OpenLedger Độ sâu nghiên cứu báo cáo: Dựa trên OP Stack + EigenDA, xây dựng một nền kinh tế thông minh dựa trên dữ liệu và có thể kết hợp mô hình.
Một, Giới thiệu | Bước nhảy mô hình của Crypto AI
Dữ liệu, mô hình và sức mạnh tính toán là ba yếu tố cốt lõi của cơ sở hạ tầng AI, không thể thiếu một yếu tố nào. Lĩnh vực Crypto AI đã trải qua con đường tiến hóa tương tự như ngành AI truyền thống. Đầu năm 2024, thị trường được dẫn dắt bởi các dự án GPU phi tập trung, nhấn mạnh logic tăng trưởng thô "đấu sức mạnh tính toán". Sau năm 2025, trọng tâm của ngành dần chuyển lên các tầng mô hình và dữ liệu, đánh dấu sự chuyển đổi của Crypto AI từ cạnh tranh tài nguyên cơ bản sang xây dựng tầng trung bền vững và có giá trị ứng dụng hơn.
Mô hình lớn chung (LLM) vs Mô hình chuyên biệt (SLM)
Mô hình ngôn ngữ lớn truyền thống (LLM) phụ thuộc rất nhiều vào tập dữ liệu quy mô lớn và kiến trúc phức tạp, với chi phí cao. Mô hình ngôn ngữ chuyên biệt (SLM) như một phương thức tinh chỉnh nhẹ, dựa trên mô hình nguồn mở kết hợp với một lượng nhỏ dữ liệu chuyên ngành chất lượng cao, nhanh chóng xây dựng mô hình trong lĩnh vực cụ thể, giảm đáng kể chi phí và rào cản.
SLM hợp tác với LLM thông qua kiến trúc Agent, hệ thống plugin, khả năng cắm nóng của các mô-đun LoRA, RAG và các cách khác. Kiến trúc này giữ lại khả năng bao phủ rộng của LLM, đồng thời tăng cường hiệu suất chuyên môn thông qua các mô-đun tinh chỉnh, hình thành một hệ thống thông minh kết hợp linh hoạt.
Giá trị và ranh giới của Crypto AI ở tầng mô hình
Dự án Crypto AI khó có thể nâng cao trực tiếp khả năng cốt lõi của LLM, lý do là:
Rào cản kỹ thuật quá cao: Tài nguyên và năng lực cần thiết để đào tạo Mô hình Cơ sở cực kỳ lớn, chỉ một số ít gã khổng lồ công nghệ có khả năng.
Hạn chế hệ sinh thái mã nguồn mở: Chìa khóa thực sự thúc đẩy sự đột phá của mô hình tập trung vào các tổ chức nghiên cứu và hệ thống kỹ thuật đóng.
Tuy nhiên, các dự án Crypto AI có thể mở rộng giá trị thông qua việc tinh chỉnh SLM, kết hợp tính khả thi và cơ chế khuyến khích của Web3. Là "tầng giao diện bên ngoài" của chuỗi công nghiệp AI, thể hiện ở hai hướng:
Lớp xác thực đáng tin cậy: Tăng cường khả năng truy xuất và chống giả mạo cho đầu ra AI.
Cơ chế khuyến khích: Xây dựng vòng lặp tích cực giữa việc huấn luyện mô hình và dịch vụ.
Phân loại loại mô hình AI và phân tích tính ứng dụng của blockchain
Các điểm khả thi chính của dự án Crypto AI kiểu mô hình chủ yếu tập trung vào việc tinh chỉnh SLM nhỏ, kết nối và xác minh dữ liệu trên chuỗi của kiến trúc RAG, và triển khai cục bộ các mô hình Edge cùng với việc khuyến khích. Crypto có thể cung cấp giá trị độc đáo cho các kịch bản mô hình tài nguyên trung bình và thấp, tạo ra giá trị khác biệt cho "tầng giao diện" AI.
Chuỗi AI blockchain dựa trên dữ liệu và mô hình, có thể ghi lại nguồn đóng góp dữ liệu và mô hình lên chuỗi, nâng cao độ tin cậy và khả năng truy xuất. Thông qua cơ chế hợp đồng thông minh, khi được gọi, tự động kích hoạt phân phối phần thưởng, biến hành vi AI thành giá trị token hóa có thể đo lường và giao dịch. Người dùng trong cộng đồng có thể bỏ phiếu bằng token để đánh giá hiệu suất mô hình, tham gia vào việc xây dựng quy tắc, hoàn thiện cấu trúc quản trị phi tập trung.
Hai, Tóm tắt dự án | Tầm nhìn chuỗi AI của OpenLedger
OpenLedger là dự án AI blockchain tập trung vào cơ chế khuyến khích dữ liệu và mô hình. Nó đưa ra khái niệm "Payable AI", xây dựng môi trường vận hành AI công bằng, minh bạch và có thể kết hợp, khuyến khích các bên hợp tác trên cùng một nền tảng và nhận được lợi ích trên chuỗi.
OpenLedger cung cấp chuỗi khép kín toàn diện từ "cung cấp dữ liệu" đến "triển khai mô hình" và "gọi chia sẻ lợi nhuận", các mô-đun cốt lõi bao gồm:
Nhà máy mô hình: Không cần lập trình để tinh chỉnh, đào tạo và triển khai mô hình tùy chỉnh dựa trên LLM mã nguồn mở.
OpenLoRA: Hỗ trợ hàng nghìn mô hình cùng tồn tại, tải động theo nhu cầu, giảm đáng kể chi phí triển khai
PoA（Proof of Attribution）：thực hiện đo lường đóng góp và phân phối phần thưởng
Datanets: Mạng dữ liệu có cấu trúc hướng đến các tình huống theo chiều dọc
Nền tảng đề xuất mô hình: Thị trường mô hình trên chuỗi có thể kết hợp, có thể gọi và có thể thanh toán
OpenLedger dựa trên OP Stack + EigenDA, xây dựng môi trường chạy dữ liệu và hợp đồng hiệu suất cao, chi phí thấp, có thể xác minh cho các mô hình AI.
Xây dựng trên OP Stack: hỗ trợ thông lượng cao và chi phí thấp khi thực thi
Thanh toán trên mạng chính Ethereum: Đảm bảo tính an toàn của giao dịch và tính toàn vẹn của tài sản
Tương thích EVM: Giúp các nhà phát triển nhanh chóng triển khai và mở rộng
EigenDA cung cấp hỗ trợ khả năng sử dụng dữ liệu: giảm chi phí lưu trữ, đảm bảo tính xác minh của dữ liệu
So với các chuỗi AI tổng quát như NEAR, OpenLedger tập trung hơn vào việc xây dựng chuỗi AI chuyên dụng hướng đến dữ liệu và mô hình khuyến khích, nhằm mục đích làm cho việc phát triển và gọi mô hình trên chuỗi có thể truy xuất, có thể kết hợp và tạo ra vòng giá trị bền vững. Nó là cơ sở hạ tầng khuyến khích mô hình trong thế giới Web3, kết hợp giữa lưu trữ mô hình, tính phí sử dụng và giao diện có thể kết hợp trên chuỗi, thúc đẩy con đường hiện thực hóa "mô hình chính là tài sản".
Ba, Các thành phần cốt lõi và kiến trúc công nghệ của OpenLedger
Nhà máy mô hình 3.1, nhà máy mô hình không cần mã
ModelFactory là nền tảng tinh chỉnh LLM dưới hệ sinh thái OpenLedger. Nó cung cấp giao diện thao tác hoàn toàn đồ họa, không cần dòng lệnh hoặc tích hợp API. Người dùng có thể tinh chỉnh mô hình dựa trên các tập dữ liệu đã được ủy quyền và phê duyệt, thực hiện quy trình làm việc tích hợp giữa ủy quyền dữ liệu, đào tạo mô hình và triển khai. Quy trình cốt lõi bao gồm:
Kiểm soát truy cập dữ liệu
Lựa chọn và cấu hình mô hình
Tinh chỉnh nhẹ
Đánh giá và triển khai mô hình
Giao diện xác thực tương tác
RAG tạo nguồn gốc
Hệ thống kiến trúc Model Factory bao gồm sáu mô-đun, bao trùm xác thực danh tính, quyền dữ liệu, tinh chỉnh mô hình, đánh giá triển khai và RAG truy xuất nguồn gốc, tạo ra một nền tảng dịch vụ mô hình tích hợp an toàn, có kiểm soát, tương tác thời gian thực và có khả năng sinh lợi bền vững.
ModelFactory hiện hỗ trợ các mô hình ngôn ngữ lớn bao gồm LLaMA, Mistral, Qwen, ChatGLM, Deepseek, Gemma, Falcon, BLOOM, GPT-2, v.v. Mặc dù chưa bao gồm các mô hình MoE hiệu suất cao mới nhất hoặc các mô hình đa phương thức, nhưng đã thực hiện cấu hình "ưu tiên thực dụng" dựa trên các ràng buộc thực tế từ việc triển khai trên chuỗi.
Model Factory như một chuỗi công cụ không mã, tất cả các mô hình đều tích hợp cơ chế chứng nhận đóng góp, đảm bảo quyền lợi của người đóng góp dữ liệu và nhà phát triển mô hình, có những ưu điểm như ngưỡng thấp, có thể hiện thực hóa và có thể kết hợp.
3.2 OpenLoRA, tài sản hóa chuỗi của mô hình tinh chỉnh
LoRA là một phương pháp tinh chỉnh tham số hiệu quả, thông qua việc chèn "ma trận bậc thấp" vào mô hình lớn đã được huấn luyện trước để học các nhiệm vụ mới, mà không cần sửa đổi các tham số của mô hình gốc, giảm đáng kể chi phí huấn luyện và nhu cầu lưu trữ.
OpenLoRA là một khung suy diễn nhẹ được xây dựng bởi OpenLedger, được thiết kế đặc biệt cho việc triển khai nhiều mô hình và chia sẻ tài nguyên. Nó giải quyết các vấn đề hiện tại trong việc triển khai mô hình AI như chi phí cao, tái sử dụng thấp và lãng phí tài nguyên GPU, thúc đẩy việc thực hiện "AI có thể thanh toán".
Các thành phần cốt lõi của kiến trúc hệ thống OpenLoRA bao gồm:
Mô-đun lưu trữ LoRA Adapter
Lớp lưu trữ mô hình và tích hợp động
Động cơ suy diễn
Mô-đun định tuyến yêu cầu và đầu ra theo luồng
Quy trình suy diễn của OpenLoRA bao gồm tải mô hình cơ bản, truy xuất LoRA động, kích hoạt hợp nhất bộ chuyển đổi, thực hiện suy diễn và xuất dữ liệu theo luồng, kết thúc suy diễn và giải phóng tài nguyên.
OpenLoRA thông qua một loạt các phương pháp tối ưu hóa cơ sở, đã nâng cao đáng kể hiệu suất triển khai và suy diễn đa mô hình. Các yếu tố cốt lõi bao gồm tải thích ứng LoRA động, phân tán tensor và Paged Attention, hợp nhất đa mô hình, Flash Attention, hạt nhân CUDA biên dịch trước và các công nghệ định lượng.
OpenLoRA định vị không chỉ là một khuôn khổ suy luận LoRA hiệu quả, mà còn là sự tích hợp sâu sắc giữa suy luận mô hình và cơ chế khuyến khích Web3, với mục tiêu biến mô hình LoRA thành tài sản Web3 có thể gọi, có thể kết hợp và có thể chia sẻ lợi nhuận. Nó đã thực hiện:
Mô hình tức tài sản
Nhiều LoRA động hợp + Phân chia lợi nhuận
Hỗ trợ mô hình đuôi dài "chia sẻ suy luận đa người thuê"
OpenLedger dự đoán rằng các chỉ tiêu hiệu suất của OpenLoRA trong tương lai sẽ vượt trội hơn so với việc triển khai mô hình toàn tham số truyền thống, nhưng những chỉ tiêu này gần giống với "hiệu suất tối đa", nên được coi là "giới hạn lý tưởng" thay vì "ổn định hàng ngày".
3.3 Datanets (Mạng dữ liệu), từ chủ quyền dữ liệu đến trí tuệ dữ liệu
Datanets là cơ sở hạ tầng "dữ liệu là tài sản" của OpenLedger, được sử dụng để thu thập và quản lý các tập dữ liệu trong các lĩnh vực cụ thể. Mỗi Datanet giống như một kho dữ liệu có cấu trúc, nơi các nhà đóng góp tải lên dữ liệu và thông qua cơ chế sở hữu trên chuỗi đảm bảo rằng dữ liệu có thể truy xuất nguồn gốc và đáng tin cậy.
So với các dự án tập trung vào quyền sở hữu dữ liệu, OpenLedger mở rộng giá trị dữ liệu đến việc huấn luyện mô hình và gọi trên chuỗi thông qua ba mô-đun Datanets, Model Factory, OpenLoRA, xây dựng một vòng khép kín hoàn chỉnh "từ dữ liệu đến trí tuệ nhân tạo". OpenLedger tập trung vào "cách dữ liệu được huấn luyện, gọi và nhận thưởng", chiếm vị trí quan trọng trong con đường biến đổi dữ liệu trong hệ sinh thái Web3 AI.
3.4 Chứng minh đóng góp: Tái tạo lớp kích thích phân phối lợi ích
Proof of Attribution（PoA）là cơ chế cốt lõi của OpenLedger để thực hiện quyền sở hữu dữ liệu và phân bổ động lực. Quy trình quyền sở hữu dữ liệu và động lực bao gồm:
Gửi dữ liệu
Đánh giá ảnh hưởng
Huấn luyện xác thực
Phân phối khuyến khích
Quản lý chất lượng
PoA không chỉ là công cụ phân phối phần thưởng, mà còn là khung hướng tới tính minh bạch, theo dõi nguồn gốc và phân bổ đa giai đoạn. Nó sẽ ghi lại toàn bộ quá trình tải dữ liệu lên, gọi mô hình, thực hiện tác nhân lên chuỗi, đạt được con đường giá trị có thể xác minh từ đầu đến cuối.
RAG Attribution là cơ chế phân bổ dữ liệu và khuyến khích được OpenLedger thiết lập trong bối cảnh RAG, đảm bảo nội dung đầu ra của mô hình có thể truy nguyên, có thể xác minh, và người đóng góp có thể được khuyến khích. Quy trình của nó bao gồm:
Người dùng hỏi → Tìm kiếm dữ liệu
Dữ liệu được gọi và tạo ra câu trả lời
Người đóng góp nhận thưởng
Kết quả được tạo ra có trích dẫn
RAG Attribution của OpenLedger cho phép mỗi câu trả lời AI đều có thể truy xuất đến nguồn dữ liệu thực tế, các đóng góp viên được khuyến khích theo tần suất trích dẫn, đạt được "kiến thức có nguồn gốc, sử dụng có thể biến thành giá trị". Cơ chế này nâng cao tính minh bạch của đầu ra mô hình, đồng thời xây dựng một vòng khuyến khích bền vững cho việc đóng góp dữ liệu chất lượng cao.
Bốn, Tiến độ dự án OpenLedger và hợp tác sinh thái
OpenLedger đã ra mắt mạng thử nghiệm, lớp dữ liệu thông minh là giai đoạn đầu tiên, nhằm xây dựng kho dữ liệu internet do các nút cộng đồng điều khiển. Các thành viên trong cộng đồng có thể chạy các nút thiết bị biên, tham gia vào việc thu thập và xử lý dữ liệu, và nhận được phần thưởng điểm dựa trên mức độ hoạt động và hoàn thành nhiệm vụ.
Mạng thử nghiệm kích thích cung cấp ba loại cơ chế lợi nhuận:
Khai thác dữ liệu
Xác thực giao dịch
Tham gia nhiệm vụ
Epoch 2 mạng thử nghiệm đã giới thiệu cơ chế mạng dữ liệu Datanets, chỉ dành cho người dùng trong danh sách trắng tham gia, bao gồm các nhiệm vụ như xác thực dữ liệu, phân loại, v.v.
Lộ trình quy hoạch lâu dài hơn của OpenLedger bao gồm:
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
16 thích
Phần thưởng
16
9
Chia sẻ
Bình luận
0/400
TokenEconomist
· 07-25 01:56
thực ra, đây là một sự phân bổ tài nguyên tính toán sai lầm cổ điển... hãy để tôi phân tích điều này theo cách toán học
Xem bản gốcTrả lời0
DAOdreamer
· 07-23 20:37
Đồng coin này không phải vừa mới được giao dịch tháng trước sao?
OpenLedger xây dựng nền kinh tế thông minh dựa trên dữ liệu, kết hợp kiến trúc cơ sở OP Stack và EigenDA.
OpenLedger Độ sâu nghiên cứu báo cáo: Dựa trên OP Stack + EigenDA, xây dựng một nền kinh tế thông minh dựa trên dữ liệu và có thể kết hợp mô hình.
Một, Giới thiệu | Bước nhảy mô hình của Crypto AI
Dữ liệu, mô hình và sức mạnh tính toán là ba yếu tố cốt lõi của cơ sở hạ tầng AI, không thể thiếu một yếu tố nào. Lĩnh vực Crypto AI đã trải qua con đường tiến hóa tương tự như ngành AI truyền thống. Đầu năm 2024, thị trường được dẫn dắt bởi các dự án GPU phi tập trung, nhấn mạnh logic tăng trưởng thô "đấu sức mạnh tính toán". Sau năm 2025, trọng tâm của ngành dần chuyển lên các tầng mô hình và dữ liệu, đánh dấu sự chuyển đổi của Crypto AI từ cạnh tranh tài nguyên cơ bản sang xây dựng tầng trung bền vững và có giá trị ứng dụng hơn.
Mô hình lớn chung (LLM) vs Mô hình chuyên biệt (SLM)
Mô hình ngôn ngữ lớn truyền thống (LLM) phụ thuộc rất nhiều vào tập dữ liệu quy mô lớn và kiến trúc phức tạp, với chi phí cao. Mô hình ngôn ngữ chuyên biệt (SLM) như một phương thức tinh chỉnh nhẹ, dựa trên mô hình nguồn mở kết hợp với một lượng nhỏ dữ liệu chuyên ngành chất lượng cao, nhanh chóng xây dựng mô hình trong lĩnh vực cụ thể, giảm đáng kể chi phí và rào cản.
SLM hợp tác với LLM thông qua kiến trúc Agent, hệ thống plugin, khả năng cắm nóng của các mô-đun LoRA, RAG và các cách khác. Kiến trúc này giữ lại khả năng bao phủ rộng của LLM, đồng thời tăng cường hiệu suất chuyên môn thông qua các mô-đun tinh chỉnh, hình thành một hệ thống thông minh kết hợp linh hoạt.
Giá trị và ranh giới của Crypto AI ở tầng mô hình
Dự án Crypto AI khó có thể nâng cao trực tiếp khả năng cốt lõi của LLM, lý do là:
Tuy nhiên, các dự án Crypto AI có thể mở rộng giá trị thông qua việc tinh chỉnh SLM, kết hợp tính khả thi và cơ chế khuyến khích của Web3. Là "tầng giao diện bên ngoài" của chuỗi công nghiệp AI, thể hiện ở hai hướng:
Phân loại loại mô hình AI và phân tích tính ứng dụng của blockchain
Các điểm khả thi chính của dự án Crypto AI kiểu mô hình chủ yếu tập trung vào việc tinh chỉnh SLM nhỏ, kết nối và xác minh dữ liệu trên chuỗi của kiến trúc RAG, và triển khai cục bộ các mô hình Edge cùng với việc khuyến khích. Crypto có thể cung cấp giá trị độc đáo cho các kịch bản mô hình tài nguyên trung bình và thấp, tạo ra giá trị khác biệt cho "tầng giao diện" AI.
Chuỗi AI blockchain dựa trên dữ liệu và mô hình, có thể ghi lại nguồn đóng góp dữ liệu và mô hình lên chuỗi, nâng cao độ tin cậy và khả năng truy xuất. Thông qua cơ chế hợp đồng thông minh, khi được gọi, tự động kích hoạt phân phối phần thưởng, biến hành vi AI thành giá trị token hóa có thể đo lường và giao dịch. Người dùng trong cộng đồng có thể bỏ phiếu bằng token để đánh giá hiệu suất mô hình, tham gia vào việc xây dựng quy tắc, hoàn thiện cấu trúc quản trị phi tập trung.
Hai, Tóm tắt dự án | Tầm nhìn chuỗi AI của OpenLedger
OpenLedger là dự án AI blockchain tập trung vào cơ chế khuyến khích dữ liệu và mô hình. Nó đưa ra khái niệm "Payable AI", xây dựng môi trường vận hành AI công bằng, minh bạch và có thể kết hợp, khuyến khích các bên hợp tác trên cùng một nền tảng và nhận được lợi ích trên chuỗi.
OpenLedger cung cấp chuỗi khép kín toàn diện từ "cung cấp dữ liệu" đến "triển khai mô hình" và "gọi chia sẻ lợi nhuận", các mô-đun cốt lõi bao gồm:
OpenLedger dựa trên OP Stack + EigenDA, xây dựng môi trường chạy dữ liệu và hợp đồng hiệu suất cao, chi phí thấp, có thể xác minh cho các mô hình AI.
So với các chuỗi AI tổng quát như NEAR, OpenLedger tập trung hơn vào việc xây dựng chuỗi AI chuyên dụng hướng đến dữ liệu và mô hình khuyến khích, nhằm mục đích làm cho việc phát triển và gọi mô hình trên chuỗi có thể truy xuất, có thể kết hợp và tạo ra vòng giá trị bền vững. Nó là cơ sở hạ tầng khuyến khích mô hình trong thế giới Web3, kết hợp giữa lưu trữ mô hình, tính phí sử dụng và giao diện có thể kết hợp trên chuỗi, thúc đẩy con đường hiện thực hóa "mô hình chính là tài sản".
Ba, Các thành phần cốt lõi và kiến trúc công nghệ của OpenLedger
Nhà máy mô hình 3.1, nhà máy mô hình không cần mã
ModelFactory là nền tảng tinh chỉnh LLM dưới hệ sinh thái OpenLedger. Nó cung cấp giao diện thao tác hoàn toàn đồ họa, không cần dòng lệnh hoặc tích hợp API. Người dùng có thể tinh chỉnh mô hình dựa trên các tập dữ liệu đã được ủy quyền và phê duyệt, thực hiện quy trình làm việc tích hợp giữa ủy quyền dữ liệu, đào tạo mô hình và triển khai. Quy trình cốt lõi bao gồm:
Hệ thống kiến trúc Model Factory bao gồm sáu mô-đun, bao trùm xác thực danh tính, quyền dữ liệu, tinh chỉnh mô hình, đánh giá triển khai và RAG truy xuất nguồn gốc, tạo ra một nền tảng dịch vụ mô hình tích hợp an toàn, có kiểm soát, tương tác thời gian thực và có khả năng sinh lợi bền vững.
ModelFactory hiện hỗ trợ các mô hình ngôn ngữ lớn bao gồm LLaMA, Mistral, Qwen, ChatGLM, Deepseek, Gemma, Falcon, BLOOM, GPT-2, v.v. Mặc dù chưa bao gồm các mô hình MoE hiệu suất cao mới nhất hoặc các mô hình đa phương thức, nhưng đã thực hiện cấu hình "ưu tiên thực dụng" dựa trên các ràng buộc thực tế từ việc triển khai trên chuỗi.
Model Factory như một chuỗi công cụ không mã, tất cả các mô hình đều tích hợp cơ chế chứng nhận đóng góp, đảm bảo quyền lợi của người đóng góp dữ liệu và nhà phát triển mô hình, có những ưu điểm như ngưỡng thấp, có thể hiện thực hóa và có thể kết hợp.
3.2 OpenLoRA, tài sản hóa chuỗi của mô hình tinh chỉnh
LoRA là một phương pháp tinh chỉnh tham số hiệu quả, thông qua việc chèn "ma trận bậc thấp" vào mô hình lớn đã được huấn luyện trước để học các nhiệm vụ mới, mà không cần sửa đổi các tham số của mô hình gốc, giảm đáng kể chi phí huấn luyện và nhu cầu lưu trữ.
OpenLoRA là một khung suy diễn nhẹ được xây dựng bởi OpenLedger, được thiết kế đặc biệt cho việc triển khai nhiều mô hình và chia sẻ tài nguyên. Nó giải quyết các vấn đề hiện tại trong việc triển khai mô hình AI như chi phí cao, tái sử dụng thấp và lãng phí tài nguyên GPU, thúc đẩy việc thực hiện "AI có thể thanh toán".
Các thành phần cốt lõi của kiến trúc hệ thống OpenLoRA bao gồm:
Quy trình suy diễn của OpenLoRA bao gồm tải mô hình cơ bản, truy xuất LoRA động, kích hoạt hợp nhất bộ chuyển đổi, thực hiện suy diễn và xuất dữ liệu theo luồng, kết thúc suy diễn và giải phóng tài nguyên.
OpenLoRA thông qua một loạt các phương pháp tối ưu hóa cơ sở, đã nâng cao đáng kể hiệu suất triển khai và suy diễn đa mô hình. Các yếu tố cốt lõi bao gồm tải thích ứng LoRA động, phân tán tensor và Paged Attention, hợp nhất đa mô hình, Flash Attention, hạt nhân CUDA biên dịch trước và các công nghệ định lượng.
OpenLoRA định vị không chỉ là một khuôn khổ suy luận LoRA hiệu quả, mà còn là sự tích hợp sâu sắc giữa suy luận mô hình và cơ chế khuyến khích Web3, với mục tiêu biến mô hình LoRA thành tài sản Web3 có thể gọi, có thể kết hợp và có thể chia sẻ lợi nhuận. Nó đã thực hiện:
OpenLedger dự đoán rằng các chỉ tiêu hiệu suất của OpenLoRA trong tương lai sẽ vượt trội hơn so với việc triển khai mô hình toàn tham số truyền thống, nhưng những chỉ tiêu này gần giống với "hiệu suất tối đa", nên được coi là "giới hạn lý tưởng" thay vì "ổn định hàng ngày".
3.3 Datanets (Mạng dữ liệu), từ chủ quyền dữ liệu đến trí tuệ dữ liệu
Datanets là cơ sở hạ tầng "dữ liệu là tài sản" của OpenLedger, được sử dụng để thu thập và quản lý các tập dữ liệu trong các lĩnh vực cụ thể. Mỗi Datanet giống như một kho dữ liệu có cấu trúc, nơi các nhà đóng góp tải lên dữ liệu và thông qua cơ chế sở hữu trên chuỗi đảm bảo rằng dữ liệu có thể truy xuất nguồn gốc và đáng tin cậy.
So với các dự án tập trung vào quyền sở hữu dữ liệu, OpenLedger mở rộng giá trị dữ liệu đến việc huấn luyện mô hình và gọi trên chuỗi thông qua ba mô-đun Datanets, Model Factory, OpenLoRA, xây dựng một vòng khép kín hoàn chỉnh "từ dữ liệu đến trí tuệ nhân tạo". OpenLedger tập trung vào "cách dữ liệu được huấn luyện, gọi và nhận thưởng", chiếm vị trí quan trọng trong con đường biến đổi dữ liệu trong hệ sinh thái Web3 AI.
3.4 Chứng minh đóng góp: Tái tạo lớp kích thích phân phối lợi ích
Proof of Attribution（PoA）là cơ chế cốt lõi của OpenLedger để thực hiện quyền sở hữu dữ liệu và phân bổ động lực. Quy trình quyền sở hữu dữ liệu và động lực bao gồm:
PoA không chỉ là công cụ phân phối phần thưởng, mà còn là khung hướng tới tính minh bạch, theo dõi nguồn gốc và phân bổ đa giai đoạn. Nó sẽ ghi lại toàn bộ quá trình tải dữ liệu lên, gọi mô hình, thực hiện tác nhân lên chuỗi, đạt được con đường giá trị có thể xác minh từ đầu đến cuối.
RAG Attribution là cơ chế phân bổ dữ liệu và khuyến khích được OpenLedger thiết lập trong bối cảnh RAG, đảm bảo nội dung đầu ra của mô hình có thể truy nguyên, có thể xác minh, và người đóng góp có thể được khuyến khích. Quy trình của nó bao gồm:
RAG Attribution của OpenLedger cho phép mỗi câu trả lời AI đều có thể truy xuất đến nguồn dữ liệu thực tế, các đóng góp viên được khuyến khích theo tần suất trích dẫn, đạt được "kiến thức có nguồn gốc, sử dụng có thể biến thành giá trị". Cơ chế này nâng cao tính minh bạch của đầu ra mô hình, đồng thời xây dựng một vòng khuyến khích bền vững cho việc đóng góp dữ liệu chất lượng cao.
Bốn, Tiến độ dự án OpenLedger và hợp tác sinh thái
OpenLedger đã ra mắt mạng thử nghiệm, lớp dữ liệu thông minh là giai đoạn đầu tiên, nhằm xây dựng kho dữ liệu internet do các nút cộng đồng điều khiển. Các thành viên trong cộng đồng có thể chạy các nút thiết bị biên, tham gia vào việc thu thập và xử lý dữ liệu, và nhận được phần thưởng điểm dựa trên mức độ hoạt động và hoàn thành nhiệm vụ.
Mạng thử nghiệm kích thích cung cấp ba loại cơ chế lợi nhuận:
Epoch 2 mạng thử nghiệm đã giới thiệu cơ chế mạng dữ liệu Datanets, chỉ dành cho người dùng trong danh sách trắng tham gia, bao gồm các nhiệm vụ như xác thực dữ liệu, phân loại, v.v.
Lộ trình quy hoạch lâu dài hơn của OpenLedger bao gồm: