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

Birinci Bölüm | Crypto AI'nin Model Katmanı Atlama

Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur; yakıt (veri), motor (model) ve enerji (hesaplama gücü) birbirinden ayrılamaz. Geleneksel AI endüstrisinin altyapı evrimi yoluna benzer şekilde, Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başında, piyasa bir süre merkeziyetsiz GPU projeleri tarafından domine edildi ( bir hesaplama platformu, bir render platformu, bir merkeziyetsiz ağ vb. ), genellikle "hesaplama gücünü birleştirme" anlayışını vurguladı. Ancak 2025 yılına girildiğinde, sektörün odak noktası yavaş yavaş model ve veri katmanına kaydı; bu, Crypto AI'nin alt seviye kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta seviye yapılandırmaya geçişini işaret ediyor.

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

Geleneksel büyük dil modellerinin (LLM) eğitimi, genellikle büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır, parametre ölçekleri 70B ile 500B arasında değişmektedir ve bir kez eğitimin maliyeti genellikle milyonlarca dolara ulaşmaktadır. Öte yandan, SLM (Özelleştirilmiş Dil Modeli) olarak bilinen, yeniden kullanılabilir temel modellerin hafif ince ayar paradigmaları genellikle bazı açık kaynaklı modellerin üzerine inşa edilmekte, az sayıda yüksek kaliteli özel veriler ve LoRA gibi teknolojilerle bir araya getirilerek, belirli bir alan bilgisine sahip uzman modellerin hızlı bir şekilde inşa edilmesi sağlanmakta, böylece eğitim maliyetleri ve teknik engeller önemli ölçüde azaltılmaktadır.

Dikkat edilmesi gereken bir nokta, SLM'nin LLM ağırlıklarına entegre edilmeyeceği, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirmesi, LoRA modül sıcak takibi, RAG (arama artırıcı üretim) gibi yöntemlerle LLM ile işbirliği içinde çalışacağıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülleri aracılığıyla uzmanlık performansını artırarak son derece esnek bir kombinasyon akıllı sistem oluşturur.

Kripto AI'nin model katmanındaki değeri ve sınırları

Kripto AI projeleri, esasen büyük dil modellerinin (LLM) temel yeteneklerini doğrudan geliştirmekte zordur, bunun temel nedeni şudur:

• Teknolojik engel çok yüksek: Foundation Model'i eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik yetenekleri son derece büyük, şu anda yalnızca ABD ve Çin gibi teknoloji devlerinin bu yeteneklere sahip olduğu görülmektedir.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modeller açık kaynak olsa da, model atılımlarını gerçekten ilerleten anahtar hâlâ araştırma kurumları ve kapalı kaynak mühendislik sistemlerinde yoğunlaşmıştır, zincir üzerindeki projelerin temel model katmanındaki katılım alanı sınırlıdır.

Ancak, açık kaynaklı temel modellerin üzerinde, Crypto AI projeleri, özel dil modellerini (SLM) ince ayar yaparak ve Web3'ün doğrulanabilirliği ile teşvik mekanizmalarını birleştirerek değer uzatımı gerçekleştirebilir. AI endüstri zincirinin "kenar arayüz katmanı" olarak, iki temel yönü yansıtır:

• Güvenilir Doğrulama Katmanı: Model oluşturma yollarının, veri katkılarının ve kullanım durumlarının zincir üzerindeki kayıtları aracılığıyla, AI çıktılarının izlenebilirliğini ve değiştirilemezlik yeteneğini artırır.
• Teşvik Mekanizması: Yerel Token kullanarak, veri yükleme, model çağrısı, akıllı ajan (Agent) yürütme gibi eylemleri teşvik etmek için, model eğitimi ve hizmetinin olumlu bir döngüsünü oluşturmak.

AI model türlerinin sınıflandırılması ve blok zinciri uygunluk analizi

Buradan görülebilir ki, model sınıfı Crypto AI projelerinin uygulanabilir noktaları esas olarak küçük SLM'in hafif ince ayarı, RAG mimarisinin zincir üzerindeki veri erişimi ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki etrafında yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile bir araya getirildiğinde, Crypto bu orta ve düşük kaynaklı model senaryolarına özel değerler sunarak AI "arayüz katmanı" için farklılaştırılmış bir değer oluşturabilir.

Veri ve model tabanlı bir blok zinciri AI ağı, her bir veri ve modelin katkı kaynağını net, değiştirilemez bir şekilde kaydedebilir, veri güvenilirliğini ve model eğitiminde izlenebilirliği önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması sayesinde, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler ve AI davranışlarını ölçülebilir, ticarete konu olabilen tokenleştirilmiş bir değere dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirebilir, kural belirleme ve iterasyona katılabilir, merkeziyetsiz yönetim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'in AI Zincir Vizyonu

OpenLedger, mevcut piyasada veri ve model teşvik mekanizmalarına odaklanan az sayıda blockchain AI projesinden biridir. "Ödenebilir AI" kavramını ilk kez ortaya koyarak, veri katkıcıları, model geliştiricileri ve AI uygulama oluşturucularının aynı platformda iş birliği yapmalarını teşvik eden adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı oluşturmayı amaçlamaktadır ve gerçek katkılara göre zincir üzerindeki kazançları elde etmektedir.

OpenLedger, "veri sağlama"dan "model dağıtım"ına ve ardından "kar paylaşımının çağrılması"na kadar tam bir zincir kapama sunmaktadır. Ana modülleri şunlardır:

• Model Factory: Programlama gerektirmeden, açık kaynak LLM'ye dayalı olarak LoRA ile ince ayar yaparak özelleştirilmiş modelleri eğitip dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin aynı anda varlığını destekler, ihtiyaç duyulduğunda dinamik olarak yüklenir, dağıtım maliyetlerini önemli ölçüde düşürür;
• PoA (Atıf Kanıtı): Zincir üzerindeki çağrıları kaydederek katkı ölçümü ve ödül dağılımını gerçekleştirme;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk iş birliği ile inşa ve doğrulanmıştır;
• Model Öneri Platformu (Model Proposal Platform): Birleştirilebilir, çağrılabilir ve ödenebilir zincir üstü model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model kombinasyonuna sahip bir "akıllı varlık ekonomi altyapısı" inşa etti ve AI değer zincirinin zincir üzerinde gerçekleşmesini sağladı.

Ve blok zinciri teknolojisinin benimsenmesinde, OpenLedger, OP Stack + EigenDA temelini kullanarak, AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir veri ve sözleşme çalışma ortamları oluşturmuştur.

• OP Stack üzerine inşa edilmiştir: Belirli bir teknoloji yığınına dayanarak, yüksek verim ve düşük maliyetli yürütmeyi destekler;
• Ethereum ana ağında hesaplama: İşlem güvenliğini ve varlık bütünlüğünü sağlamak;
• EVM uyumlu: Geliştiricilerin Solidity tabanlı hızlı dağıtım ve genişletme yapmasını kolaylaştırır;
• EigenDA, veri kullanılabilirliği desteği sağlar: depolama maliyetlerini önemli ölçüde azaltır ve verilerin doğrulanabilirliğini güvence altına alır.

Belirli bir kamu zincirine göre daha çok temel düzeyde olan, veri egemenliğini vurgulayan ve "AI Agents on BOS" mimarisine sahip genel amaçlı AI zincirine kıyasla, OpenLedger daha çok veri ve model teşvikine yönelik AI özel zincirinin inşasına odaklanmaktadır. Bu, modelin geliştirilmesi ve çağrılmasının zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını sağlamaya adanmıştır. Web3 dünyasında, model teşvik altyapısıdır; belirli bir model topluluğu tarzında model barındırma, belirli bir ödeme platformu tarzında kullanım ücretlendirmesi ve belirli bir altyapı tarzında zincir üzerindeki birleştirilebilir arayüzler ile "model varlık olarak" gerçekleştirme yolunu desteklemektedir.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknik 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 arayüz işlemi sunar, komut satırı araçlarına veya API entegrasyonuna ihtiyaç duyulmaz. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve onaylanmış veri setleri temelinde modellerini ince ayar yapabilir. Veri yetkilendirme, model eğitimi ve dağıtımı için entegre bir iş akışı sağlanır; temel süreçler şunları içerir:

• Veri erişim kontrolü: Kullanıcı veri talebinde bulunur, sağlayıcı onaylar, veriler otomatik olarak model eğitim arayüzüne entegre edilir.
• Model Seçimi ve Konfigürasyonu: Ana akım LLM'leri destekler, GUI aracılığıyla hiper parametreleri yapılandırır.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirmesi ve dağıtımı: Dahili değerlendirme araçları, dağıtım veya ekosistem paylaşımı için dışa aktarmayı destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneklerini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG üretim izleme: Kaynak atıfları ile yanıt vererek güveni ve denetlenebilirliği artırır.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkilendirmesi, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği ile bütünleşik bir model hizmet platformu oluşturmak için altı ana modülü içermektedir. Güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir gelir elde etme imkanı sunar.

ModelFactory şu anda desteklenen büyük dil modeli yeteneklerinin kısa tablosu aşağıdadır:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk ve güçlü genel performans ile şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Yüksek verimlilikte bir mimari, mükemmel çıkarım performansı, esnek dağıtım ve sınırlı kaynaklar için uygundur.
• Qwen: Bir teknoloji şirketi tarafından üretilmiştir, Çince görevlerde mükemmel performans gösterir, kapsamlı yetenekleri vardır, yerel geliştiriciler için en iyi seçimdir.
• ChatGLM: Çince konuşma etkisi belirgin, niş müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans gösterir, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Bir teknoloji şirketi tarafından piyasaya sürülen hafif bir model, yapısı net, hızlı bir şekilde öğrenmek ve denemek için kolay.
• Falcon: Eskiden performans standartıydı, temel araştırmalar veya karşılaştırmalı testler için uygundu, ancak topluluk etkinliği azaldı.
• BLOOM: Çok dilli destek güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken model, sadece eğitim ve doğrulama amaçları için uygundur, gerçek dağıtımda kullanılması önerilmez.

OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modelini veya çok modlu modeli içermese de, stratejisi geride kalmıyor; bunun yerine, zincir üzerindeki dağıtımın gerçek kısıtlarına (çıkarsama maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) dayanan "pratik öncelikli" bir yapılandırma yapmaktadır.

Model Factory, bir kodsuz araç zinciri olarak, tüm modeller katkı kanıtı mekanizması ile entegre edilmiştir, bu da veri katkı sağlayıcılarının ve model geliştiricilerinin haklarını güvence altına alır. Düşük giriş engeli, paraya dönüştürülebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir. Geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtımı ve gelir için tam bir yol sunar;
• Platform için: Model varlıklarının dolaşımı ve kombinasyon ekosisteminin oluşumu;
• Uygulayıcılar için: Model veya Ajanı API çağrısı yapar gibi birleştirerek kullanabilirsiniz.

3.2 OpenLoRA, ince ayar modeli zincir üzerindeki varlıklaştırma

LoRA (Düşük Rütbe Adaptasyonu), önceden eğitilmiş büyük modellere "düşük rütbe matrisleri" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden kullanılan etkili bir parametre ince ayar yöntemidir ve böylece eğitim maliyetlerini ve depolama gereksinimlerini büyük ölçüde azaltır. Geleneksel büyük dil modelleri genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Bunları belirli görevler için (örneğin, hukuki soru yanıtlama, tıbbi danışmanlık) kullanmak için ince ayar yapılması gerekir. LoRA'nın temel stratejisi şudur: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrislerini eğitmek." Bu yöntem, parametre verimliliği, hızlı eğitim ve esnek dağıtım özellikleri ile mevcut Web3 model dağıtım ve kombinasyon çağrıları için en uygun ana akım ince ayar yöntemidir.

OpenLoRA, OpenLedger tarafından inşa edilen, çoklu model dağıtımı ve kaynak paylaşımı için özel olarak tasarlanmış hafif bir çıkarım çerçevesidir. Temel hedefi, mevcut AI modeli dağıtımında yaygın olan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "ödenebilir AI" (Payable AI) uygulamasını teşvik etmektir.

OpenLoRA sistem mimarisi çekirdek bileşenleri, modüler tasarım temelinde, model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsayarak etkili, düşük maliyetli çoklu model dağıtımı ve çağırma yetenekleri sağlar:

• LoRA Adaptörü Depolama Modülü (