OpenLedger Derinlik Araştırması: OP Stack + EigenDA tabanlı, veri odaklı, model kombinasyonuna sahip bir akıllı ekonomi inşa etmek

I. Giriş | Crypto AI'nin model katman sıçraması

Veri, model ve hesaplama gücü, AI altyapısının üç temel bileşenidir; bunlar yakıt (veri), motor (model) ve enerji (hesaplama gücü) gibi birbirini tamamlayıcı unsurlardır. Geleneksel AI endüstrisinin altyapı evrimi yoluna benzer şekilde, Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başlarında, piyasa merkeziyetsiz GPU projeleri tarafından domine edildi ve genel olarak "hesaplama gücünü birleştirme" anlayışıyla kaba bir büyüme mantığı öne çıktı. Ancak 2025 yılına gelindiğinde, sektörün odak noktası yavaş yavaş model ve veri katmanına kaymaya başladı ve bu, Crypto AI'nın alt düzey kaynak rekabetinden daha sürdürülebilir ve uygulama değeri yüksek orta düzey inşaya geçişini simgeliyor.

Genel Büyük Model (LLM) vs Özelleşmiş Model (SLM)

Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır; parametre ölçekleri genellikle 70B ile 500B arasında değişmektedir ve bir kez eğitimin maliyeti genellikle milyonlarca dolara ulaşmaktadır. SLM (Özelleştirilmiş Dil Modeli) ise, yeniden kullanılabilir bir temel modelin hafif ayar paradigması olarak, genellikle LLaMA, Mistral, DeepSeek gibi açık kaynaklı modelleri temel alır ve az sayıda yüksek kaliteli uzman verisi ile LoRA gibi teknikleri birleştirerek, belirli bir alan bilgisine sahip uzman modellerini hızlı bir şekilde inşa eder, eğitim maliyetlerini ve teknik engelleri önemli ölçüde azaltır.

Dikkate değer olan, SLM'nin LLM ağırlıklarıyla entegre edilmediği, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirme, LoRA modülü sıcak tak-çık yapısı, RAG (Retrieve-Enhance-Generate) gibi yöntemlerle LLM ile işbirliği içinde çalıştığıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülü ile uzmanlık performansını artırarak son derece esnek bir kombinasyon akıllı sistem oluşturur.

Kripto AI'nin model katmanındaki değeri ve sınırları

Crypto AI projeleri temelde büyük dil modellerinin (LLM) çekirdek yeteneklerini doğrudan artırmakta zordur, bunun başlıca nedeni şudur,

• Teknik engeller çok yüksek: Foundation Model'i eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik becerileri son derece büyük, şu anda yalnızca Amerika Birleşik Devletleri ve Çin gibi teknoloji devleri bu yeteneklere sahip.
• Açık kaynak ekosisteminin sınırlamaları: LLaMA, Mixtral gibi ana akım temel modeller açık kaynak olsa da, model atılımlarını gerçekten ileriye taşıyan anahtar hala araştırma kurumları ve kapalı kaynak mühendislik sistemlerinde yoğunlaşmaktadır, zincir üzerindeki projelerin temel model katmanındaki katılım alanı sınırlıdır.

Ancak, açık kaynak temel modellerinin üzerinde, Crypto AI projeleri hala özel dil modellerini (SLM) ince ayar yaparak ve Web3'ün doğrulanabilirliği ve teşvik mekanizmalarını birleştirerek değer uzantısı gerçekleştirebilir. AI endüstri zincirinin "kenar arayüz katmanı" olarak, iki ana yönde kendini göstermektedir:

• Güvenilir doğrulama katmanı: Model üretim yollarını, veri katkılarını ve kullanım durumlarını zincir üzerindeki kayıtlar aracılığıyla takip ederek, AI çıktılarının izlenebilirliğini ve değiştirilmezliğini artırır.
• Teşvik Mekanizması: Yerel Token'ı kullanarak veri yükleme, model çağrısı, ajan (Agent) yürütme gibi eylemleri teşvik etmek, model eğitimi ve hizmeti için pozitif bir döngü oluşturmak.

AI model türleri sınıflandırması ve blok zinciri uygunluk analizi

Bundan dolayı, model türü Crypto AI projelerinin uygulanabilir noktaları esas olarak küçük SLM'nin hafif ince ayarı, RAG mimarisinin zincir üzerindeki veri erişimi ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerinde yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile birleştirildiğinde, Crypto bu orta ve düşük kaynaklı model senaryolarına özel bir değer sunarak AI "arayüz katmanı"nın farklılaştırılmış değerini oluşturabilir.

Veri ve model tabanlı bir blockchain AI zinciri, her bir veri ve modelin katkı kaynaklarını net, değiştirilemez bir şekilde zincirleme kaydetmeyi sağlar, veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması sayesinde, veriler veya modeller çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışlarını ölçülebilir, ticarete konu olabilen tokenlaştırılmış bir değere dönüştürerek sürdürülebilir bir teşvik sistemi kurar. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirmek, kuralların belirlenmesi ve iterasyona katılmak için oy verebilir, merkeziyetsiz yönetim yapısını geliştirebilirler.

İki, Proje Özeti | OpenLedger'ın AI Zincir Vizyonu

OpenLedger, mevcut pazarda veri ve model teşvik mekanizmalarına odaklanan az sayıda blok zinciri AI projesinden biridir. "Ödenebilir AI" kavramını ilk olarak ortaya koymuştur ve adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı oluşturmayı hedeflemektedir. Veri katkıcıları, model geliştiricileri ve AI uygulama oluşturucularının aynı platformda iş birliği yapmasını teşvik eder ve gerçek katkılara göre zincir üzerindeki kazançları elde etmelerini sağlar.

OpenLedger, "veri sağlama"dan "model dağıtım"ına ve ardından "kar paylaşımı çağrısı"na kadar olan tam zincir kapalı döngüyü sunar, ana modülleri şunlardır:

• Model Fabrikası: Programlama gerektirmeden, açık kaynak LLM'ye dayanarak LoRA ile ince ayar yaparak eğitim ve dağıtım için özel modeller kullanabilirsiniz;
• OpenLoRA: Binlerce modelin bir arada bulunmasına destek verir, ihtiyaç duyuldukça dinamik olarak yüklenir, dağıtım maliyetlerini önemli ölçüde azaltır;
• PoA (Attribution Kanıtı): Zincir üzerindeki çağrı kayıtlarıyla katkı ölçümü ve ödül dağıtımı sağlanır;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk işbirliği ile inşa edilip doğrulanmıştır;
• Model Öneri Platformu (Model Proposal Platform): Kombinlenebilir, çağrılabilir, ödenebilir zincir üstü model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model kombinasyonuna sahip bir "akıllı varlık ekonomisi altyapısı" inşa etti ve AI değer zincirinin zincir üzerindeki entegrasyonunu teşvik etti.

Ve blockchain teknolojisinin benimsenmesinde, OpenLedger, AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir bir veri ve sözleşme çalışma ortamı oluşturmak amacıyla OP Stack + EigenDA temelini kullanmaktadır.

• OP Stack üzerine inşa edilmiştir: Optimism teknoloji yığınına dayanarak, yüksek işlem hacmi ve düşük maliyetli yürütmeyi destekler;
• Ethereum ana ağında hesaplama: İşlem güvenliğini ve varlık bütünlüğünü sağlamak;
• EVM uyumlu: Geliştiricilerin Solidity tabanlı hızlı dağıtım ve genişleme yapmasını kolaylaştırır;
• EigenDA veri kullanılabilirliği desteği sunar: depolama maliyetlerini önemli ölçüde düşürür, verilerin doğrulanabilirliğini garanti eder.

NEAR gibi daha çok altta yatan, veri egemenliğini ve "AI Agents on BOS" mimarisini hedefleyen genel AI blockchain'lerine kıyasla, OpenLedger daha çok veriler ve modeller için teşvik edici bir AI özel blockchain'i inşa etmeye odaklanmaktadır. Bu, model geliştirme ve çağırmanın blockchain üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını hedeflemektedir. Bu, Web3 dünyasındaki model teşvik altyapısıdır ve HuggingFace tarzı model barındırma, Stripe tarzı kullanım faturalandırması ve Infura tarzı blockchain'deki birleştirilebilir arayüzleri birleştirerek "model varlık olarak" gerçekleştirme yolunu desteklemektedir.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknoloji Mimarisi

3.1 Model Fabrikası, kodsuz model fabrikası

ModelFactory, OpenLedger ekosisteminde yer alan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinin aksine, ModelFactory tamamen grafiksel arayüzle işlem yapmayı sağlar; komut satırı araçlarına veya API entegrasyonuna gerek yoktur. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve onaylanmış veri setlerine dayanarak modellerini ince ayar yapabilirler. Veri yetkilendirmesi, model eğitimi ve dağıtımı için entegre bir iş akışı sağlamaktadır; temel süreçler şunları içerir:

• Veri erişim kontrolü: Kullanıcı veri talebinde bulunur, sağlayıcı inceleyip onaylar, veriler otomatik olarak model eğitim arayüzüne entegre edilir.
• Model Seçimi ve Yapılandırması: Ana akım LLM'leri (örneğin LLaMA, Mistral) destekler, hiperparametreleri GUI aracılığıyla yapılandırır.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Yerleşik değerlendirme araçları, dağıtımı dışa aktarmayı veya ekosistem paylaşım çağrısını destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneğini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG üretim kaynağı: Kaynağı referans göstererek güveni ve denetlenebilirliği artırın.

Model Factory sistem mimarisi, kimlik doğrulama, veri izinleri, model ince ayarı, değerlendirme dağıtımı ve RAG izleme dahil altı ana modül içerir; güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir gelir elde etme özelliklerine sahip entegre bir model hizmet platformu oluşturur.

ModelFactory şu anda desteklenen büyük dil modeli yetenekleri aşağıdaki gibidir:

• LLaMA Serisi: Ekosistemi en geniş, topluluğu en aktif ve genel performansı en güçlü olanlardan biri, şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Verimli bir mimari, mükemmel çıkarım performansı, esnek dağıtım ve sınırlı kaynakların bulunduğu senaryolar için uygundur.
• Qwen: Alibaba ürünü, Çince görev performansı mükemmel, genel yetenekleri güçlü, yerli geliştiriciler için ideal seçim.
• ChatGLM: Çincede konuşma etkisi belirgin, dikey müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans gösterir, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Google tarafından sunulan hafif bir model, yapısı net ve hızlı bir şekilde öğrenim ve deney yapmaya uygundur.
• Falcon: Bir zamanlar performans kıstasıydı, temel araştırmalar veya karşılaştırmalı testler için uygundu, ancak topluluk etkinliği azalmıştır.
• BLOOM: Çok dilli destek oldukça güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken dönem modeli, yalnızca öğretim ve doğrulama amacıyla uygundur, gerçek kullanım için önerilmez.

OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modeli veya çok modlu model içermese de, stratejisi modası geçmiş değil; aksine, zincir üzerindeki dağıtımın gerçek kısıtlamaları (çıkarım maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temelinde "pratik öncelikli" bir yapılandırma yapılmıştır.

Model Factory, kodsuz bir araç zinciri olarak, tüm modeller katkı kanıtı mekanizması ile donatılmıştır ve veri katkıda bulunanların ve model geliştiricilerin haklarını güvence altına alır. Düşük giriş engeli, dönüştürülebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir. Geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtım ve gelir için tam bir yol sunar;
• Platform için: Model varlık dolaşımı ve kombinasyon ekosistemi oluşturmak;
• Uygulayıcılar için: Modelleri veya Ajanları API çağrısı yapar gibi birleştirebilirsiniz.

3.2 OpenLoRA, modelin zincir üzerindeki varlıklarıyla ince ayar yapılması

LoRA (Düşük-Rank Adaptasyonu), önceden eğitilmiş büyük bir modele "düşük rütbeli matrisler" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden eğitim maliyetlerini ve depolama gereksinimlerini büyük ölçüde azaltan etkili bir parametre ince ayar yöntemidir. Geleneksel büyük dil modelleri (örneğin LLaMA, GPT-3) genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Bunları belirli görevler için (örneğin hukuki soru-cevap, tıbbi danışmanlık) kullanmak için ince ayar (fine-tuning) yapılması gerekmektedir. LoRA'nın temel stratejisi: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrislerini eğitmek."; parametre verimliliği, hızlı eğitim ve esnek dağıtım ile mevcut Web3 modeli dağıtımı ve kombinasyon çağrıları için en uygun ana ince ayar yöntemidir.

OpenLoRA, OpenLedger tarafından çoklu model dağıtımı ve kaynak paylaşımı için tasarlanmış hafif bir çıkarım çerçevesidir. Temel hedefi, mevcut AI model dağıtımında sıkça karşılaşılan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "ödenebilir AI" (Payable AI) uygulamalarını teşvik etmektir.

OpenLoRA sistem mimarisi temel bileşenleri, modüler tasarıma dayanmaktadır ve model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsayarak verimli, düşük maliyetli çoklu model dağıtımı ve çağırma yeteneği sağlamaktadır:

• LoRA Adaptör Depolama Modülü (LoRA Adaptörleri Depolama): İnce ayar yapılmış LoRA adaptörü, OpenLedger üzerinde barındırılmakta olup, talebe bağlı yükleme sağlamakta ve tüm modellerin önceden yüklenmesini önleyerek kaynak tasarrufu yapmaktadır.
• Model Barındırma ve Dinamik Birleşim