OpenLedger строит инфраструктуру для активов на основе ИИ: экономическая модель на базе OP Stack + EigenDA, управляемая данными.

2025-08-10 03:43:37

Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA

Одно. Введение | Модельный уровень Crypto AI

Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель), энергии (вычислительная мощность) — ни один из них не может быть исключен. Подобно эволюции инфраструктуры традиционной ИИ-индустрии, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок был на время доминирован децентрализованными GPU проектами ( какой-то платформы вычислительной мощности, какой-то платформы рендеринга, какой-то децентрализованной сети и так далее ), которые в целом подчеркивали логику грубого роста «смешивания вычислительной мощности». Однако, начиная с 2025 года, внимание индустрии постепенно смещается к уровням модели и данных, что знаменует переход Crypto AI от конкуренции за базовые ресурсы к более устойчивому и ценному для применения среднему уровню построения.

Универсальная большая модель (LLM) против специализированной модели (SLM)

Традиционные крупные языковые модели (LLM) в значительной степени зависят от больших наборов данных и сложной распределенной архитектуры, размер параметров составляет от 70B до 500B, а стоимость одной тренировки часто достигает нескольких миллионов долларов. В то время как SLM (Специализированная языковая модель) является парадигмой легкой тонкой настройки, основанной на повторно используемой базовой модели, обычно основанной на некоторых открытых моделях, в сочетании с небольшим количеством высококачественных специализированных данных и технологиями, такими как LoRA, быстро создаются экспертные модели, обладающие знаниями в конкретной области, что значительно снижает стоимость обучения и технологические барьеры.

Стоит отметить, что SLM не интегрируется в веса LLM, а взаимодействует с LLM через архитектуру Агентов, динамическую маршрутизацию с помощью системы плагинов, возможность горячей замены модулей LoRA и RAG (улучшенная генерация с помощью поиска). Эта архитектура сохраняет широкие возможности LLM и одновременно усиливает профессиональные результаты благодаря модулю тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.

Значение и границы Crypto AI на уровне модели

Крипто AI проекты по своей сути трудно непосредственно улучшить основные способности больших языковых моделей (LLM), основная причина заключается в том,

Слишком высокий технический порог: объем данных, вычислительных ресурсов и инженерных возможностей, необходимых для тренировки Foundation Model, чрезвычайно велик, и в настоящее время только такие технологические гиганты, как США и Китай, обладают соответствующими возможностями.
Ограничения открытой экосистемы: хотя основные модели с открытым исходным кодом стали мейнстримом, ключевым фактором, способствующим прорывам в моделях, по-прежнему остаются научные учреждения и закрытые инженерные системы, а участие блокчейн-проектов на уровне основных моделей ограничено.

Тем не менее, на основе открытых моделей, проект Crypto AI все еще может реализовать расширение ценности через тонкую настройку специализированных языковых моделей (SLM) и сочетание проверяемости и механизмов стимулов Web3. В качестве «периферийного интерфейсного слоя» AI цепочки поставок это проявляется в двух основных направлениях:

Доверенная верификационная слой: через записи в блокчейне пути генерации модели, вклад данных и использование, усиливается прослеживаемость и защита AI-выхода от подделки.
Механизм стимулов: С помощью родного токена, используемого для стимуляции таких действий, как загрузка данных, вызов моделей, выполнение агентов, строится положительный цикл обучения моделей и услуг.

Классификация типов AI моделей и анализ их применимости к блокчейну

Таким образом, можно увидеть, что жизнеспособные точки применения моделей класса Crypto AI в основном сосредоточены на легкой настройке маломасштабных SLM, интеграции и верификации данных на блокчейне в архитектуре RAG, а также на локальном развертывании и стимулировании моделей Edge. В сочетании с проверяемостью блокчейна и токеномикой, Crypto может предоставить уникальную ценность для этих сценариев моделей с низкими и средними ресурсами, создавая дифференцированную ценность «интерфейсного слоя» AI.

Блокчейн AI цепь, основанная на данных и моделях, может обеспечить четкую и неизменяемую запись источников вклада каждой записи данных и модели в блокчейне, значительно повышая доверие к данным и отслеживаемость обучения моделей. В то же время, посредством механизма смарт-контрактов, автоматически инициируется распределение вознаграждений при вызове данных или модели, преобразуя действия AI в измеримую и коммерчески реализуемую токенизированную ценность, создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели с помощью голосования токенами, участвовать в разработке и итерации правил, улучшая архитектуру децентрализованного управления.

! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-62b3fa1e810f4772aaba3d91c74c1aa6)

Два. Обзор проекта | Видение AI цепи OpenLedger

OpenLedger является одним из немногих блокчейн AI проектов на текущем рынке, сосредоточенных на механизмах стимулов для данных и моделей. Он впервые представил концепцию «Payable AI», стремясь создать справедливую, прозрачную и комбинируемую среду для работы AI, которая будет стимулировать участников, вносящих данные, разработчиков моделей и создателей AI приложений, сотрудничать на одной платформе и получать доходы на основе фактического вклада.

OpenLedger предоставляет полный замкнутый цикл от «предоставления данных» до «развертывания моделей» и «вызова распределения прибыли», его основные модули включают:

Модельный завод: без программирования можно использовать LoRA для тонкой настройки, обучения и развертывания настраиваемых моделей на основе открытого LLM;
OpenLoRA: поддержка одновременного использования тысяч моделей, динамическая загрузка по мере необходимости, что значительно снижает затраты на развертывание;
PoA (Доказательство Атрибуции): измерение вклада и распределение вознаграждений через запись вызовов в цепочке;
Datanets: структурированные данные сети, ориентированные на вертикальные сценарии, создаваемые и проверяемые в результате сотрудничества сообщества;
Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый и оплачиваемый рынок моделей на блокчейне.

С помощью вышеуказанных модулей OpenLedger создала «инфраструктуру экономии агентов», основанную на данных и моделях, что способствует онлайнизации цепочки создания стоимости AI.

А в применении технологии блокчейн OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду для работы с данными и контрактами для AI-моделей.

Построено на основе OP Stack: основано на определенном технологическом стеке, поддерживающем высокую пропускную способность и низкие затраты на выполнение;
Расчет в основной сети Ethereum: Обеспечение безопасности транзакций и целостности активов;
EVM совместимость: удобно для разработчиков быстро разрабатывать и расширять на основе Solidity;
EigenDA предоставляет поддержку доступности данных: значительно снижает затраты на хранение, обеспечивает проверяемость данных.

По сравнению с некоторыми публичными цепочками, которые более ориентированы на уровень данных и акцентируют внимание на суверенитете данных, а также архитектуре «AI Agents on BOS», OpenLedger больше сосредоточен на создании специализированной цепочки AI, ориентированной на стимулирование данных и моделей, стремясь обеспечить возможность отслеживания, комбинирования и устойчивого замыкания ценности в разработке и вызове моделей на цепочке. Это инфраструктура стимулирования моделей в мире Web3, которая объединяет сообщество моделей для размещения, платформу для оплаты за использование и интерфейсы на цепочке для комбинирования, способствуя реализации пути «модель как актив».

Три, основные компоненты и техническая архитектура OpenLedger

3.1 Модельный завод, не требующий кода

ModelFactory является крупной платформой для тонкой настройки языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков для тонкой настройки, ModelFactory предлагает чисто графический интерфейс, без необходимости в инструментах командной строки или интеграции API. Пользователи могут выполнять тонкую настройку моделей на основе наборов данных, которые были авторизованы и проверены на OpenLedger. Это реализует интегрированный рабочий процесс авторизации данных, обучения моделей и развертывания, который включает в себя основные процессы:

Контроль доступа к данным: Пользователь отправляет запрос на данные, поставщик проверяет и одобряет, данные автоматически подключаются к интерфейсу обучения модели.
Выбор и настройка модели: Поддержка основных LLM, настройка гиперпараметров через GUI.
Легкая настройка: Встроенный движок LoRA / QLoRA, отображающий прогресс обучения в реальном времени.
Оценка и развертывание моделей: встроенные инструменты оценки, поддерживающие экспорт развертывания или экосистемного совместного использования вызовов.
Интерфейс верификации взаимодействия: предоставляет чат-интерфейс, удобный для прямого тестирования возможностей модели в вопросах и ответах.
Генерация RAG-трассировки: ответы с источниками цитирования, повышающие доверие и аудируемость.

Архитектура системы Model Factory включает шесть основных модулей, охватывающих идентификацию, управление данными, тонкую настройку моделей, оценку и развертывание, а также отслеживание RAG, создавая безопасную и контролируемую, интерактивную в реальном времени, устойчивую к монетизации интегрированную платформу услуг моделей.

Модельная фабрика в настоящее время поддерживает следующие возможности крупных языковых моделей:

Серия LLaMA: самый широкий экосистемы, активное сообщество, универсальная производительность, одна из самых популярных открытых базовых моделей в настоящее время.
Mistral: Архитектура эффективна, производительность вывода отличная, подходит для гибкого развертывания в условиях ограниченных ресурсов.
Qwen: Выпущен некоторой технологической компанией, демонстрирует отличные результаты в китайских задачах, обладает высокими комплексными способностями, подходит в качестве первого выбора для отечественных разработчиков.
ChatGLM: выдающиеся результаты на китайском языке, подходит для специализированных служб поддержки и локализованных сценариев.
Deepseek: показывает превосходство в генерации кода и математическом выводе, подходит для инструментов помощи в интеллектуальной разработке.
Gemma: лёгкая модель, разработанная одной технологической компанией, с ясной структурой, легко осваиваемая и удобная для экспериментов.
Falcon: Ранее был эталоном производительности, подходит для базовых исследований или сравнительных тестов, но активность сообщества снизилась.
BLOOM: Поддержка нескольких языков достаточно сильная, но производительность вывода слабая, подходит для исследований, охватывающих языки.
GPT-2: Классическая ранняя модель, подходит только для учебных и верификационных целей, не рекомендуется для практического развертывания.

Хотя модельный состав OpenLedger не включает в себя последние высокопроизводительные модели MoE или многомодальные модели, его стратегия не устарела, а представляет собой «приоритет практичности» в соответствии с реальными ограничениями развертывания на цепочке (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).

Модельная фабрика как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, который обеспечивает права участников данных и разработчиков моделей, обладает низким порогом входа, возможностью монетизации и комбинации, по сравнению с традиционными инструментами разработки моделей:

Для разработчиков: предоставление полного пути к инкубации моделей, распространению и доходам;
Для платформы: формирование модели циркуляции активов и экосистемы комбинаций;
Для пользователей: модели или агенты можно комбинировать так же, как при вызове API.

3.2 OpenLoRA, токенизация ончейн-активов модели дообучения

LoRA (Low-Rank Adaptation) – это эффективный метод тонкой настройки параметров, который учится новым задачам, вставляя «низкоранговые матрицы» в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранению. Традиционные большие языковые модели обычно имеют десятки миллиардов, а иногда и сотни миллиардов параметров. Чтобы использовать их для конкретных задач (таких как юридические вопросы и медицинские консультации), требуется тонкая настройка (fine-tuning). Основная стратегия LoRA заключается в следующем: «заморозить параметры оригинальной большой модели и тренировать только вставленные новые матричные параметры». Эта стратегия эффективна по параметрам, быстра в обучении и гибка в развертывании, что делает ее наиболее подходящим современным методом тонкой настройки для развертывания моделей Web3 и их комбинированного вызова.

OpenLoRA — это легковесная инференс-рамка, разработанная OpenLedger, специально предназначенная для развертывания нескольких моделей и совместного использования ресурсов. Ее основной целью является решение распространенных проблем развертывания AI моделей, таких как высокая стоимость, низкая повторная используемость и неэффективное использование ресурсов GPU, что способствует реализации «оплачиваемого AI» (Payable AI).

Ядро архитектуры системы OpenLoRA, основанное на модульном дизайне, охватывает ключевые этапы хранения моделей, выполнения вывода, маршрутизации запросов и т.д., обеспечивая эффективные и недорогие возможности развертывания и вызова нескольких моделей:

Модуль хранения LoRA адаптера (

OP-5.53%

Посмотреть Оригинал

На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .

21 Лайков