OpenLedger Kedalaman Laporan Penelitian: Membangun Ekonomi Agen yang Didorong oleh Data dan Dapat Digabungkan Model dengan OP Stack+EigenDA sebagai Dasar

I. Pendahuluan | Lompatan lapisan model Crypto AI

Data, model, dan daya komputasi adalah tiga elemen inti infrastruktur AI, yang sebanding dengan bahan bakar (data), mesin (model), dan energi (daya komputasi) yang tidak bisa dipisahkan. Mirip dengan jalur evolusi infrastruktur industri AI tradisional, bidang Crypto AI juga telah melalui tahap yang serupa. Pada awal tahun 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi, yang secara umum menekankan pada logika pertumbuhan yang kasar "membandingkan daya komputasi". Namun, memasuki tahun 2025, fokus industri secara bertahap beralih ke lapisan model dan data, menandakan bahwa Crypto AI sedang beralih dari persaingan sumber daya dasar menuju pembangunan lapisan menengah yang lebih berkelanjutan dan bernilai aplikasi.

Model Umum (LLM) vs Model Khusus (SLM)

Model bahasa besar (LLM) tradisional sangat bergantung pada kumpulan data besar dan arsitektur terdistribusi yang kompleks, dengan skala parameter yang sering mencapai 70B hingga 500B, dan biaya untuk sekali pelatihan sering kali mencapai beberapa juta dolar. Sementara itu, SLM (Specialized Language Model) sebagai paradigma penyesuaian ringan dari model dasar yang dapat digunakan kembali, biasanya berbasis pada model sumber terbuka, menggabungkan sejumlah kecil data profesional berkualitas tinggi dan teknik seperti LoRA, untuk dengan cepat membangun model ahli yang memiliki pengetahuan di bidang tertentu, secara signifikan mengurangi biaya pelatihan dan ambang teknis.

Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, melainkan berkolaborasi dengan LLM melalui arsitektur Agent, sistem plugin untuk routing dinamis, hot-plugging modul LoRA, dan RAG (pemulihan yang ditingkatkan dengan generasi). Arsitektur ini mempertahankan kemampuan jangkauan luas LLM, sambil meningkatkan kinerja profesional melalui modul tuning, membentuk sistem cerdas kombinatorial yang sangat fleksibel.

Nilai dan batas AI Crypto di lapisan model

Proyek Crypto AI pada dasarnya sulit untuk secara langsung meningkatkan kemampuan inti dari model bahasa besar (LLM), penyebab utamanya adalah

• Ambang teknologi terlalu tinggi: Skala data, sumber daya komputasi, dan kemampuan rekayasa yang diperlukan untuk melatih Model Dasar sangat besar, saat ini hanya ada raksasa teknologi seperti Amerika Serikat dan China yang memiliki kemampuan tersebut.
• Keterbatasan ekosistem sumber terbuka: Meskipun model dasar utama seperti LLaMA dan Mixtral telah sumber terbuka, kunci untuk mendorong terobosan model masih terfokus pada lembaga penelitian dan sistem rekayasa tertutup, proyek di blockchain memiliki ruang partisipasi yang terbatas di tingkat model inti.

Namun, di atas model dasar sumber terbuka, proyek Crypto AI masih dapat mewujudkan perpanjangan nilai melalui penyempurnaan model bahasa khusus (SLM), dan menggabungkan verifikasi dan mekanisme insentif Web3. Sebagai "lapisan antarmuka pinggiran" dari rantai industri AI, hal ini terwujud dalam dua arah inti:

• Lapisan verifikasi yang dapat dipercaya: Meningkatkan keterlacakan dan ketahanan terhadap manipulasi keluaran AI melalui pencatatan jalur generasi model, kontribusi data, dan penggunaan di dalam rantai.
• Mekanisme insentif: Dengan menggunakan Token asli, digunakan untuk mendorong pengunggahan data, pemanggilan model, eksekusi agen (Agent), dan sebagainya, membangun siklus positif antara pelatihan model dan layanan.

Klasifikasi Tipe Model AI dan Analisis Kesesuaian Blockchain

Dari sini terlihat bahwa titik jatuh yang dapat diterima dari proyek Crypto AI berbasis model terutama terfokus pada penyempurnaan ringan SLM kecil, akses dan verifikasi data on-chain dengan arsitektur RAG, serta penyebaran lokal dan insentif model Edge. Dengan memadukan verifikasi dari blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model sumber daya menengah hingga rendah ini, membentuk nilai diferensiasi dari lapisan "antarmuka" AI.

Rantai AI berbasis data dan model blockchain dapat mencatat sumber kontribusi dari setiap data dan model secara jelas dan tidak dapat diubah, secara signifikan meningkatkan kredibilitas data dan keterlacakan pelatihan model. Selain itu, melalui mekanisme kontrak pintar, saat data atau model dipanggil, secara otomatis memicu distribusi hadiah, mengubah perilaku AI menjadi nilai tokenisasi yang dapat diukur dan diperdagangkan, membangun sistem insentif yang berkelanjutan. Selain itu, pengguna komunitas juga dapat mengevaluasi kinerja model melalui pemungutan suara token, berpartisipasi dalam penetapan dan iterasi aturan, serta menyempurnakan struktur pemerintahan terdesentralisasi.

Dua, Ringkasan Proyek | Visi Rantai AI OpenLedger

OpenLedger adalah salah satu dari sedikit proyek blockchain AI yang fokus pada mekanisme insentif data dan model di pasar saat ini. Ini pertama kali mengusulkan konsep "Payable AI", bertujuan untuk membangun lingkungan operasi AI yang adil, transparan, dan dapat digabungkan, yang mendorong kontributor data, pengembang model, dan pembangun aplikasi AI untuk berkolaborasi di platform yang sama dan mendapatkan imbalan on-chain berdasarkan kontribusi nyata.

OpenLedger menyediakan rantai penuh dari "penyediaan data" hingga "penempatan model" dan "panggilan pembagian keuntungan", dengan modul inti termasuk:

• Model Factory: Tanpa perlu pemrograman, Anda dapat menggunakan LoRA untuk pelatihan dan penerapan model kustom yang disesuaikan berdasarkan LLM sumber terbuka;
• OpenLoRA: mendukung keberadaan ribuan model, memuat secara dinamis sesuai kebutuhan, secara signifikan mengurangi biaya penempatan;
• PoA (Proof of Attribution): Mengukur kontribusi dan distribusi hadiah melalui pencatatan panggilan di blockchain;
• Datanets：Jaringan data terstruktur yang ditujukan untuk skenario vertikal, dibangun dan divalidasi oleh kolaborasi komunitas;
• Platform Usulan Model (Model Proposal Platform): pasar model on-chain yang dapat digabungkan, dipanggil, dan dibayar.

Melalui modul di atas, OpenLedger membangun "infrastruktur ekonomi agen pintar" yang didorong oleh data dan dapat dikombinasikan dengan model, mendorong on-chain dari rantai nilai AI.

Dan dalam penerapan teknologi blockchain, OpenLedger menggunakan OP Stack + EigenDA sebagai dasar, untuk membangun lingkungan operasi data dan kontrak yang berkinerja tinggi, biaya rendah, dan dapat diverifikasi untuk model AI.

• Dibangun di atas OP Stack: Berdasarkan tumpukan teknologi Optimism, mendukung throughput tinggi dan biaya rendah dalam eksekusi;
• Settlements di jaringan utama Ethereum: Memastikan keamanan transaksi dan integritas aset;
• EVM kompatibel: Memudahkan pengembang untuk dengan cepat menerapkan dan memperluas berdasarkan Solidity;
• EigenDA menyediakan dukungan ketersediaan data: secara signifikan mengurangi biaya penyimpanan, menjamin verifikasi data.

Dibandingkan dengan NEAR yang lebih berfokus pada dasar, mengutamakan kedaulatan data dan arsitektur "AI Agents on BOS" yang merupakan rantai AI umum, OpenLedger lebih fokus pada pembangunan rantai AI khusus yang ditujukan untuk insentif data dan model, berkomitmen untuk membuat pengembangan dan pemanggilan model di rantai mencapai nilai lingkaran yang dapat dilacak, dapat dikombinasikan, dan berkelanjutan. Ini adalah infrastruktur insentif model di dunia Web3, menggabungkan hosting model, penagihan penggunaan, dan antarmuka yang dapat dikombinasikan di rantai, mendorong jalur realisasi "model sebagai aset".

Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger

3.1 Model Factory, tanpa kode model pabrik

ModelFactory adalah platform penyetelan model bahasa besar (LLM) di ekosistem OpenLedger. Berbeda dengan kerangka penyetelan tradisional, ModelFactory menawarkan antarmuka grafis murni, tanpa perlu alat baris perintah atau integrasi API. Pengguna dapat menyetel model berdasarkan dataset yang telah mendapatkan izin dan audit di OpenLedger. Ini mewujudkan alur kerja terintegrasi untuk izin data, pelatihan model, dan penyebaran, dengan proses inti yang mencakup:

• Kontrol akses data: Pengguna mengajukan permintaan data, penyedia meninjau dan menyetujui, data secara otomatis terhubung ke antarmuka pelatihan model.
• Pemilihan dan konfigurasi model: Mendukung LLM mainstream (seperti LLaMA, Mistral), konfigurasi hyperparameter melalui GUI.
• Penyesuaian ringan: Mesin LoRA / QLoRA bawaan, menampilkan kemajuan pelatihan secara real-time.
• Penilaian dan Penempatan Model: Alat penilaian bawaan, mendukung ekspor penempatan atau panggilan berbagi ekosistem.
• Antarmuka verifikasi interaktif: Menyediakan antarmuka berbasis chat, memudahkan pengujian langsung kemampuan tanya jawab model.
• RAG menghasilkan jejak: Menjawab dengan kutipan asal, meningkatkan kepercayaan dan dapat diaudit.

Arsitektur sistem Model Factory terdiri dari enam modul, mencakup otentikasi identitas, izin data, penyesuaian model, evaluasi penerapan, dan pelacakan RAG, menciptakan platform layanan model terpadu yang aman, dapat dikendalikan, interaktif secara real-time, dan dapat menghasilkan pendapatan secara berkelanjutan.

ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:

• Seri LLaMA: Ekosistem terluas, komunitas aktif, dan kinerja umum yang kuat, merupakan salah satu model dasar sumber terbuka yang paling mainstream saat ini.
• Mistral: Arsitektur efisien, kinerja inferensi sangat baik, cocok untuk diterapkan dalam skenario yang fleksibel dan sumber daya terbatas.
• Qwen：Tugas dalam bahasa Mandarin menunjukkan kinerja yang luar biasa, dengan kemampuan yang kuat, cocok untuk pengembang domestik sebagai pilihan utama.
• ChatGLM: Efek percakapan dalam bahasa Mandarin yang menonjol, cocok untuk layanan pelanggan vertikal dan skenario lokalisasi.
• Deepseek: Unggul dalam menghasilkan kode dan penalaran matematis, cocok untuk alat bantu pengembangan cerdas.
• Gemma: Model ringan yang diluncurkan oleh Google, memiliki struktur yang jelas, mudah untuk dipahami dan diuji dengan cepat.
• Falcon：Pernah menjadi tolok ukur kinerja, cocok untuk penelitian dasar atau pengujian perbandingan, tetapi aktivitas komunitas telah menurun.
• BLOOM: Dukungan multibahasa yang kuat, tetapi kinerja inferensi yang lemah, cocok untuk penelitian yang mencakup bahasa.
• GPT-2: Model klasik awal, hanya cocok untuk tujuan pengajaran dan verifikasi, tidak disarankan untuk penggunaan implementasi yang sebenarnya.

Meskipun kombinasi model OpenLedger tidak mencakup model MoE berkinerja tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan merupakan konfigurasi "prioritas praktis" yang didasarkan pada batasan realitas yang diterapkan di rantai (biaya inferensi, adaptasi RAG, kompatibilitas LoRA, lingkungan EVM).

Model Factory sebagai rantai alat tanpa kode, semua model dilengkapi dengan mekanisme bukti kontribusi, memastikan hak-hak kontributor data dan pengembang model, memiliki keunggulan ambang rendah, dapat dimonetisasi dan dapat digabungkan, dibandingkan dengan alat pengembangan model tradisional:

• Untuk pengembang: Menyediakan jalur lengkap untuk inkubasi model, distribusi, dan pendapatan;
• Untuk platform: membentuk sirkulasi aset model dan ekosistem kombinasi;
• Untuk pengguna: Anda dapat menggabungkan model atau Agen seperti memanggil API.

3.2 OpenLoRA, aset on-chain dari model fine-tuning

LoRA (Low-Rank Adaptation) adalah metode penyesuaian parameter yang efisien, yang mempelajari tugas baru dengan menyisipkan "matriks rendah-rank" ke dalam model besar yang telah dilatih sebelumnya, tanpa mengubah parameter model asli, sehingga secara signifikan mengurangi biaya pelatihan dan kebutuhan penyimpanan. Model bahasa besar tradisional (seperti LLaMA, GPT-3) biasanya memiliki puluhan miliar bahkan ratusan miliar parameter. Untuk menggunakannya untuk tugas tertentu (seperti tanya jawab hukum, konsultasi medis), diperlukan penyesuaian (fine-tuning). Strategi inti dari LoRA adalah: "membekukan parameter model besar asli, hanya melatih matriks parameter baru yang disisipkan.", yang efisien dalam parameter, cepat dalam pelatihan, dan fleksibel dalam penerapan, merupakan metode penyesuaian utama yang paling sesuai untuk penerapan dan pemanggilan kombinasi model Web3 saat ini.

OpenLoRA adalah kerangka inferensi ringan yang dirancang khusus untuk penyebaran multi-model dan berbagi sumber daya yang dibangun oleh OpenLedger. Tujuan utamanya adalah untuk mengatasi masalah umum dalam penyebaran model AI saat ini, seperti biaya tinggi, rendahnya penggunaan kembali, dan pemborosan sumber daya GPU, serta mendorong pelaksanaan "AI yang dapat dibayar".

Komponen inti arsitektur sistem OpenLoRA, berdasarkan desain modular, mencakup penyimpanan model, eksekusi inferensi, routing permintaan, dan aspek kunci lainnya, untuk mencapai kemampuan penyebaran dan pemanggilan banyak model yang efisien dan biaya rendah:

• Modul Penyimpanan LoRA Adapter (LoRA Adapters Storage): LoRA adapter yang telah disesuaikan dihosting di OpenLedger, memungkinkan pemuatan sesuai permintaan, menghindari pemuatan semua model ke dalam memori grafis, menghemat sumber daya.
• Model Hosting dan Layer Penggabungan Adapter (Model Hosting & Adapter Merging Layer): Semua model fine-tuning berbagi model dasar (base model), saat inferensi adapter LoRA dinamis.