OpenLedger Derinlik Araştırması: OP Stack + EigenDA tabanlı, veri odaklı, model kombinlenebilir akıllı varlık ekonomisi inşa etme

Birinci Bölüm, Giriş | Crypto AI'nın model katmanındaki sıçrama

Veri, model ve hesaplama gücü, AI altyapısının üç ana temel unsurudur, bunlardan biri olmadan diğeri olamaz. Crypto AI alanı, geleneksel AI endüstrisinin evrimsel yolunu benzer şekilde geçmiştir. 2024 yılı başında pazar, "hesaplama gücünü birleştirme" mantığını vurgulayan merkeziyetsiz GPU projeleri tarafından domine edilmiştir. 2025'ten sonra, sektörün odak noktası yavaş yavaş model ve veri katmanına kaymaktadır; bu, Crypto AI'nın taban kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta katman inşasına geçişini simgelemektedir.

Genel Büyük Model (LLM) vs Spesifik Model (SLM)

Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setlerine ve karmaşık mimarilere yüksek derecede bağımlıdır, maliyetler oldukça yüksektir. Özelleşmiş dil modelleri (SLM), hafif ince ayar paradigması olarak, açık kaynak modeline dayanarak az sayıda yüksek kaliteli uzman verisi ile belirli bir alan modelini hızlı bir şekilde oluşturmakta ve maliyetleri ile engelleri önemli ölçüde azaltmaktadır.

SLM, Agent mimarisi çağrısı, eklenti sistemi, LoRA modülü sıcak tak-çık, RAG gibi yöntemlerle LLM ile işbirliği içinde çalışır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülü ile uzman performansını artırarak esnek bir kombinasyon akıllı sistem oluşturur.

Kripto AI'nin model katmanındaki değeri ve sınırları

Crypto AI projeleri, LLM çekirdek yeteneklerini doğrudan artırmakta zorlanıyor, sebebi şudur:

• Teknik engeller çok yüksek: Foundation Model eğitimi için gereken kaynaklar ve yetenekler son derece büyük, sadece az sayıda teknoloji devi bunlara sahip.
• Açık kaynak ekosisteminin sınırlamaları: Gerçekten model atılımını teşvik eden anahtar, araştırma kurumları ve kapalı kaynak mühendislik sistemleri üzerinde yoğunlaşmaktadır.

Ancak, Crypto AI projeleri SLM'yi ince ayar yaparak, Web3'ün doğrulanabilirliği ve teşvik mekanizması ile değer uzantısı gerçekleştirebilir. AI endüstri zincirinin "çevresel arayüz katmanı" olarak, iki yönde kendini gösterir:

• Güvenilir doğrulama katmanı: AI çıktılarının izlenebilirliğini ve değiştirilmezlik yeteneğini artırır.
• Teşvik mekanizması: Model eğitimi ve hizmetinin olumlu döngüsünü oluşturmak.

AI model türleri sınıflandırması ve blockchain uygunluk analizi

Model sınıfı Crypto AI projelerinin uygulanabilir noktaları, küçük SLM ince ayarı, RAG mimarisinin zincir üzerindeki veri entegrasyonu ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerine yoğunlaşmaktadır. Crypto, bu orta ve düşük kaynaklı model senaryolarına benzersiz bir değer sunarak AI "arayüz katmanı"nın farklılaştırılmış değerini oluşturabilir.

Veri ve model tabanlı blok zinciri AI ağı, veri ve model katkı kaynaklarının blok zincirine kaydedilmesini sağlayarak güvenilirliği ve izlenebilirliği artırır. Akıllı sözleşme mekanizması sayesinde, çağrıldığında otomatik olarak ödül dağıtımını tetikler ve AI davranışlarını ölçülebilir, ticarete konu olabilen tokenleşmiş değere dönüştürür. Topluluk kullanıcıları, token ile model performansını değerlendirmek, kuralları belirlemeye katılmak ve merkeziyetsiz yönetişim yapısını geliştirmek için oy verebilir.

İki, Proje Özeti | OpenLedger'in AI Zincir Vizyonu

OpenLedger, veri ve model teşvik mekanizmalarına odaklanan bir blockchain AI projesidir. "Payable AI" konseptini öne sürerek, adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı inşa etmekte, tarafları aynı platformda işbirliği yapmaya ve zincir üzerindeki kazançları elde etmeye teşvik etmektedir.

OpenLedger, "veri sağlama"dan "model dağıtım"ına ve "komisyon paylaşımını çağırma"ya kadar tam bir zincir kapalı döngü sunar, ana modüller şunlardır:

• Model Factory: Açık kaynak LLM kullanarak programlama gerektirmeden özel modelleri ince ayar yapabilir, eğitebilir ve dağıtabilirsiniz.
• OpenLoRA: Binlerce modelin aynı anda varlığını destekler, ihtiyaçlara göre dinamik olarak yükler, dağıtım maliyetlerini önemli ölçüde azaltır.
• PoA (Atıf Kanıtı): Katkı ölçümü ve ödül dağılımını gerçekleştirme
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı
• Model öneri platformu: Kombinlenebilir, çağrılabilir, ödenebilir zincir üzerindeki model pazarı

OpenLedger, OP Stack + EigenDA'yı temel alarak, AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir veri ile sözleşme çalışma ortamları inşa etmektedir.

• OP Stack üzerine inşa edilmiştir: Yüksek verim ve düşük maliyetli işlem desteği
• Ethereum ana ağında hesaplama: İşlem güvenliğini ve varlık bütünlüğünü sağlama
• EVM uyumlu: Geliştiricilerin hızlı bir şekilde dağıtım ve genişleme yapmasını kolaylaştırır.
• EigenDA veri kullanılabilirliği desteği sağlar: depolama maliyetlerini düşürür, verinin doğrulanabilirliğini güvence altına alır.

NEAR gibi temel katmanlarda yer alan genel AI blok zincirlerine kıyasla, OpenLedger daha çok veriye ve model teşviklerine yönelik AI özel zinciri inşa etmeye odaklanmıştır. Model geliştirme ve çağrılarının zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını sağlamayı hedeflemektedir. Bu, Web3 dünyasında model teşvik altyapısı olup, model barındırma, kullanım ücretlendirmesi ve zincir üzerindeki birleştirilebilir arayüzleri birleştirerek "modelin varlık olması" yolunu ilerletmektedir.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknolojik Mimarisi

3.1 Model Fabrikası, kod gerektirmeyen model fabrikası

ModelFactory, OpenLedger ekosistemindeki LLM ince ayar platformudur. Komut satırı veya API entegrasyonu gerektirmeden tamamen grafik arayüzü ile işlem yapar. Kullanıcılar, yetkilendirilmiş ve onaylanmış veri setlerine dayanarak modellerini ince ayar yapabilir, veri yetkilendirmesi, model eğitimi ve dağıtımı için entegre bir iş akışı gerçekleştirebilir. Temel süreçler şunları içerir:

• Veri Erişim Kontrolü
• Model Seçimi ve Yapılandırması
• Hafifletilmiş ince ayar
• Model Değerlendirme ve Dağıtım
• Etkileşimli doğrulama arayüzü
• RAG Üretim İzleme

Model Factory sistem mimarisi, kimlik doğrulama, veri erişimi, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği dahil altı ana modülü kapsamaktadır ve güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir bir gelir elde etme entegre model hizmet platformu oluşturmaktadır.

ModelFactory şu anda desteklediği büyük dil modelleri arasında LLaMA, Mistral, Qwen, ChatGLM, Deepseek, Gemma, Falcon, BLOOM, GPT-2 gibi modeller bulunmaktadır. En son yüksek performanslı MoE modelleri veya çok modlu modelleri içermese de, zincir üzerindeki dağıtımın gerçek sınırlamaları doğrultusunda "pratik öncelik" yapılandırması yapılmıştır.

Model Factory, kodsuz bir araç zinciri olarak, tüm modellerin yerleşik katkı kanıtı mekanizmasına sahip olmasını sağlar ve veri katkı sağlayıcıları ile model geliştiricilerin haklarını güvence altına alır. Düşük giriş engeli, nakde dönüştürülebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir.

3.2 OpenLoRA, modelin zincir üzerindeki varlıklaştırılması

LoRA, önceden eğitilmiş büyük bir modele "düşük rütbe matrisleri" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden kullanılan verimli bir parametre ince ayar yöntemidir. Bu yöntem, eğitim maliyetlerini ve depolama gereksinimlerini önemli ölçüde azaltır.

OpenLoRA, çoklu model dağıtımı ve kaynak paylaşımı için tasarlanmış hafif bir çıkarım çerçevesidir ve OpenLedger tarafından geliştirilmiştir. Bu, mevcut AI modeli dağıtımındaki yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözer ve "ödenebilir AI"nın uygulanmasını teşvik eder.

OpenLoRA sistem mimarisi ana bileşenleri şunlardır:

• LoRA Adaptörü Depolama Modülü
• Model barındırma ve dinamik birleşim katmanı
• Çıkarım Motoru
• İstek yönlendirme ve akış çıkış modülü

OpenLoRA'nın çıkarım süreci, temel modelin yüklenmesi, LoRA dinamik arama, adaptör birleştirmenin etkinleştirilmesi, çıkarımın uygulanması ve akış çıktısı, çıkarımın sonlandırılması ve kaynakların serbest bırakılmasını içerir.

OpenLoRA, bir dizi alt seviye optimizasyon yöntemi ile çoklu model dağıtımı ve çıkarım verimliliğini önemli ölçüde artırmıştır. Temel unsurları arasında dinamik LoRA adaptör yüklemesi, tensör paralelliği ve Paged Attention, çoklu model entegrasyonu, Flash Attention, ön derlenmiş CUDA çekirdekleri ve kuantizasyon teknolojileri bulunmaktadır.

OpenLoRA'nın konumu sadece verimli bir LoRA inferans çerçevesi değil, aynı zamanda model inferansını Web3 teşvik mekanizması ile derinlemesine birleştirmektir. Hedef, LoRA modelini çağrılabilir, birleştirilebilir ve paylaşılabilir Web3 varlıklarına dönüştürmektir. Şunu gerçekleştirmiştir:

1. Model, varlıktır.
2. Çoklu LoRA Dinamik Birleştirme + Kar Paylaşımı
3. Uzun kuyruk modelini destekleyen "çok kiracılı paylaşım çıkarımı"

OpenLedger, OpenLoRA'nın gelecekteki performans ölçütlerinin geleneksel tam parametreli model dağıtımından belirgin şekilde üstün olduğunu öngörmektedir; ancak bu ölçütler "üst sınır performansı"na daha yakındır ve "ideal üst sınır" olarak görülmeli, "istikrarlı günlük" olarak değil.

3.3 Datanets (Veri Ağları), veri egemenliğinden veri zekasına

Datanets, OpenLedger "veri varlıklarıdır" altyapısıdır ve belirli alanlardaki veri setlerini toplamak ve yönetmek için kullanılır. Her Datanet, katkıda bulunanların verileri yüklediği, yapılandırılmış bir veri deposu gibidir ve zincir üzerindeki mülkiyet mekanizması sayesinde verilerin izlenebilir ve güvenilir olmasını sağlar.

Veri egemenliğine odaklanan projelere kıyasla, OpenLedger, Datanets, Model Factory ve OpenLoRA adlı üç modül aracılığıyla veri değerini model eğitimi ve zincir üzerindeki çağrılara genişleterek, "veriden akıllıya" tam bir kapalı döngü inşa ediyor. OpenLedger, "verilerin nasıl eğitildiğine, çağrıldığına ve ödüller elde ettiğine" odaklanarak, Web3 AI ekosisteminde veri dönüştürme yolunun kilit bir konumunu işgal ediyor.

3.4 Atıf Kanıtı（贡献证明）：Fayda dağılımının teşvik katmanını yeniden şekillendirme

Atıf Kanıtı (PoA), OpenLedger'in veri mülkiyeti ve teşvik dağıtımını gerçekleştiren temel mekanizmasıdır. Veri mülkiyeti ve teşvik süreci şunları içerir:

• Veri Gönderimi
• Etki Değerlendirmesi
• Eğitim doğrulama
• Teşvik Dağılımı
• Kalite Yönetimi

PoA sadece bir teşvik dağıtım aracı değil, aynı zamanda şeffaflık, kaynak takibi ve çok aşamalı mülkiyet için bir çerçevedir. Verilerin yüklenmesi, model çağrıları ve akıllı ajan yürütme süreçlerinin tamamı blok zincirinde kaydedilir, uçtan uca doğrulanabilir değer yolu sağlanır.

RAG Atıf, OpenLedger'in RAG senaryosunda kurduğu veri sahipliği ve teşvik mekanizmasıdır, model çıktılarının izlenebilir ve doğrulanabilir olmasını, katkıda bulunanların teşvik edilmesini sağlar. Süreci şunları içerir:

1. Kullanıcı soruları → Veri arama
2. Veriler çağrılır ve yanıt oluşturulur
3. Katkıda bulunanlar ödül alır
4. Sonuçları alıntı ile oluştur

OpenLedger'ın RAG Atıfı, her AI yanıtının gerçek veri kaynağına izlenebilmesini sağlar, katkıda bulunanlar alıntı sıklığına göre teşvik alır ve "bilginin kaynağı vardır, kullanımı paraya dönüştürülebilir" ilkesini gerçekleştirir. Bu mekanizma, model çıktılarının şeffaflığını artırır ve yüksek kaliteli veri katkıları için sürdürülebilir bir teşvik kapalı döngüsü oluşturur.

Dört, OpenLedger Projesi İlerleme ve Ekosistem İşbirliği

OpenLedger testnet'i başlattı, veri akıllı katmanı ilk aşamadır ve topluluk düğümleri tarafından yönetilen bir internet veri deposu oluşturmayı amaçlamaktadır. Topluluk üyeleri, veri toplama ve işleme sürecine katılmak için kenar cihazı düğümleri çalıştırabilir ve aktiflikleri ile görev tamamlama oranlarına göre puan ödülleri alabilirler.

Test ağı teşvikleri üç tür kazanç mekanizması sunar:

• Veri madenciliği
• İşlem doğrulama
• Görev Katılımı

Epoch 2 test ağı, yalnızca beyaz liste kullanıcılarının katılabildiği Datanets veri ağı mekanizmasını öne çıkardı ve veri doğrulama, sınıflandırma gibi görevleri kapsıyor.

OpenLedger'in daha uzun vadeli yol haritası planlaması şunları içerir:

• Aşama 1 · Veri Zekası Katmanı
• Aşama 2 ·