تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب استنادا إلى OP Stack + EigenDA
أ. المقدمة | الانتقال في طبقة نموذج Crypto AI
البيانات والنماذج والقوة الحاسوبية هي العناصر الثلاثة الأساسية للبنية التحتية للذكاء الاصطناعي، ولا يمكن الاستغناء عن أي منها. شهدت مجال Crypto AI مسار تطور مشابه لصناعة الذكاء الاصطناعي التقليدية. في أوائل عام 2024، سيطر سوق المشاريع اللامركزية لـ GPU، مما يبرز منطق النمو الواسع الذي يركز على "تجميع القوة الحاسوبية". بعد عام 2025، ستنتقل نقطة تركيز الصناعة تدريجياً إلى طبقة النماذج والبيانات، مما يشير إلى انتقال Crypto AI من المنافسة على الموارد الأساسية إلى بناء طبقة وسطى أكثر استدامة وقيمة تطبيقية.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-62B3FAe810F4772AABA3D91C74C1AA6)
النموذج العام (LLM) مقابل النموذج المتخصص (SLM)
تعتمد نماذج اللغة الكبيرة التقليدية (LLM) بشكل كبير على مجموعات البيانات الضخمة والهياكل المعقدة، مما يجعل التكاليف مرتفعة. تعتبر نماذج اللغة المتخصصة (SLM) نموذجًا خفيفًا للتعديل، حيث تعتمد على نماذج مفتوحة المصدر مع مجموعة صغيرة من البيانات المهنية عالية الجودة، لبناء نماذج في مجالات محددة بسرعة، مما يقلل بشكل ملحوظ من التكاليف والعوائق.
يعمل SLM بالتعاون مع LLM من خلال هيكل Agent، ونظام الإضافات، وفتحات LoRA القابلة للتبديل، وRAG وغيرها. يحتفظ هذا الهيكل بقدرة LLM على التغطية الواسعة، ويعزز الأداء الاحترافي من خلال وحدات الضبط الدقيق، مما يشكل نظام ذكاء مرن مركب.
قيمة و حدود Crypto AI في مستوى النموذج
من الصعب أن تعزز مشاريع الذكاء الاصطناعي للعملات المشفرة مباشرةً من القدرات الأساسية لنماذج اللغة الكبيرة، والسبب في ذلك هو:
العوائق التقنية مرتفعة للغاية: الموارد والقدرات المطلوبة لتدريب نموذج المؤسسة ضخمة للغاية، ولا تمتلكها سوى عدد قليل من عمالقة التكنولوجيا.
قيود النظام البيئي مفتوح المصدر: المفتاح الحقيقي لدفع نموذج突破 يتركز في المؤسسات البحثية وأنظمة الهندسة المغلقة.
ومع ذلك، يمكن لمشروع Crypto AI تحقيق تمديد القيمة من خلال تحسين SLM، مع الجمع بين القابلية للتحقق وآلية التحفيز في Web3. ك"طبقة واجهة محيطية" في سلسلة صناعة الذكاء الاصطناعي، تتجلى في اتجاهين:
طبقة التحقق الموثوقة: تعزز من قابلية تتبع وإمكانية مقاومة التلاعب بمخرجات الذكاء الاصطناعي.
آلية التحفيز: بناء دورة إيجابية لتدريب النموذج والخدمات.
تحليل ملاءمة أنواع نماذج الذكاء الاصطناعي وتصنيفها مع البلوكشين
تتركز النقاط القابلة للتطبيق لمشاريع Crypto AI من نوع النماذج بشكل رئيسي على ضبط SLM الصغير، وإدخال والتحقق من بيانات السلسلة المعمارية RAG، ونشر وتحفيز نماذج Edge محليًا. يمكن لـ Crypto تقديم قيمة فريدة لهذه السيناريوهات ذات الموارد المتوسطة والمنخفضة، مما يشكل قيمة مميزة لـ "طبقة الواجهة" للذكاء الاصطناعي.
سلسلة AI القائمة على البيانات والنماذج، يمكنها تسجيل مصادر مساهمات البيانات والنماذج على السلسلة، مما يعزز من الموثوقية وقابلية التتبع. من خلال آلية العقود الذكية، يتم تفعيل توزيع المكافآت تلقائيًا عند الاستدعاء، وتحويل سلوك AI إلى قيمة قابلة للقياس والتداول من خلال الرموز. يمكن لمستخدمي المجتمع التصويت باستخدام الرموز لتقييم أداء النماذج، والمشاركة في وضع القواعد، وتحسين هيكل الحوكمة اللامركزية.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-19C2276FCCC616CCF9260FB7E35C9C24)
ثانياً، نظرة عامة على المشروع | رؤية OpenLedger للذكاء الاصطناعي في السلاسل
OpenLedger هو مشروع بلوكتشين للذكاء الاصطناعي يركز على بيانات وآليات تحفيز النماذج. يقدم مفهوم "AI القابل للدفع"، ويبني بيئة تشغيلية للذكاء الاصطناعي عادلة وشفافة وقابلة للتجميع، لتحفيز جميع الأطراف على التعاون في نفس المنصة والحصول على عائدات على السلسلة.
OpenLedger تقدم حلقة مغلقة كاملة من "توفير البيانات" إلى "نشر النماذج" ثم إلى "استدعاء الأرباح"، تشمل الوحدات الأساسية ما يلي:
مصنع النماذج: يمكنك ضبط وتدريب ونشر نماذج مخصصة بناءً على LLM مفتوح المصدر دون الحاجة إلى البرمجة.
OpenLoRA: يدعم وجود آلاف النماذج بشكل متزامن، تحميل ديناميكي حسب الحاجة، مما يقلل بشكل كبير من تكاليف النشر.
PoA (دليل النسبة): تحقيق قياس المساهمة وتوزيع المكافآت
Datanets: شبكة بيانات هيكلية موجهة نحو السيناريوهات الرأسية
منصة اقتراح النماذج: سوق نماذج على السلسلة قابلة للتجميع، قابلة للاستدعاء، وقابلة للدفع
OpenLedger يعتمد على OP Stack + EigenDA كقاعدة، لبناء بيئة تشغيل بيانات وعقود عالية الأداء ومنخفضة التكلفة وقابلة للتحقق لنماذج الذكاء الاصطناعي.
مبني على OP Stack: يدعم التنفيذ عالي الإنتاجية ومنخفض التكلفة
التسوية على الشبكة الرئيسية للإيثيريوم: ضمان أمان المعاملات وسلامة الأصول
متوافق مع EVM: سهل للمطورين نشر وتوسيع بسرعة
EigenDA يوفر دعم توفر البيانات: خفض تكاليف التخزين، وضمان قابلية التحقق من البيانات
بالنسبة لسلاسل الذكاء الاصطناعي العامة مثل NEAR التي تركز على الطبقة الأساسية، فإن OpenLedger تركز أكثر على بناء سلاسل مخصصة للذكاء الاصطناعي مع التركيز على البيانات والنماذج، وتهدف إلى تحقيق قيمة قابلة للتتبع، وقابلة للتجميع، ومستدامة لتطوير النماذج واستدعائها على السلسلة. إنها بنية تحتية لتحفيز النماذج في عالم Web3، تجمع بين استضافة النماذج، وفوترة الاستخدام، وواجهات قابلة للتجميع على السلسلة، مما يدفع نحو تحقيق "النموذج كأصل".
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F23F47F09226573B1FCACEBDCFB8c1f3)
ثلاثة، المكونات الأساسية والتقنية لـ OpenLedger
3.1 نموذج المصنع،无需代码模型工厂
ModelFactory هو منصة ضبط LLM ضمن نظام OpenLedger البيئي. يوفر واجهة رسومية بحتة للت操作، دون الحاجة إلى سطر الأوامر أو تكامل API. يمكن للمستخدمين ضبط النموذج استنادًا إلى مجموعات البيانات المرخصة والمعتمدة، لتحقيق سير عمل متكامل لتفويض البيانات، تدريب النموذج ونشره. تشمل العمليات الأساسية ما يلي:
التحكم في الوصول إلى البيانات
اختيار النموذج والتكوين
وزن خفيف
تقييم النموذج ونشره
واجهة التحقق التفاعلي
RAG توليد تتبع
نظام Model Factory يتكون من ستة وحدات، تشمل المصادقة على الهوية، حقوق البيانات، تعديل النموذج، تقييم النشر و RAG تتبع المصدر، لإنشاء منصة خدمات نموذج متكاملة وآمنة وقابلة للتحكم، مع تفاعل فوري وإمكانية تحقيق دخل مستدام.
يدعم ModelFactory حاليًا نماذج اللغة الكبيرة بما في ذلك LLaMA و Mistral و Qwen و ChatGLM و Deepseek و Gemma و Falcon و BLOOM و GPT-2. على الرغم من عدم احتوائه على أحدث نماذج MoE عالية الأداء أو النماذج متعددة الوسائط، إلا أنه تم إجراء تكوين "الأولوية العملية" بناءً على قيود النشر على سلسلة الكتل.
تعتبر Model Factory كأداة بدون كود، حيث تحتوي جميع النماذج على آلية إثبات المساهمة المدمجة، مما يضمن حقوق المساهمين في البيانات ومطوري النماذج، وتتميز بمتطلبات دخول منخفضة، وقابلية للتحقيق، وإمكانية التجميع.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ moments-909dc3f796ad6aa44a1c97a51ade4193)
3.2 OpenLoRA، أصول سلسلة الكتل لنموذج الضبط الدقيق
LoRA هي طريقة فعالة لضبط المعلمات، تتعلم مهام جديدة من خلال إدخال "مصفوفة ذات رتبة منخفضة" في نموذج كبير مدرب مسبقًا، دون تعديل معلمات النموذج الأصلي، مما يقلل بشكل كبير من تكلفة التدريب واحتياجات التخزين.
OpenLoRA هو إطار استدلال خفيف مصمم للنشر المتعدد النماذج ومشاركة الموارد تم بناؤه بواسطة OpenLedger. إنه يعالج المشكلات الحالية في نشر نماذج الذكاء الاصطناعي مثل التكاليف العالية، وقلة إعادة الاستخدام، وإهدار موارد GPU، مما يدفع تنفيذ "الذكاء الاصطناعي القابل للدفع".
تتضمن المكونات الأساسية للمعمارية النظامية لـ OpenLoRA:
OpenLoRA من خلال مجموعة من أساليب التحسين الأساسية، قامت بتحسين فعالية نشر واستدلال النماذج المتعددة بشكل ملحوظ. تشمل جوهرها تحميل محولات LoRA الديناميكية، والتوازي على مستوى المصفوفات والانتباه المقسم، ودمج النماذج المتعددة، والانتباه السريع، ونوى CUDA المجمعة مسبقًا، وتقنيات التكميم.
OpenLoRA ليس فقط إطار استدلال LoRA فعال، ولكنه يدمج بعمق استدلال النموذج مع آلية التحفيز Web3، والهدف هو تحويل نموذج LoRA إلى أصول Web3 قابلة للاستخدام، وقابلة للتجميع، وقابلة للتوزيع. لقد حقق ما يلي:
النموذج هو الأصول
دمج LoRA الديناميكي + تخصيص الأرباح
دعم نموذج الذيل الطويل "الاستدلال المشترك متعدد المستأجرين"
تتوقع OpenLedger أن تكون مؤشرات الأداء المستقبلية لـ OpenLoRA أفضل بكثير من نشر النماذج الكاملة التقليدية، ولكن هذه المؤشرات أقرب إلى "أداء السقف"، ويجب اعتبارها "الحد الأقصى المثالي" بدلاً من "الاستقرار اليومي".
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F49CFA5EA73FC0018250D04193B34B60)
3.3 Datanets (شبكات البيانات)، من سيادة البيانات إلى الذكاء البياني
Datanets هي البنية التحتية لـ OpenLedger "البيانات هي الأصول" لجمع وإدارة مجموعات البيانات في مجالات محددة. كل Datanet يشبه مستودع بيانات هيكلي، حيث يقوم المساهمون بتحميل البيانات، ومن خلال آلية الانتماء على السلسلة، يتم ضمان إمكانية تتبع البيانات وموثوقيتها.
بالمقارنة مع المشاريع التي تركز على سيادة البيانات، تقوم OpenLedger من خلال ثلاث وحدات Datanets و Model Factory و OpenLoRA بتمديد قيمة البيانات إلى تدريب النماذج واستدعائها على السلسلة، مما يبني "حلقة مغلقة كاملة من البيانات إلى الذكاء". تركز OpenLedger على "كيفية تدريب البيانات واستدعائها والحصول على المكافآت"، وتشغل موقعًا رئيسيًا في مسار تحقيق الدخل من البيانات في نظام Web3 AI.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-9FBD934D293142E4FDD386eeE4AFD41A)
3.4 إثبات النسبة (贡献证明): إعادة تشكيل طبقة الحوافز لتوزيع المنافع
إثبات النسبة (PoA) هو الآلية الأساسية التي تنفذها OpenLedger لتخصيص البيانات وتوزيع الحوافز. تشمل عملية تخصيص البيانات وتوزيع الحوافز ما يلي:
تقديم البيانات
تقييم التأثير
التحقق من التدريب
توزيع الحوافز
إدارة الجودة
PoA ليس فقط أداة لتوزيع الحوافز، بل هو إطار يركز على الشفافية، تتبع المصادر، والانتماء متعدد المراحل. إنه يسجل كل عملية تحميل البيانات، استدعاء النموذج، وتنفيذ الوكيل على سلسلة الكتل، مما يحقق مسار قيمة قابل للتحقق من البداية إلى النهاية.
RAG Attribution هو آلية تخصيص البيانات والتحفيز التي أنشأتها OpenLedger في سيناريو RAG، تضمن أن محتوى مخرجات النموذج قابل للتتبع والتحقق، ويمكن تحفيز المساهمين. تشمل العملية ما يلي:
سؤال المستخدم → استرجاع البيانات
تم استدعاء البيانات وتوليد الإجابة
يحصل المساهمون على المكافآت
4.生成 النتائج مع الاقتباس
تتيح ميزة RAG Attribution من OpenLedger تتبع كل إجابة AI إلى مصدر البيانات الحقيقي، حيث يحصل المساهمون على حوافز بناءً على تكرار الاقتباس، مما يحقق "المعرفة لها مصدر، والاستخدام يمكن أن يتحول إلى مكاسب". تعزز هذه الآلية شفافية مخرجات النموذج، كما أنها تبني حلقة تحفيزية مستدامة لمساهمة البيانات عالية الجودة.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-FB455C53FFCE25E4AAAFD015DE8A70E1B)
أربعة، تقدم مشروع OpenLedger والتعاون البيئي
OpenLedger قد أطلق الشبكة التجريبية، حيث أن طبقة الذكاء البياني هي المرحلة الأولى، وتهدف إلى بناء مستودع بيانات الإنترنت المدفوع بواسطة عقد المجتمع. يمكن لأعضاء المجتمع تشغيل عقد الأجهزة الطرفية، والمشاركة في جمع البيانات ومعالجتها، والحصول على مكافآت نقاط بناءً على النشاط وإكمال المهام.
تقدم شبكة الاختبار حوافز من ثلاث آليات للعائدات:
تعدين البيانات
تحقق المعاملات
مشاركة المهام
المرحلة 2 من شبكة الاختبار قدمت آلية شبكة البيانات Datanets، المشاركون محصورون في قائمة بيضاء، وتشمل مهام مثل التحقق من البيانات والتصنيف.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 16
أعجبني
16
9
مشاركة
تعليق
0/400
TokenEconomist
· 07-25 01:56
في الواقع، هذه هي تخصيص كلاسيكي غير صحيح للموارد الحاسوبية... دعني أوضح ذلك رياضيًا
شاهد النسخة الأصليةرد0
DAOdreamer
· 07-23 20:37
هذه العملة ليست هي التي تم تداولها الشهر الماضي فقط؟
شاهد النسخة الأصليةرد0
StableGeniusDegen
· 07-23 03:01
لا تتحدث، هل يمكن لـ L2 أن تخلق اقتصاد الذكاء الاصطناعي؟
شاهد النسخة الأصليةرد0
CAACTrainingInstitution
· 07-23 02:47
سيكون من المؤكد في النهاية أن يعود إلى 0 حسب الوضع
شاهد النسخة الأصليةرد0
WalletInspector
· 07-22 19:49
يبدو أنه ذو العمق!
شاهد النسخة الأصليةرد0
PanicSeller
· 07-22 19:38
قوة الحوسبة又要 big pump惹
شاهد النسخة الأصليةرد0
GasGuzzler
· 07-22 19:37
لقد جاءت موجة جديدة من المفاهيم التي تُستغل بغباء.
شاهد النسخة الأصليةرد0
ChainDoctor
· 07-22 19:32
هناك شيء ما من يستطيع أن يفهم الذكاء الاصطناعي أفضل مني
OpenLedger تبني اقتصاد الوكلاء الذكي المدفوع بالبيانات من خلال دمج بنية OP Stack و EigenDA الأساسية
تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب استنادا إلى OP Stack + EigenDA
أ. المقدمة | الانتقال في طبقة نموذج Crypto AI
البيانات والنماذج والقوة الحاسوبية هي العناصر الثلاثة الأساسية للبنية التحتية للذكاء الاصطناعي، ولا يمكن الاستغناء عن أي منها. شهدت مجال Crypto AI مسار تطور مشابه لصناعة الذكاء الاصطناعي التقليدية. في أوائل عام 2024، سيطر سوق المشاريع اللامركزية لـ GPU، مما يبرز منطق النمو الواسع الذي يركز على "تجميع القوة الحاسوبية". بعد عام 2025، ستنتقل نقطة تركيز الصناعة تدريجياً إلى طبقة النماذج والبيانات، مما يشير إلى انتقال Crypto AI من المنافسة على الموارد الأساسية إلى بناء طبقة وسطى أكثر استدامة وقيمة تطبيقية.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-62B3FAe810F4772AABA3D91C74C1AA6)
النموذج العام (LLM) مقابل النموذج المتخصص (SLM)
تعتمد نماذج اللغة الكبيرة التقليدية (LLM) بشكل كبير على مجموعات البيانات الضخمة والهياكل المعقدة، مما يجعل التكاليف مرتفعة. تعتبر نماذج اللغة المتخصصة (SLM) نموذجًا خفيفًا للتعديل، حيث تعتمد على نماذج مفتوحة المصدر مع مجموعة صغيرة من البيانات المهنية عالية الجودة، لبناء نماذج في مجالات محددة بسرعة، مما يقلل بشكل ملحوظ من التكاليف والعوائق.
يعمل SLM بالتعاون مع LLM من خلال هيكل Agent، ونظام الإضافات، وفتحات LoRA القابلة للتبديل، وRAG وغيرها. يحتفظ هذا الهيكل بقدرة LLM على التغطية الواسعة، ويعزز الأداء الاحترافي من خلال وحدات الضبط الدقيق، مما يشكل نظام ذكاء مرن مركب.
قيمة و حدود Crypto AI في مستوى النموذج
من الصعب أن تعزز مشاريع الذكاء الاصطناعي للعملات المشفرة مباشرةً من القدرات الأساسية لنماذج اللغة الكبيرة، والسبب في ذلك هو:
ومع ذلك، يمكن لمشروع Crypto AI تحقيق تمديد القيمة من خلال تحسين SLM، مع الجمع بين القابلية للتحقق وآلية التحفيز في Web3. ك"طبقة واجهة محيطية" في سلسلة صناعة الذكاء الاصطناعي، تتجلى في اتجاهين:
تحليل ملاءمة أنواع نماذج الذكاء الاصطناعي وتصنيفها مع البلوكشين
تتركز النقاط القابلة للتطبيق لمشاريع Crypto AI من نوع النماذج بشكل رئيسي على ضبط SLM الصغير، وإدخال والتحقق من بيانات السلسلة المعمارية RAG، ونشر وتحفيز نماذج Edge محليًا. يمكن لـ Crypto تقديم قيمة فريدة لهذه السيناريوهات ذات الموارد المتوسطة والمنخفضة، مما يشكل قيمة مميزة لـ "طبقة الواجهة" للذكاء الاصطناعي.
سلسلة AI القائمة على البيانات والنماذج، يمكنها تسجيل مصادر مساهمات البيانات والنماذج على السلسلة، مما يعزز من الموثوقية وقابلية التتبع. من خلال آلية العقود الذكية، يتم تفعيل توزيع المكافآت تلقائيًا عند الاستدعاء، وتحويل سلوك AI إلى قيمة قابلة للقياس والتداول من خلال الرموز. يمكن لمستخدمي المجتمع التصويت باستخدام الرموز لتقييم أداء النماذج، والمشاركة في وضع القواعد، وتحسين هيكل الحوكمة اللامركزية.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-19C2276FCCC616CCF9260FB7E35C9C24)
ثانياً، نظرة عامة على المشروع | رؤية OpenLedger للذكاء الاصطناعي في السلاسل
OpenLedger هو مشروع بلوكتشين للذكاء الاصطناعي يركز على بيانات وآليات تحفيز النماذج. يقدم مفهوم "AI القابل للدفع"، ويبني بيئة تشغيلية للذكاء الاصطناعي عادلة وشفافة وقابلة للتجميع، لتحفيز جميع الأطراف على التعاون في نفس المنصة والحصول على عائدات على السلسلة.
OpenLedger تقدم حلقة مغلقة كاملة من "توفير البيانات" إلى "نشر النماذج" ثم إلى "استدعاء الأرباح"، تشمل الوحدات الأساسية ما يلي:
OpenLedger يعتمد على OP Stack + EigenDA كقاعدة، لبناء بيئة تشغيل بيانات وعقود عالية الأداء ومنخفضة التكلفة وقابلة للتحقق لنماذج الذكاء الاصطناعي.
بالنسبة لسلاسل الذكاء الاصطناعي العامة مثل NEAR التي تركز على الطبقة الأساسية، فإن OpenLedger تركز أكثر على بناء سلاسل مخصصة للذكاء الاصطناعي مع التركيز على البيانات والنماذج، وتهدف إلى تحقيق قيمة قابلة للتتبع، وقابلة للتجميع، ومستدامة لتطوير النماذج واستدعائها على السلسلة. إنها بنية تحتية لتحفيز النماذج في عالم Web3، تجمع بين استضافة النماذج، وفوترة الاستخدام، وواجهات قابلة للتجميع على السلسلة، مما يدفع نحو تحقيق "النموذج كأصل".
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F23F47F09226573B1FCACEBDCFB8c1f3)
ثلاثة، المكونات الأساسية والتقنية لـ OpenLedger
3.1 نموذج المصنع،无需代码模型工厂
ModelFactory هو منصة ضبط LLM ضمن نظام OpenLedger البيئي. يوفر واجهة رسومية بحتة للت操作، دون الحاجة إلى سطر الأوامر أو تكامل API. يمكن للمستخدمين ضبط النموذج استنادًا إلى مجموعات البيانات المرخصة والمعتمدة، لتحقيق سير عمل متكامل لتفويض البيانات، تدريب النموذج ونشره. تشمل العمليات الأساسية ما يلي:
نظام Model Factory يتكون من ستة وحدات، تشمل المصادقة على الهوية، حقوق البيانات، تعديل النموذج، تقييم النشر و RAG تتبع المصدر، لإنشاء منصة خدمات نموذج متكاملة وآمنة وقابلة للتحكم، مع تفاعل فوري وإمكانية تحقيق دخل مستدام.
يدعم ModelFactory حاليًا نماذج اللغة الكبيرة بما في ذلك LLaMA و Mistral و Qwen و ChatGLM و Deepseek و Gemma و Falcon و BLOOM و GPT-2. على الرغم من عدم احتوائه على أحدث نماذج MoE عالية الأداء أو النماذج متعددة الوسائط، إلا أنه تم إجراء تكوين "الأولوية العملية" بناءً على قيود النشر على سلسلة الكتل.
تعتبر Model Factory كأداة بدون كود، حيث تحتوي جميع النماذج على آلية إثبات المساهمة المدمجة، مما يضمن حقوق المساهمين في البيانات ومطوري النماذج، وتتميز بمتطلبات دخول منخفضة، وقابلية للتحقيق، وإمكانية التجميع.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ moments-909dc3f796ad6aa44a1c97a51ade4193)
3.2 OpenLoRA، أصول سلسلة الكتل لنموذج الضبط الدقيق
LoRA هي طريقة فعالة لضبط المعلمات، تتعلم مهام جديدة من خلال إدخال "مصفوفة ذات رتبة منخفضة" في نموذج كبير مدرب مسبقًا، دون تعديل معلمات النموذج الأصلي، مما يقلل بشكل كبير من تكلفة التدريب واحتياجات التخزين.
OpenLoRA هو إطار استدلال خفيف مصمم للنشر المتعدد النماذج ومشاركة الموارد تم بناؤه بواسطة OpenLedger. إنه يعالج المشكلات الحالية في نشر نماذج الذكاء الاصطناعي مثل التكاليف العالية، وقلة إعادة الاستخدام، وإهدار موارد GPU، مما يدفع تنفيذ "الذكاء الاصطناعي القابل للدفع".
تتضمن المكونات الأساسية للمعمارية النظامية لـ OpenLoRA:
تشمل عملية استدلال OpenLoRA تحميل النموذج الأساسي، واسترجاع LoRA الديناميكي، ودمج المحولات النشطة، وتنفيذ الاستدلال والإخراج المتدفق، وانتهاء الاستدلال وإطلاق الموارد.
OpenLoRA من خلال مجموعة من أساليب التحسين الأساسية، قامت بتحسين فعالية نشر واستدلال النماذج المتعددة بشكل ملحوظ. تشمل جوهرها تحميل محولات LoRA الديناميكية، والتوازي على مستوى المصفوفات والانتباه المقسم، ودمج النماذج المتعددة، والانتباه السريع، ونوى CUDA المجمعة مسبقًا، وتقنيات التكميم.
OpenLoRA ليس فقط إطار استدلال LoRA فعال، ولكنه يدمج بعمق استدلال النموذج مع آلية التحفيز Web3، والهدف هو تحويل نموذج LoRA إلى أصول Web3 قابلة للاستخدام، وقابلة للتجميع، وقابلة للتوزيع. لقد حقق ما يلي:
تتوقع OpenLedger أن تكون مؤشرات الأداء المستقبلية لـ OpenLoRA أفضل بكثير من نشر النماذج الكاملة التقليدية، ولكن هذه المؤشرات أقرب إلى "أداء السقف"، ويجب اعتبارها "الحد الأقصى المثالي" بدلاً من "الاستقرار اليومي".
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F49CFA5EA73FC0018250D04193B34B60)
3.3 Datanets (شبكات البيانات)، من سيادة البيانات إلى الذكاء البياني
Datanets هي البنية التحتية لـ OpenLedger "البيانات هي الأصول" لجمع وإدارة مجموعات البيانات في مجالات محددة. كل Datanet يشبه مستودع بيانات هيكلي، حيث يقوم المساهمون بتحميل البيانات، ومن خلال آلية الانتماء على السلسلة، يتم ضمان إمكانية تتبع البيانات وموثوقيتها.
بالمقارنة مع المشاريع التي تركز على سيادة البيانات، تقوم OpenLedger من خلال ثلاث وحدات Datanets و Model Factory و OpenLoRA بتمديد قيمة البيانات إلى تدريب النماذج واستدعائها على السلسلة، مما يبني "حلقة مغلقة كاملة من البيانات إلى الذكاء". تركز OpenLedger على "كيفية تدريب البيانات واستدعائها والحصول على المكافآت"، وتشغل موقعًا رئيسيًا في مسار تحقيق الدخل من البيانات في نظام Web3 AI.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-9FBD934D293142E4FDD386eeE4AFD41A)
3.4 إثبات النسبة (贡献证明): إعادة تشكيل طبقة الحوافز لتوزيع المنافع
إثبات النسبة (PoA) هو الآلية الأساسية التي تنفذها OpenLedger لتخصيص البيانات وتوزيع الحوافز. تشمل عملية تخصيص البيانات وتوزيع الحوافز ما يلي:
PoA ليس فقط أداة لتوزيع الحوافز، بل هو إطار يركز على الشفافية، تتبع المصادر، والانتماء متعدد المراحل. إنه يسجل كل عملية تحميل البيانات، استدعاء النموذج، وتنفيذ الوكيل على سلسلة الكتل، مما يحقق مسار قيمة قابل للتحقق من البداية إلى النهاية.
RAG Attribution هو آلية تخصيص البيانات والتحفيز التي أنشأتها OpenLedger في سيناريو RAG، تضمن أن محتوى مخرجات النموذج قابل للتتبع والتحقق، ويمكن تحفيز المساهمين. تشمل العملية ما يلي:
تتيح ميزة RAG Attribution من OpenLedger تتبع كل إجابة AI إلى مصدر البيانات الحقيقي، حيث يحصل المساهمون على حوافز بناءً على تكرار الاقتباس، مما يحقق "المعرفة لها مصدر، والاستخدام يمكن أن يتحول إلى مكاسب". تعزز هذه الآلية شفافية مخرجات النموذج، كما أنها تبني حلقة تحفيزية مستدامة لمساهمة البيانات عالية الجودة.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-FB455C53FFCE25E4AAAFD015DE8A70E1B)
أربعة، تقدم مشروع OpenLedger والتعاون البيئي
OpenLedger قد أطلق الشبكة التجريبية، حيث أن طبقة الذكاء البياني هي المرحلة الأولى، وتهدف إلى بناء مستودع بيانات الإنترنت المدفوع بواسطة عقد المجتمع. يمكن لأعضاء المجتمع تشغيل عقد الأجهزة الطرفية، والمشاركة في جمع البيانات ومعالجتها، والحصول على مكافآت نقاط بناءً على النشاط وإكمال المهام.
تقدم شبكة الاختبار حوافز من ثلاث آليات للعائدات:
المرحلة 2 من شبكة الاختبار قدمت آلية شبكة البيانات Datanets، المشاركون محصورون في قائمة بيضاء، وتشمل مهام مثل التحقق من البيانات والتصنيف.
تتضمن خطة OpenLedger طويلة المدى ما يلي: