OpenLedger Глибина дослідження: на базі OP Stack + EigenDA створити економіку агентів, керовану даними та з можливістю комбінування моделей

Один. Вступ | Перехід моделі Crypto AI

Дані, моделі та обчислювальна потужність є трьома основними елементами інфраструктури ШІ, аналогічно пальному (дані), двигуну (моделі) та енергії (обчислювальна потужність), які не можуть існувати один без одного. Подібно до еволюційного шляху інфраструктури традиційної індустрії ШІ, сфера Crypto AI також пройшла подібні етапи. На початку 2024 року ринок на деякий час був контрольований децентралізованими проектами GPU ( певна платформа потужності, певна платформа рендерингу, певна децентралізована мережа тощо ), що загалом підкреслювало логіку грубого зростання «змагання за обчислювальну потужність». Однак після 2025 року увага галузі поступово зосереджується на рівні моделей та даних, що позначає перехід Crypto AI від конкуренції за базові ресурси до більш стійкого та цінного середнього будівництва.

Загальний великий модель (LLM) проти спеціалізованої моделі (SLM)

Традиційні великі мовні моделі (LLM) вимагають великої кількості даних та складної розподіленої архітектури для навчання, обсяг параметрів може сягати 70B～500B, а вартість навчання може досягати кількох мільйонів доларів. Тим часом SLM (Спеціалізована мовна модель) є легковажною парадигмою тонкого налаштування, що дозволяє повторно використовувати базові моделі, зазвичай базується на деяких відкритих моделях, в поєднанні з невеликою кількістю якісних спеціалізованих даних та технологіями, такими як LoRA, швидко створюючи експертні моделі з певними галузевими знаннями, що значно знижує витрати на навчання та технічний бар'єр.

Варто зазначити, що SLM не буде інтегровано в ваги LLM, а буде співпрацювати з LLM через виклики архітектури Agent, динамічну маршрутизацію системи плагінів, гарячу заміну модулів LoRA, RAG (покращене генерування на основі запитів) та інші способи. Ця архітектура зберігає широкі можливості LLM, а також через модулі тонкої настройки підсилює професійні показники, формуючи високо гнучку комбіновану інтелектуальну систему.

Crypto AI вартість і межі на рівні моделі

Крипто AI проекти по суті важко безпосередньо підвищити основні можливості великих мовних моделей (LLM), основна причина полягає в тому,

• Технічний бар'єр занадто високий: масштаб даних, обчислювальні ресурси та інженерні можливості, необхідні для навчання Foundation Model, є надзвичайно великими, наразі лише такі технологічні гіганти, як США та Китай, мають відповідні можливості.
• Обмеження відкритої екосистеми: хоча основні моделі з відкритим кодом вже доступні, справжня рушійна сила прориву моделей все ще зосереджена в науково-дослідних установах та закритих інженерних системах, а участь проектів на блокчейні на рівні основних моделей є обмеженою.

Однак, на основі відкритих базових моделей, проекти Crypto AI все ще можуть досягати розширення вартості шляхом тонкого налаштування спеціалізованих мовних моделей (SLM) та поєднання з верифікацією та механізмами стимулювання Web3. Як «периферійний інтерфейс» у ланцюгу вартості AI, це проявляється в двох основних напрямках:

• Доведена верифікаційна лінія: шляхом запису на ланцюзі шляхів генерації моделей, внесків даних та їх використання, підвищується можливість відстеження та стійкості до підробок виходу AI.
• Механізм стимулювання: за допомогою рідного токена, який використовується для стимулювання завантаження даних, виклику моделей, виконання агентів тощо, створення позитивного циклу навчання моделей та надання послуг.

Класифікація типів AI моделей та аналіз придатності для блокчейну

З цього видно, що можливі точки застосування моделей типу Crypto AI в основному зосереджені на легкій тонкій налаштуванні малих SLM, підключенні та верифікації даних в RAG-структурі на блокчейні, а також на локальному розгортанні та стимулюванні Edge моделей. Поєднуючи верифікацію блокчейну та механізми токенів, Crypto може надати унікальну цінність для цих сцен з середніми та низькими ресурсами, формуючи диференційовану цінність «інтерфейсного шару» AI.

Блокчейн AI ланцюг на основі даних та моделей може забезпечити чіткий, незмінний запис на ланцюгу джерел внесків кожного даних та моделі, що суттєво підвищує довіру до даних та простежуваність навчання моделей. Одночасно, через механізм смарт-контрактів, при виклику даних або моделі автоматично запускається розподіл винагород, перетворюючи поведінку AI на вимірювану, торгівельну токенізовану вартість, створюючи стійку систему стимулів. Крім того, користувачі спільноти можуть також оцінювати продуктивність моделей через голосування токенами, брати участь у розробці та ітераціях правил, вдосконалюючи децентралізовану архітектуру управління.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-62b3fa1e810f4772aaba3d91c74c1aa6)

Два, огляд проекту | Візія AI-ланцюга OpenLedger

OpenLedger є одним із небагатьох блокчейн AI проектів на ринку, що зосереджений на механізмах стимулювання даних і моделей. Він вперше запропонував концепцію «Payable AI», що має на меті створити справедливе, прозоре та комбіноване середовище для роботи з AI, стимулюючи внесок даних, розробників моделей та будівельників AI додатків співпрацювати на одній платформі та отримувати на链上 прибуток відповідно до фактичного внеску.

OpenLedger надає повний ланцюг замкнутого циклу від «надання даних» до «деплойменту моделей» і до «виклику розподілу прибутку», його основні модулі включають:

• Модельний завод: без програмування, можна використовувати LoRA для мікронастроювання, навчання та розгортання налаштованих моделей на основі відкритих LLM;
• OpenLoRA: підтримка спільного існування тисячі моделей, динамічне завантаження за потребою, що значно знижує витрати на розгортання;
• PoA (Proof of Attribution): через виклики в ланцюгу реалізується вимірювання внеску та розподіл винагород;
• Datanets: структуровані мережі даних, орієнтовані на вертикальні сценарії, створені та перевірені спільнотою;
• Платформа пропозицій моделей (Model Proposal Platform): комбінований, викликаємий, платіжний ринковий простір моделей на блокчейні.

За допомогою вищезазначених модулів OpenLedger побудував «інфраструктуру економіки агентів», що базується на даних та має модульну структуру, сприяючи онлайнізації ціннісного ланцюга AI.

А в впровадженні технології блокчейн OpenLedger використовує OP Stack + EigenDA як базу, створюючи високопродуктивне, низькозатратне та перевірене середовище для виконання даних і контрактів для AI моделей.

• Побудовано на OP Stack: на основі певного технологічного стеку, що підтримує високу пропускну здатність та низькі витрати на виконання;
• Розрахунок в основній мережі Ethereum: Забезпечення безпеки транзакцій та цілісності активів;
• EVM сумісний: зручно для розробників швидко розгортати та розширювати на базі Solidity;
• EigenDA надає підтримку доступності даних: значно знижує витрати на зберігання, забезпечує верифікацію даних.

У порівнянні з певними публічними блокчейнами, які більше орієнтовані на базовий рівень, акцентують на суверенітеті даних та архітектурі «AI Agents on BOS», OpenLedger більше зосереджується на створенні спеціалізованого блокчейну для штучного інтелекту, орієнтованого на дані та моделі, прагнучи реалізувати відстежувані, комбіновані та стійкі замкнуті цикли цінності для розробки та виклику моделей на блокчейні. Це інфраструктура заохочення моделей у світі Web3, яка поєднує в собі модельну хостинг-систему на основі певної моделі, систему обліку використання, схожу на певну платіжну платформу, та комбіновані інтерфейси на блокчейні, подібні до певної інфраструктури, що сприяє реалізації шляху «модель як актив».

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-19c2276fccc616ccf9260fb7e35c9c24)

Три, основні компоненти та технологічна архітектура OpenLedger

3.1 Модель Фабрика, не потрібно кодове моделювання

ModelFactory є великою платформою для тонкої настройки мовних моделей (LLM) в екосистемі OpenLedger. На відміну від традиційних фреймворків для тонкої настройки, ModelFactory пропонує чисто графічний інтерфейс для роботи, без необхідності в інструментах командного рядка або інтеграції API. Користувачі можуть тонко налаштовувати моделі на основі наборів даних, для яких було отримано авторизацію та перевірку в OpenLedger. Реалізовано інтегрований робочий процес авторизації даних, навчання моделей та їх розгортання, основні етапи якого включають:

• Контроль доступу до даних: Користувач подає запит на дані, постачальник перевіряє та затверджує, дані автоматично підключаються до інтерфейсу навчання моделей.
• Вибір та налаштування моделі: Підтримка основних LLM, конфігурація гіперпараметрів через GUI.
• Легка адаптація: вбудований двигун LoRA / QLoRA, що демонструє прогрес навчання в реальному часі.
• Оцінка та впровадження моделей: вбудовані інструменти оцінки, підтримка експорту для впровадження або екологічного спільного використання.
• Інтерфейс взаємодії для перевірки: надає чат-інтерфейс, що полегшує безпосереднє тестування здатності моделі до відповідей на запитання.
• Генерація RAG для відстеження: відповіді з посиланнями на джерела, що підвищують довіру та можливість аудиту.

Системна архітектура Model Factory складається з шести основних модулів, які охоплюють ідентифікацію користувачів, управління даними, тонку налаштування моделей, оцінку розгортання та трасування RAG, створюючи інтегровану платформу для моделювання послуг, яка є безпечною, контрольованою, з实时 взаємодією та можливістю сталого монетизації.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-f23f47f09226573b1fcacebdcfb8c1f3)

Модельний завод наразі підтримує наступні можливості великих мовних моделей:

• LLaMA серія: найбільш широка екосистема, активна спільнота, сильні загальні характеристики, є однією з найпоширеніших відкритих базових моделей на сьогодні.
• Mistral: архітектура ефективна, продуктивність виведення надзвичайна, підходить для гнучкого розгортання в умовах обмежених ресурсів.
• Qwen: Випуск певної технологічної компанії, відзначається відмінною продуктивністю в китайських завданнях, має високі комплексні можливості, підходить для вибору вітчизняними розробниками.
• ChatGLM: Вражаюча ефективність китайського діалогу, підходить для вертикальних служб підтримки та локалізованих сцен.
• Deepseek: Відзначається перевагою в генерації коду та математичному міркуванні, підходить для інструментів підтримки розумної розробки.
• Gemma: легка модель, запущена певною технологічною компанією, має чітку структуру, зручно швидко освоювати та експериментувати.
• Falcon: Колишній еталон продуктивності, підходить для базових досліджень або порівняльних тестів, але активність спільноти знизилася.
• BLOOM: Підтримка багатьох мов досить сильна, але продуктивність висновків слабка, підходить для досліджень з охоплення мов.
• GPT-2: класична рання модель, підходить лише для навчання та перевірки, не рекомендується для реального розгортання.

Хоча модельний склад OpenLedger не включає останні високопродуктивні моделі MoE або мультимодальні моделі, його стратегія не відстає, а є «орієнтованою на практичність» конфігурацією, заснованою на реальних обмеженнях, пов'язаних з ончейн-розгортанням (вартість виведення, адаптація RAG, сумісність LoRA, середовище EVM).

Model Factory як інструмент безкодової розробки, всі моделі мають вбудований механізм підтвердження внеску, що забезпечує права учасників даних і розробників моделей, має низький бар'єр входу, здатність до монетизації та комбінації, порівняно з традиційними інструментами розробки моделей:

• Для розробників: надайте повний шлях до інкубації, розподілу та доходу моделей;
• Для платформи: формування екосистеми обігу та комбінування модельних активів;
• Для користувачів: ви можете комбінувати моделі або агентів, як викликати API.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-909dc3f796ad6aa44a1c97a51ade4193)

3.2 OpenLoRA, активізація он-chain активів моделі доопрацювання

LoRA (Low-Rank Adaptation) є ефективним методом тонкої настройки параметрів, який навчає нові завдання шляхом вставлення «низькорангових матриць» у попередньо навчений великий модель, не змінюючи параметри оригінальної моделі, що суттєво знижує витрати на навчання та вимоги до зберігання. Традиційні великі мовні моделі зазвичай мають десятки мільярдів або навіть сотні мільярдів параметрів. Щоб використовувати їх для конкретних завдань (наприклад, юридичні запитання, медичні консультації), необхідно провести тонку настройку (fine-tuning). Основна стратегія LoRA полягає в тому, щоб: «заморозити параметри оригінальної великої моделі, навчати лише вставлені нові параметричні матриці». Її параметри ефективні, навчання швидке, а розгортання гнучке, що робить її найкращим сучасним методом тонкої настройки для розгортання та комбінованого виклику моделей Web3.

OpenLoRA — це легка інфраструктура для висновків, розроблена OpenLedger, спеціально для розгортання декількох моделей та спільного використання ресурсів. Її основна мета — вирішити поширені проблеми високих витрат, низької повторної використання та марнотратства ресурсів GPU в сучасному розгортанні AI моделей, сприяючи реалізації «платного AI» (Payable AI).

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-f49cfa5ea73fc0018250d04193b34b60)

Основні компоненти архітектури системи OpenLoRA, засновані на модульному дизайні, охоплюють зберігання моделей, виконання інференції, маршрутизацію запитів та інші ключові етапи, що забезпечують ефективне та маловитратне розгортання і виклик кількох моделей:

• LoRA Adapter модуль зберігання (