OpenLedger Глибина研报：з OP Stack+EigenDA як базою, побудувати економіку інтелектів, яка керується даними та є комбінованою моделлю

Один. Вступ | Модельний рівень Crypto AI

Дані, моделі та обчислювальні потужності є трьома основними елементами інфраструктури ШІ, аналогічно паливу (дані), двигуну (модель), енергії (обчислювальні потужності), які є незамінними. Як і в традиційній галузі ШІ, шлях еволюції інфраструктури в Crypto AI також пройшов подібні етапи. На початку 2024 року ринок певний час був під контролем децентралізованих GPU проектів ( деяких платформ тощо ), загалом наголошуючи на логіці грубого зростання «конкуренція обчислювальних потужностей». А з початком 2025 року увага галузі поступово переходить до моделей та рівня даних, що знаменує перехід Crypto AI від конкуренції за базові ресурси до більш стійкого та цінного застосування на середньому рівні.

Загальний великий модель (LLM) vs Спеціалізована модель (SLM)

Традиційні великі мовні моделі (LLM) сильно залежать від масштабних наборів даних та складних розподілених архітектур, обсяг параметрів яких коливається від 70B до 500B, а вартість одного навчання часто досягає кількох мільйонів доларів. Однак SLM (Спеціалізована мовна модель) є легким підходом до налаштування, що дозволяє повторно використовувати базову модель: зазвичай вона базується на відкритих моделях, таких як LLaMA, Mistral, DeepSeek, поєднуючи невелику кількість високоякісних спеціалізованих даних та технології LoRA для швидкого створення експертних моделей з конкретними галузевими знаннями, що суттєво знижує витрати на навчання та технічні бар'єри.

Варто зазначити, що SLM не буде інтегровано в ваги LLM, а буде взаємодіяти з LLM через архітектуру Agent, динамічну маршрутизацію системи плагінів, гарячу заміну модулів LoRA, RAG (покращене генерування запитів) та інші способи. Ця архітектура зберігає широку охоплювальну здатність LLM, одночасно підвищуючи професійну продуктивність за рахунок модуля тонкого налаштування, формуючи високогнучку комбінаційну інтелектуальну систему.

Crypto AI вартість та межі на рівні моделі

Крипто AI проекти в основному важко безпосередньо підвищити основні можливості великих мовних моделей (LLM), основна причина цього 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 технологічні гіганти, такі як США (деякі компанії тощо) та Китай (деякі компанії тощо), мають відповідні можливості.
• Обмеження відкритої екосистеми: хоча основні базові моделі, такі як LLaMA, Mixtral, вже відкриті, справжній прорив моделей все ще зосереджений на науково-дослідних установах та закритих інженерних системах, а участь блокчейн-проектів на рівні основних моделей обмежена.

Однак на основі відкритих моделей, проекти Crypto AI можуть все ще реалізовувати розширення вартості шляхом тонкої настройки спеціалізованих мовних моделей (SLM) та поєднання з перевіряністю та механізмами стимулювання Web3. Як «периферійний інтерфейсний шар» AI-індустрії, це втілюється в двох основних напрямках:

• Достовірний верифікаційний рівень: шляхом запису на ланцюгу шляху генерації моделі, внесків даних та використання, посилюється відстежуваність та стійкість до підробок виходу AI.
• Механізм стимулювання: за допомогою рідного токена, що використовується для стимулювання завантаження даних, виклику моделей, виконання агентами (Agent) та інших дій, створюється позитивний цикл навчання моделей та послуг.

Класифікація типів AI моделей та аналіз придатності для блокчейну

Отже, можна зробити висновок, що дієві точки моделей класу Crypto AI зосереджені переважно на легкій настройці малих SLM, на підключенні та верифікації даних на блокчейні в архітектурі RAG, а також на локальному розгортанні та стимулюванні Edge моделей. Поєднуючи перевірність блокчейну та механізм токенів, Crypto може надати унікальну цінність для цих сценаріїв моделей з обмеженими ресурсами, формуючи диференційовану цінність "інтерфейсного шару" AI.

Блокчейн AI ланцюг на основі даних та моделей може забезпечити чіткий, незмінний облік джерел внеску для кожної дані та моделі, значно підвищуючи довіру до даних та відстежуваність навчання моделей. Одночасно, за допомогою механізму смарт-контрактів, автоматично запускається розподіл винагород при виклику даних або моделей, перетворюючи дії AI на вимірювану, торгівельну токенізовану вартість, що створює стійку систему заохочень. Крім того, користувачі спільноти можуть оцінювати продуктивність моделей через голосування токенами, брати участь у розробці правил та їх ітерації, вдосконалюючи децентралізовану систему 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 проектів блокчейн AI на ринку, що зосереджується на механізмах стимулювання даних і моделей. Він вперше запропонував концепцію «Payable AI», метою якої є створення справедливого, прозорого та комбінованого середовища для роботи AI, що стимулює внесківців даних, розробників моделей та створювачів AI-додатків співпрацювати на одній платформі та отримувати винагороду на ланцюзі відповідно до фактичного внеску.

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

• Модельна фабрика: без програмування, можна використовувати LoRA для тонкої настройки тренування та розгортання користувацьких моделей на основі відкритих LLM;
• OpenLoRA: підтримка спільного існування тисячі моделей, динамічне завантаження за потребою, суттєве зниження витрат на розгортання;
• PoA (Доказательство атрибуції): вимірювання внеску та розподіл винагороди через записи викликів на ланцюзі;
• Datanets: структуровані мережі даних, орієнтовані на вертикальні сценарії, побудовані та перевірені спільнотою;
• Платформа пропозицій моделей (Model Proposal Platform): комбінований, викликаємий, платіжний ринк моделей на блокчейні.

Завдяки вищезгаданим модулям, OpenLedger побудував «інфраструктуру економіки агентів», що базується на даних та модульній комбінації, що сприяє онлайнізації ланцюга вартості AI.

А в прийнятті технології блокчейн OpenLedger на базі OP Stack + EigenDA створила високопродуктивне, низькозатратне та перевіряється середовище виконання даних і контрактів для AI моделей.

• Побудовано на OP Stack: на основі технологічного стеку Optimism, підтримує високу пропускну здатність і низькі витрати на виконання；
• Розрахунок в основній мережі Ethereum: Забезпечення безпеки транзакцій та цілісності активів;
• Сумісність з EVM: зручно для розробників швидко розгортати та розширювати на основі Solidity;
• EigenDA надає підтримку доступності даних: суттєво знижує витрати на зберігання, гарантує перевірність даних.

Порівняно з такими більш базовими, орієнтованими на суверенітет даних, як NEAR, та архітектурою «AI Agents on BOS», OpenLedger більше зосереджується на створенні спеціалізованих AI-ланцюгів, орієнтованих на дані та моделі, прагнучи забезпечити відстежуваність, комбінованість і стійкість ціннісного кола для розробки та виклику моделей на ланцюгу. Це інфраструктура модульних стимулів для моделей у світі Web3, що поєднує в собі певні платформи для хостингу моделей, певні платформи для обліку використання та певні платформи для комбінованих інтерфейсів на ланцюгу, 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. Ядро компонентів OpenLedger та технічна архітектура

3.1 Модельна фабрика, безкодова модельна фабрика

ModelFactory є великою платформою для доопрацювання мовних моделей (LLM) в екосистемі OpenLedger. На відміну від традиційних фреймворків доопрацювання, ModelFactory пропонує чистий графічний інтерфейс, без необхідності використання командного рядка або інтеграції API. Користувачі можуть доопрацьовувати моделі на основі наборів даних, які були авторизовані та перевірені на OpenLedger. Реалізовано інтегрований робочий процес, що включає авторизацію 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 моделі.
• Вибір і налаштування моделі: Підтримка основних LLM (таких як LLaMA, Mistral), налаштування гіперпараметрів через GUI.
• Легке налаштування: вбудований двигун LoRA / QLoRA, що демонструє процес навчання в реальному часі.
• Оцінка та розгортання моделі: вбудовані інструменти оцінки, підтримка експорту для розгортання або спільного використання в екосистемі.
• Інтерфейс взаємної верифікації: надає чат-інтерфейс, зручний для безпосереднього тестування здатності моделі відповідати 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, що охоплюють ідентифікацію, управління даними, тонке налаштування моделей, оцінку, впровадження та трасування RAG, створюючи безпечну, контрольовану, інтерактивну та сталу платформу для надання послуг моделей.

! [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 такі можливості великих мовних моделей:

• Серія LLaMA: найбільша екосистема, активна спільнота, сильна універсальна продуктивність, є однією з найпопулярніших відкритих базових моделей на сьогодні.
• Mistral: Архітектура ефективна, продуктивність висока, підходить для гнучкого розгортання в умовах обмежених ресурсів.
• Qwen: продукт певної компанії, демонструє відмінні результати у китайських завданнях, має високі загальні можливості, підходить для вибору у першу чергу для вітчизняних розробників.
• ChatGLM: видатні результати в китайських розмовах, підходить для нішевих служб підтримки та локалізованих сцен.
• Deepseek: Відзначається перевагою в генерації коду та математичному міркуванні, підходить для інструментів підтримки розумної розробки.
• Gemma: легка модель, випущена певною компанією, з чіткою структурою, що дозволяє швидко почати роботу та проводити експерименти.
• Falcon: колись був еталоном продуктивності, підходить для базових досліджень або порівняльного тестування, але активність громади зменшилася.
• BLOOM: підтримка багатьох мов досить сильна, але продуктивність в інференції слабка, підходить для досліджень з охоплення мов.
• GPT-2: класична рання модель, яка підходить лише для навчальних та верифікаційних цілей, не рекомендується для фактичного впровадження.

Хоча модельний набір OpenLedger не містить новітніх високопродуктивних моделей MoE або мультимодальних моделей, його стратегія не є застарілою, а базується на реальних обмеженнях, пов'язаних із розгортанням в блокчейні (витрати на інференс, адаптація RAG, сумісність LoRA, середовище EVM), що зумовлює конфігурацію «практичний пріоритет».

Model Factory як безкодова інструментальна ланцюг, всі моделі мають вбудований механізм підтвердження внесків, що забезпечує права учасників даних та розробників моделей, має низький бар'єр, можливість монетизації та комбінації переваг, у порівнянні з традиційними інструментами розробки моделей:

• Для розробників: забезпечити повний шлях до інкубації, розподілу та доходу моделей;
• Для платформи: формування обігу моделей активів та екосистеми комбінацій;
• Для користувачів: можна комбінувати моделі або агентів, як виклик 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 налаштування

LoRA (Low-Rank Adaptation) є ефективним методом тонкої настройки параметрів, який навчає нові завдання шляхом вставлення «низькорозмірної матриці» у попередньо навчену велику модель, не змінюючи параметри оригінальної моделі, що значно знижує витрати на навчання та вимоги до зберігання. Традиційні великі мовні моделі (такі як LLaMA, GPT-3) зазвичай мають десятки мільярдів, а іноді й сто мільярдів параметрів. Щоб використовувати їх для конкретних завдань (наприклад, юридичних запитань, медичних консультацій), необхідно провести тонку настройку. Основна стратегія LoRA полягає в наступному: «заморозити параметри оригінальної великої моделі, навчити лише вставлені нові параметричні матриці». Її параметри є ефективними, навчання швидким, а розгортання гнучким, що робить її нині найкращим основним методом тонкої настройки для розгортання та комбінованого виклику Web3 моделей.

OpenLoRA - це легка інфраструктура для інфериції, розроблена OpenLedger, спеціально створена для розгортання кількох моделей та спільного використання ресурсів. Її основна мета полягає в тому, щоб вирішити поширені проблеми, пов'язані з розгортанням AI-моделей, такі як високі витрати, низька повторюваність та марна витрата GPU-ресурсів, а також сприяти реалізації «платіжного AI» (Payable AI).

Основні компоненти системної архітектури OpenLoRA, засновані на модульному дизайні, охоплюють зберігання моделей, виконання інференції, маршрутизацію запитів та інші ключові етапи, забезпечуючи ефективну та низьковитратну можливість розгортання та виклику декількох моделей:

• Модуль зберігання LoRA адаптерів (LoRA адаптери зберігання): Налаштовані LoRA адаптери розміщуються на OpenLedger, що дозволяє завантажувати їх за запитом, уникаючи попереднього завантаження всіх моделей.