OpenLedger Глибина дослідження: на базі OP Stack+EigenDA створення економіки розумних агентів, що керується даними та є модульною

Один. Вступ | Модельний рівень Crypto AI

Дані, моделі та обчислювальні потужності є трьома основними елементами інфраструктури штучного інтелекту, без яких не обійтися. Сфера Crypto AI пережила еволюційний шлях, подібний до традиційної індустрії штучного інтелекту. На початку 2024 року ринок буде під контролем децентралізованих проектів GPU, які підкреслюють логіку грубого зростання "змагання обчислювальних потужностей". Після 2025 року акценти в галузі поступово перемістяться на рівень моделей і даних, що стане ознакою переходу Crypto AI від конкуренції за базові ресурси до більш стійкого та цінного застосування середнього рівня.

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

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

Традиційні великі мовні моделі (LLM) вимагають значних витрат на навчання, оскільки сильно залежать від масштабних наборів даних та складних архітектур. Спеціалізовані мовні моделі (SLM) є легким підходом до доопрацювання, який базується на відкритих моделях та поєднує невелику кількість якісних спеціалізованих даних для швидкого створення моделей у конкретних областях, що значно знижує витрати та бар'єри входу.

SLM співпрацює з LLM через архітектуру Agent, систему плагінів, гарячі заміни модулів LoRA, RAG та інші способи. Ця архітектура зберігає широку охоплюючу здатність LLM, одночасно посилюючи спеціалізовані показники через модулі тонкого налаштування, формуючи гнучку комбінаційну інтелектуальну систему.

Crypto AI в модульному шарі цінність та межі

Crypto AI проекти важко безпосередньо підвищити основні можливості LLM, причини в тому, що:

• Технічний бар'єр занадто високий: ресурси та можливості, необхідні для навчання Foundation Model, є надзвичайно великими, лише у небагатьох технологічних гігантів є такі можливості.
• Обмеження відкритої екосистеми: справжнім ключем до прориву моделей є концентрація в наукових установах та закритих інженерних системах.

Однак, проєкт Crypto AI може реалізувати розширення вартості через точну налаштування SLM, поєднуючи верифікацію та механізми стимулювання Web3. Як "периферійний інтерфейсний шар" AI-індустрії, це проявляється в двох напрямках:

• Довірчий верифікаційний рівень: підвищує відстежуваність та стійкість до підробок виходу AI.
• Механізм стимулювання: побудова позитивного циклу навчання моделі та обслуговування.

Аналіз класифікації типів AI моделей та їх застосовності у блокчейні

Моделі класу Crypto AI можуть зосередитися на реалізації в основному в малих налаштуваннях SLM, інтеграції та верифікації даних на ланцюзі в архітектурі RAG, а також на локальному розгортанні та стимулюванні моделей Edge. Crypto може надати унікальну цінність для цих сценаріїв з середніми та низькими ресурсами, формуючи диференційовану цінність "інтерфейсного шару" AI.

Блокчейн AI ланцюг на основі даних і моделей може фіксувати джерела внесків даних і моделей в ланцюзі, підвищуючи довіру та можливість відстеження. Завдяки механізму смарт-контрактів, при виклику автоматично активується розподіл винагород, перетворюючи дії AI на вимірюване, торговане токенізоване значення. Користувачі громади можуть оцінювати продуктивність моделей через голосування токенами, брати участь у розробці правил, 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-19c2276fccc616ccf9260fb7e35c9c24)

Два, огляд проекту | Візія AI-ланцюга OpenLedger

OpenLedger є блокчейн AI проектом, що зосереджується на механізмах стимулювання даних і моделей. Він пропонує концепцію "Payable AI", створюючи справедливе, прозоре та комбіноване середовище для роботи AI, що стимулює всі сторони співпрацювати на одній платформі та отримувати доходи в ланцюзі.

OpenLedger надає повний ланцюг замкнутого кола від "надання даних" до "розгортання моделей" та "виклику розподілу доходів", основні модулі включають:

• Модельний завод: налаштування, навчання та впровадження індивідуальних моделей на основі відкритих LLM без програмування
• OpenLoRA: підтримка спільного існування тисячі моделей, динамічне завантаження за потребою, значне зниження витрат на розгортання
• PoA (Proof of Attribution): реалізація вимірювання внеску та розподілу винагород
• Datanets: структуровані мережі даних, орієнтовані на вертикальні сценарії
• Платформа пропозицій моделей: комбіновані, викликаються, платіжні ринкові моделі на ланцюгу

OpenLedger на базі OP Stack + EigenDA створює високопродуктивне, низькозатратне та перевіряльне середовище для виконання даних і контрактів для AI моделей.

• Побудовано на основі OP Stack: підтримка високої пропускної спроможності та низьких витрат на виконання
• Розрахунок в основній мережі Ethereum: забезпечення безпеки транзакцій та цілісності активів
• EVM сумісність: зручно для розробників швидко розгортати та розширювати
• EigenDA надає підтримку доступності даних: знижує витрати на зберігання, забезпечує перевірність даних

На відміну від NEAR та інших загальних AI ланцюгів на базовому рівні, OpenLedger більше зосереджений на створенні спеціалізованих AI ланцюгів, орієнтованих на дані та моделі стимулювання, прагнучи забезпечити відстежуваність, комбінованість та стійкість ціннісних замкнень для розробки та виклику моделей на ланцюгу. Це інфраструктура стимулювання моделей у світі Web3, яка поєднує в собі хостинг моделей, облік використання та комбіновані інтерфейси на ланцюгу, сприяючи 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-f23f47f09226573b1fcacebdcfb8c1f3)

Три, основні компоненти та технологічна архітектура OpenLedger

3.1 Модельна фабрика, безкодовий модельний завод

ModelFactory є платформою LLM для тонкої настройки в екосистемі OpenLedger. Вона надає чистий графічний інтерфейс для роботи, без необхідності використовувати командний рядок або API інтеграцію. Користувачі можуть тонко налаштовувати моделі на основі даних, що були авторизовані та перевірені, реалізуючи інтегрований робочий процес для авторизації даних, навчання моделей та їх розгортання. Основні етапи включають:

• Контроль доступу до даних
• Вибір і налаштування моделі
• Легке налаштування
• Оцінка та розгортання моделі
• Інтерфейс взаємодії для перевірки
• Генерація RAG для прослідковування

Система архітектури Model Factory складається з шести основних модулів, які охоплюють аутентифікацію особи, управління даними, тонке налаштування моделей, оцінку й розгортання, а також RAG трасування, створюючи інтегровану платформу служб моделей, що забезпечує безпеку, контроль, реальний інтерактивність та стійкість до монетизації.

ModelFactory наразі підтримує великі мовні моделі, зокрема LLaMA, Mistral, Qwen, ChatGLM, Deepseek, Gemma, Falcon, BLOOM, GPT-2 тощо. Хоча не включає останні високопродуктивні MoE моделі або мультимодальні моделі, проте, виходячи з реальних обмежень, пов'язаних із розгортанням в блокчейні, було зроблено конфігурацію "практичний пріоритет".

Model Factory як безкодовий інструмент, всі моделі мають вбудований механізм підтвердження внесків, що забезпечує права учасників даних і розробників моделей, має низький бар'єр для входу, можливість монетизації та комбінування.

! [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 ончейнових активів моделі тонкої настройки

LoRA є ефективним методом тонкого настроювання параметрів, який навчається новим завданням, вставляючи "низькорівневі матриці" в попередньо навчену велику модель, не змінюючи параметри оригінальної моделі, що суттєво знижує витрати на навчання та вимоги до зберігання.

OpenLoRA - це легка інфраструктура для інференції, розроблена OpenLedger, спеціально для розгортання багатьох моделей і спільного використання ресурсів. Вона вирішує проблеми високих витрат, низької повторної використання та марнотратства ресурсів GPU в поточному розгортанні AI моделей, сприяючи реалізації "платоспроможного AI".

Основні компоненти архітектури системи OpenLoRA включають:

• Модуль зберігання LoRA адаптера
• Модельне хостинг та динамічний шар злиття
• Інформаційний двигун
• Модуль маршрутизації запитів та потокового виводу

Процес інференції OpenLoRA включає завантаження базової моделі, динамічний пошук LoRA, активацію злиття адаптерів, виконання інференції та потік виходу, завершення інференції та звільнення ресурсів.

OpenLoRA за допомогою ряду базових оптимізацій значно підвищив ефективність розгортання та інференції багатомодельних систем. Його основою є динамічна завантаження адаптерів LoRA, тензорна паралельність та Paged Attention, об'єднання багатомоделей, Flash Attention, попередньо скомпільовані CUDA ядра та технології квантизації.

OpenLoRA позиціювання не лише є ефективною LoRA фреймворком для інференції, але й глибоко поєднує інференцію моделей з механізмом заохочення Web3. Мета полягає в тому, щоб перетворити LoRA моделі на такі, що можуть бути викликані, комбіновані та приносити прибуток як активи Web3. Він реалізував:

1. Модель є активом
2. Багато LoRA динамічне об'єднання + розподіл прибутку
3. Підтримка "багатокористувацького спільного виводу" для моделей з довгим хвостом

OpenLedger прогнозує, що майбутні показники OpenLoRA будуть суттєво кращими за традиційні моделі з повними параметрами, але ці показники ближчі до "верхніх меж" і повинні розглядатися як "ідеальний максимум", а не як "стабільний щоденний".

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

3.3 Datanets (дані мережі), від суверенітету даних до інтелекту даних

Datanets є інфраструктурою OpenLedger "дані як активи", призначеною для збору та управління наборами даних у певних сферах. Кожен Datanet подібний до структурованого сховища даних, у яке внесено дані, завантажені учасниками, і механізмом належності в ланцюгу, що забезпечує можливість відстеження та довіри до даних.

У порівнянні з проектами, які зосереджуються на суверенітеті даних, OpenLedger через три основні модулі: Datanets, Model Factory та OpenLoRA, розширює цінність даних до навчання моделей та викликів на ланцюгу, створюючи "повний цикл від даних до інтелекту". OpenLedger зосереджується на "тому, як дані тренуються, викликаються та отримують винагороду", займаючи ключову позицію на шляху монетизації даних в екосистемі Web3 AI.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-9fbd934d293142e4fdd386eee4afd41a)

3.4 Доказ атрибуції（贡献证明）：переформатування мотиваційного рівня розподілу вигоди

Proof of Attribution (PoA) є основним механізмом OpenLedger для реалізації належності даних та розподілу заохочень. Процес належності даних та заохочень включає:

• Надання даних
• Оцінка впливу
• Тренування валідації
• Мотиваційний розподіл
• Управління якістю

PoA не лише інструмент розподілу винагород, але й рамка, орієнтована на прозорість, відстеження джерел і багатоступеневе правонаступництво. Він забезпечує повну реєстрацію процесу завантаження даних, виклику моделей та виконання агентів у блокчейні, реалізуючи перевірюваний шлях вартості від початку до кінця.

RAG Attribution є механізмом атрибуції та стимулювання даних, створеним OpenLedger у RAG-сценарії, що забезпечує можливість відстеження та перевірки змісту, що генерується моделлю, та стимулювання внесків. Його процес включає:

1. Користувач запитує → Пошук даних
2. Дані були викликані та згенерували відповідь
3. Учасники отримують винагороду
4. Генерація результату з посиланням

RAG Attribution від OpenLedger дозволяє відстежувати кожну відповідь AI до реальних джерел даних, а учасники отримують винагороду за частоту цитування, реалізуючи «знання мають джерело, використання може бути монетизоване». Цей механізм підвищує прозорість виходу моделі та створює стійкий замкнутий цикл винагороди для внеску якісних даних.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-fb455c53ffce25e4aafd015de8a70e1b)

Чотири, прогрес проекту OpenLedger та екологічна співпраця

OpenLedger розпочав тестову мережу, шар даних є першим етапом, метою якого є створення сховища інтернет-даних, що керується спільнотою. Члени спільноти можуть запускати вузли крайових пристроїв, брати участь у зборі та обробці даних, отримуючи бали за винагороду в залежності від активності та виконання завдань.

Тестова мережа пропонує три види механізмів отримання доходу:

• Майнинг даних
• Підтвердження交易
• Участь у завданні

Тестова мережа Epoch 2 акцентує увагу на механізмі Datanets, що є мережею даних, участь у якій обмежена користувачами з білого списку, охоплюючи завдання з верифікації даних, класифікації та інші.

OpenLedger більш тривала дорожня карта включає:

• Фаза 1 · Інтелектуальний рівень даних
• Фаза 2 ·