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

I. Pendahuluan | Lompatan lapisan model Crypto AI

Data, model, dan daya komputasi adalah tiga elemen inti dari infrastruktur AI, yang dapat dibandingkan dengan bahan bakar (data), mesin (model), dan energi (daya komputasi) yang tidak dapat dipisahkan. Mirip dengan jalur evolusi infrastruktur industri AI tradisional, bidang Crypto AI juga telah mengalami tahap yang serupa. Pada awal 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi, yang secara umum menekankan logika pertumbuhan yang luas dengan "menggabungkan daya komputasi". Namun, memasuki tahun 2025, fokus industri secara bertahap beralih ke lapisan model dan data, menandakan bahwa Crypto AI sedang bertransisi dari kompetisi 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 dataset besar dan arsitektur terdistribusi yang kompleks, dengan skala parameter berkisar antara 70B hingga 500B, dan biaya pelatihan sekali mencapai jutaan dolar. Sementara itu, SLM (Model Bahasa Spesialis) sebagai paradigma fine-tuning ringan dari model dasar yang dapat digunakan kembali, biasanya didasarkan pada model sumber terbuka, menggabungkan sejumlah kecil data profesional berkualitas tinggi dan teknologi 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 beroperasi secara kolaboratif dengan LLM melalui arsitektur Agent, sistem plugin untuk pengalihan dinamis, hot-plug modul LoRA, dan RAG (Generasi yang Ditingkatkan oleh Pencarian). Arsitektur ini mempertahankan kemampuan cakupan luas LLM sambil meningkatkan kinerja profesional melalui modul fine-tuning, membentuk sistem cerdas kombinasi yang sangat fleksibel.

Nilai dan batas AI Kripto di lapisan model

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

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

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

• Lapisan Verifikasi Tepercaya: Meningkatkan keterlacakan dan kemampuan anti-penyimpangan dari keluaran AI melalui pencatatan jalur generasi model, kontribusi data, dan penggunaan di dalam rantai.
• Mekanisme insentif: Dengan memanfaatkan Token asli, digunakan untuk mendorong perilaku seperti pengunggahan data, pemanggilan model, dan eksekusi agen, membangun siklus positif antara pelatihan model dan layanan.

Klasifikasi Tipe Model AI dan Analisis Kesesuaian Blockchain

Dari sini dapat dilihat bahwa titik fokus yang dapat dilakukan untuk proyek Crypto AI berbasis model terutama terletak pada penyesuaian ringan SLM kecil, akses dan verifikasi data on-chain dengan arsitektur RAG, serta penyebaran lokal dan insentif untuk model Edge. Menggabungkan verifikasi blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model sumber daya menengah dan rendah, membentuk nilai diferensiasi dari "lapisan antarmuka" AI.

Blockchain AI Chain berbasis data dan model dapat mencatat sumber kontribusi setiap data dan model secara jelas dan tidak dapat diubah, secara signifikan meningkatkan kepercayaan data dan dapat ditelusur dalam pelatihan model. Selain itu, melalui mekanisme kontrak pintar, ketika data atau model dipanggil, distribusi hadiah secara otomatis diaktifkan, 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 perumusan dan iterasi aturan, serta menyempurnakan struktur tata kelola terdesentralisasi.

Dua, Ringkasan Proyek | Visi Rantai AI OpenLedger

OpenLedger adalah salah satu dari sedikit proyek blockchain AI yang fokus pada insentif data dan model di pasar saat ini. Ini adalah yang pertama mengusulkan konsep "Payable AI", yang bertujuan untuk membangun lingkungan operasi AI yang adil, transparan, dan dapat digabungkan, mendorong kontributor data, pengembang model, dan pembangun aplikasi AI untuk berkolaborasi di platform yang sama dan mendapatkan penghasilan di atas rantai sesuai dengan kontribusi nyata mereka.

OpenLedger menyediakan siklus penuh dari "Penyediaan Data" hingga "Penerapan Model" dan "Panggilan Pembagian Untung", dengan modul inti sebagai berikut:

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

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

Dan dalam penerapan teknologi blockchain, OpenLedger menggunakan OP Stack + EigenDA sebagai dasar, 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;
• Menyelesaikan di jaringan utama Ethereum: Memastikan keamanan transaksi dan integritas aset;
• Kompatibel EVM: Memudahkan pengembang untuk dengan cepat menerapkan dan memperluas berdasarkan Solidity;
• EigenDA menyediakan dukungan ketersediaan data: secara signifikan mengurangi biaya penyimpanan, memastikan verifikasi data.

Dibandingkan dengan NEAR, yang lebih berfokus pada lapisan dasar, mengutamakan kedaulatan data dan arsitektur 「AI Agents on BOS」, OpenLedger lebih fokus pada pembangunan rantai AI khusus yang ditujukan untuk insentif data dan model, berkomitmen untuk mewujudkan pengembangan dan pemanggilan model yang dapat ditelusuri, dapat dikombinasikan, dan berkelanjutan di atas rantai. Ini adalah infrastruktur insentif model di dunia Web3, menggabungkan pengelolaan model, biaya penggunaan, dan antarmuka yang dapat dikombinasikan di atas rantai, mendorong jalur realisasi 「model sebagai aset」.

Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger

Pabrik Model 3.1, pabrik model tanpa kode

ModelFactory adalah platform penyesuaian model bahasa besar (LLM) di bawah ekosistem OpenLedger. Berbeda dengan kerangka penyesuaian tradisional, ModelFactory menyediakan antarmuka grafis murni, tanpa memerlukan alat baris perintah atau integrasi API. Pengguna dapat melakukan penyesuaian model berdasarkan dataset yang telah disetujui dan diaudit di OpenLedger. Mewujudkan alur kerja terintegrasi untuk otorisasi data, pelatihan model, dan penyebaran, proses inti mencakup:

• Kontrol Akses Data: Pengguna mengajukan permintaan data, penyedia meninjau dan menyetujui, data otomatis terhubung ke antarmuka pelatihan model.
• Pemilihan dan Konfigurasi Model: Mendukung LLM utama (seperti LLaMA, Mistral), melalui GUI untuk mengonfigurasi hiperparameter.
• Penyesuaian ringan: Mesin LoRA / QLoRA bawaan, menampilkan kemajuan pelatihan secara real-time.
• Evaluasi dan Penyebaran Model: Alat evaluasi bawaan, mendukung ekspor penyebaran atau panggilan berbagi ekosistem.
• Antarmuka Verifikasi Interaktif: Menyediakan antarmuka berbasis obrolan, memudahkan pengujian langsung kemampuan tanya jawab model.
• RAG menghasilkan jejak: Menjawab dengan kutipan sumber, meningkatkan kepercayaan dan dapat diaudit.

Arsitektur sistem Model Factory terdiri dari enam modul, mencakup otentikasi identitas, hak akses data, penyesuaian model, evaluasi dan penyebaran, serta pelacakan RAG, menciptakan platform layanan model terintegrasi yang aman dan terkendali, interaksi waktu nyata, dan dapat menghasilkan pendapatan secara berkelanjutan.

ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:

• Seri LLaMA: Ekosistem paling luas, komunitas aktif, kinerja umum yang kuat, adalah salah satu model dasar sumber terbuka yang paling mainstream saat ini.
• Mistral: Arsitektur efisien, kinerja inferensi sangat baik, cocok untuk skenario yang fleksibel dan sumber daya terbatas.
• Qwen: Kinerja tugas dalam bahasa Mandarin sangat baik, kemampuan komprehensif yang kuat, cocok sebagai pilihan utama bagi pengembang domestik.
• ChatGLM: Efek percakapan dalam bahasa Mandarin sangat menonjol, cocok untuk layanan pelanggan vertikal dan skenario lokalisasi.
• Deepseek: Unggul dalam penghasil kode dan penalaran matematis, cocok untuk alat bantu pengembangan cerdas.
• Gemma: Model ringan yang dirilis oleh Google, memiliki struktur yang jelas, mudah untuk digunakan dan dieksplorasi dengan cepat.
• Falcon: Pernah menjadi tolok ukur kinerja, cocok untuk penelitian dasar atau pengujian perbandingan, tetapi tingkat keterlibatan komunitas telah menurun.
• BLOOM: Dukungan multi-bahasa cukup kuat, tetapi kinerja inferensi lemah, cocok untuk penelitian yang mencakup bahasa.
• GPT-2: Model klasik awal, hanya cocok untuk tujuan pengajaran dan verifikasi, tidak disarankan untuk digunakan dalam penerapan nyata.

Meskipun kombinasi model OpenLedger tidak mencakup model MoE berperforma tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan didasarkan pada batasan nyata dari penyebaran on-chain (biaya inferensi, adaptasi RAG, kompatibilitas LoRA, lingkungan EVM) yang menghasilkan konfigurasi "prioritas praktis".

Model Factory sebagai rantai alat tanpa kode, semua model dilengkapi dengan mekanisme bukti kontribusi, memastikan hak data kontributor dan pengembang model, memiliki keunggulan rendahnya hambatan, dapat dimonetisasi, dan dapat dikombinasikan, jika 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 mengkombinasikan penggunaan 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 peringkat rendah" 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 pada tugas tertentu (seperti tanya jawab hukum, konsultasi medis), perlu dilakukan penyesuaian (fine-tuning). Strategi inti 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, adalah metode penyesuaian utama yang paling cocok untuk penerapan dan pemanggilan kombinasi model Web3 saat ini.

OpenLoRA adalah kerangka inferensi ringan yang dibangun oleh OpenLedger, dirancang khusus untuk penyebaran multi-model dan berbagi sumber daya. 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 implementasi "AI yang dapat dibayar" (Payable AI).

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

• Modul Penyimpanan LoRA Adapter (LoRA Adapters Storage): LoRA adapter yang telah disesuaikan dikelola di OpenLedger, memungkinkan pemuatan sesuai permintaan, menghindari pemuatan semua model ke memori tampung secara sekaligus, 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