأكثر شيوعًا حاليًا.
• Mistral: هيكل فعال، أداء استنتاج ممتاز، مناسب للسيناريوهات المرنة وذات الموارد المحدودة.
• Qwen: شركة تكنولوجيا معينة، أداء ممتاز في المهام الصينية، قدرة شاملة قوية، مناسبة لتكون الخيار الأول للمطورين المحليين.
• ChatGLM: تأثير المحادثة باللغة الصينية بارز، مناسب لخدمة العملاء المتخصصة والسيناريوهات المحلية.
• Deepseek: يتمتع بأداء متميز في توليد الشيفرة واستدلال الرياضيات، مناسب لأدوات المساعدة في تطوير الذكاء.
• Gemma: نموذج خفيف تم إطلاقه من قبل شركة تكنولوجيا، ذو هيكل واضح، وسهل الاستخدام والتجريب بسرعة.
• فالكون: كان معيار الأداء، مناسب للبحوث الأساسية أو اختبارات المقارنة، لكن نشاط المجتمع قد انخفض.
• BLOOM: دعم متعدد اللغات قوي، لكن أداء الاستدلال ضعيف، مناسب للأبحاث التي تغطي اللغات.
• GPT-2: نموذج مبكر كلاسيكي، مناسب فقط للأغراض التعليمية والتحقق، ولا يُوصى باستخدامه في النشر الفعلي.

على الرغم من أن مجموعة نماذج OpenLedger لا تحتوي على أحدث نماذج MoE عالية الأداء أو النماذج متعددة الأنماط، إلا أن استراتيجيتها ليست قديمة، بل هي تكوين "الأولوية العملية" الذي تم إجراؤه بناءً على القيود الواقعية للنشر على السلسلة (تكاليف الاستدلال، التكيف مع RAG، التوافق مع LoRA، بيئة EVM).

تعتبر Model Factory كأداة بدون كود، حيث تحتوي جميع النماذج على آلية إثبات المساهمة المدمجة، مما يضمن حقوق المساهمين في البيانات ومطوري النماذج، وتتميز بمتطلبات دخول منخفضة، وقابلية التسييل، والقدرة على التجميع، بالمقارنة مع أدوات تطوير النماذج التقليدية:

• بالنسبة للمطورين: تقديم مسار كامل لتفريخ النماذج وتوزيعها والإيرادات؛
• بالنسبة للمنصة: تشكيل تدفق الأصول النموذجية والتركيبة البيئية؛
• للمستخدمين: يمكن دمج النماذج أو الوكلاء كما هو الحال عند استدعاء API.

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ moments-909dc3f796ad6aa44a1c97a51ade4193)

3.2 OpenLoRA، الأصول على السلسلة للنموذج المدرب

LoRA (التكيف منخفض الرتبة) هي طريقة فعالة لضبط المعلمات، من خلال إدخال "مصفوفة منخفضة الرتبة" في نموذج كبير مدرب مسبقًا لتعلم مهام جديدة، دون تعديل معلمات النموذج الأصلي، مما يقلل بشكل كبير من تكلفة التدريب ومتطلبات التخزين. تمتلك نماذج اللغة الكبيرة التقليدية عادةً عشرات المليارات أو حتى مئات المليارات من المعلمات. لاستخدامها في مهام محددة (مثل أسئلة وأجوبة قانونية، استشارات طبية)، يلزم إجراء ضبط (fine-tuning). الاستراتيجية الأساسية لـ LoRA هي: "تجميد معلمات النموذج الكبير الأصلي، وتدريب مصفوفات المعلمات الجديدة المدخلة فقط."، حيث إنها فعالة من حيث المعلمات، سريعة التدريب، ومرنة في النشر، مما يجعلها الطريقة الرائجة الأكثر ملاءمة لنشر نماذج Web3 واستدعائها بشكل مركب.

OpenLoRA هو إطار استدلال خفيف الوزن تم بناؤه بواسطة OpenLedger ومصمم لنشر نماذج متعددة ومشاركة الموارد. الهدف الأساسي هو معالجة المشكلات الشائعة في نشر نماذج الذكاء الاصطناعي الحالية مثل التكاليف العالية، وانخفاض إعادة الاستخدام، وإهدار موارد GPU، ودفع تنفيذ "الذكاء الاصطناعي القابل للدفع".

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F49CFA5EA73FC0018250D04193B34B60)

OpenLoRA مكونات النظام المعمارية الأساسية، تستند إلى تصميم معياري، تغطي تخزين النموذج، تنفيذ الاستدلال، توجيه الطلبات وغيرها من المراحل الأساسية، لتحقيق نشر واستدعاء نماذج متعددة بشكل فعال وبتكلفة منخفضة:

• وحدة تخزين LoRA Adapter (