OpenLedgerĐộ sâu研报：以OP Stack+EigenDA为底座，构建一个数据驱动、模型可组合的智能体经济

Một, Giới thiệu | Sự chuyển mình của lớp mô hình Crypto AI

Dữ liệu, mô hình và năng lực tính toán là ba yếu tố cốt lõi của cơ sở hạ tầng AI, tương tự như nhiên liệu (dữ liệu), động cơ (mô hình), năng lượng (năng lực tính toán) không thể thiếu. Tương tự như con đường tiến triển cơ sở hạ tầng của ngành AI truyền thống, lĩnh vực Crypto AI cũng đã trải qua các giai đoạn tương tự. Đầu năm 2024, thị trường một thời bị các dự án GPU phi tập trung chiếm ưu thế, nhấn mạnh logic tăng trưởng thô "đấu sức tính toán". Khi bước vào năm 2025, sự chú ý của ngành dần dần chuyển lên tầng mô hình và dữ liệu, đánh dấu sự chuyển mình của Crypto AI từ cạnh tranh tài nguyên cơ bản sang việc xây dựng tầng giữa có tính bền vững và giá trị ứng dụng hơn.

Mô hình lớn tổng quát (LLM) vs Mô hình chuyên biệt (SLM)

Các mô hình ngôn ngữ lớn truyền thống (LLM) thường phụ thuộc nhiều vào các tập dữ liệu quy mô lớn và kiến trúc phân tán phức tạp, quy mô tham số thường từ 70B đến 500B, chi phí cho một lần đào tạo thường lên đến hàng triệu đô la. Trong khi đó, SLM (Mô hình Ngôn ngữ Chuyên biệt) như một phương pháp tinh chỉnh nhẹ có thể tái sử dụng mô hình cơ sở, thường dựa trên các mô hình mã nguồn mở, kết hợp với một lượng nhỏ dữ liệu chuyên nghiệp chất lượng cao và các công nghệ như LoRA, để nhanh chóng xây dựng các mô hình chuyên gia có kiến thức trong lĩnh vực cụ thể, giảm đáng kể chi phí đào tạo và ngưỡng kỹ thuật.

Cần lưu ý rằng SLM sẽ không được tích hợp vào trọng số LLM, mà sẽ hợp tác với LLM thông qua việc gọi kiến trúc Agent, hệ thống plugin định tuyến động, cắm nóng mô-đun LoRA, RAG (tạo ra tăng cường truy vấn) và các phương thức khác. Kiến trúc này vừa giữ lại khả năng bao phủ rộng của LLM, vừa tăng cường hiệu suất chuyên môn thông qua các mô-đun tinh chỉnh, tạo thành một hệ thống thông minh kết hợp có độ linh hoạt cao.

Giá trị và ranh giới của Crypto AI ở tầng mô hình

Các dự án Crypto AI về bản chất khó có thể nâng cao trực tiếp khả năng cốt lõi của mô hình ngôn ngữ lớn (LLM), nguyên nhân chính là

• Rào cản kỹ thuật quá cao: Quy mô dữ liệu, tài nguyên tính toán và khả năng kỹ thuật cần thiết để đào tạo Mô hình Nền tảng là cực kỳ lớn, hiện chỉ có các gã khổng lồ công nghệ như Mỹ và Trung Quốc mới có khả năng tương ứng.
• Hạn chế của hệ sinh thái mã nguồn mở: Mặc dù các mô hình cơ sở chính như LLaMA, Mixtral đã được mã nguồn mở, nhưng yếu tố quan trọng thúc đẩy sự đột phá của mô hình vẫn tập trung vào các tổ chức nghiên cứu và hệ thống kỹ thuật đóng, không gian tham gia của các dự án trên chuỗi ở cấp độ mô hình cốt lõi là hạn chế.

Tuy nhiên, trên nền tảng mô hình cơ sở mã nguồn mở, dự án Crypto AI vẫn có thể mở rộng giá trị thông qua việc tinh chỉnh mô hình ngôn ngữ chuyên biệt (SLM) và kết hợp tính khả thi và cơ chế khuyến khích của Web3. Là "tầng giao diện phụ trợ" của chuỗi công nghiệp AI, điều này thể hiện qua hai hướng chính:

• Tầng xác thực đáng tin cậy: Thông qua việc ghi lại trên chuỗi đường dẫn tạo ra mô hình, đóng góp dữ liệu và tình hình sử dụng, tăng cường khả năng truy nguyên và chống giả mạo cho đầu ra của AI.
• Cơ chế khuyến khích: Sử dụng Token gốc để khuyến khích việc tải lên dữ liệu, gọi mô hình, thực hiện hành động của tác nhân (Agent), xây dựng vòng lặp tích cực giữa đào tạo mô hình và dịch vụ.

Phân loại loại mô hình AI và phân tích tính ứng dụng của blockchain

Do đó có thể thấy, các điểm khả thi của dự án Crypto AI thuộc loại mô hình chủ yếu tập trung vào việc tinh chỉnh nhẹ trọng số SLM nhỏ, việc truy cập và xác minh dữ liệu trên chuỗi của kiến trúc RAG, cũng như việc triển khai và khuyến khích mô hình Edge tại chỗ. Kết hợp tính khả thi xác minh của blockchain và cơ chế token, Crypto có thể cung cấp giá trị độc đáo cho những cảnh mô hình tài nguyên trung bình và thấp này, tạo ra giá trị khác biệt cho "tầng giao diện" AI.

Dựa trên chuỗi AI blockchain với dữ liệu và mô hình, có thể ghi lại nguồn gốc đóng góp của từng dữ liệu và mô hình một cách rõ ràng và không thể giả mạo, nâng cao đáng kể độ tin cậy của dữ liệu và khả năng truy xuất nguồn gốc trong việc huấn luyện mô hình. Đồng thời, thông qua cơ chế hợp đồng thông minh, khi dữ liệu hoặc mô hình được gọi, việc phân phối phần thưởng sẽ tự động được kích hoạt, chuyển đổi hành vi AI thành giá trị token hóa có thể đo lường và giao dịch, xây dựng một hệ thống khuyến khích bền vững. Ngoài ra, người dùng trong cộng đồng cũng có thể đánh giá hiệu suất mô hình thông qua bỏ phiếu bằng token, tham gia vào việc xây dựng quy tắc và cải tiến, hoàn thiện cấu trúc quản trị phi tập trung.

Hai, Tóm tắt dự án | Tầm nhìn chuỗi AI của OpenLedger

OpenLedger là một trong số ít các dự án AI blockchain hiện nay tập trung vào dữ liệu và cơ chế khuyến khích mô hình. Nó tiên phong đưa ra khái niệm "Payable AI", nhằm xây dựng một môi trường vận hành AI công bằng, minh bạch và có thể kết hợp, khuyến khích những người đóng góp dữ liệu, các nhà phát triển mô hình và những người xây dựng ứng dụng AI hợp tác trên cùng một nền tảng, và nhận được lợi nhuận trên chuỗi dựa trên đóng góp thực tế.

OpenLedger cung cấp một chuỗi khép kín từ "cung cấp dữ liệu" đến "triển khai mô hình" và "gọi chia sẻ lợi nhuận", các mô-đun cốt lõi của nó bao gồm:

• Model Factory：Không cần lập trình, có thể sử dụng LoRA 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 bổ phần thưởng thông qua việc gọi ghi chép trên chuỗi.
• Datanets：Mạng dữ liệu có cấu trúc hướng tới các tình huống dọc, được xây dựng và xác minh bởi sự hợp tác của cộng đồng;
• Nền tảng Đề xuất Mô hình (Model Proposal Platform): Thị trường mô hình trên chuỗi có thể kết hợp, có thể gọi và có thể thanh toán.

Thông qua các mô-đun trên, OpenLedger đã xây dựng một "cơ sở hạ tầng kinh tế của các tác nhân thông minh" dựa trên dữ liệu và có thể kết hợp các mô hình, thúc đẩy việc chuỗi hóa giá trị AI.

Và trong việc áp dụng công nghệ blockchain, OpenLedger đã xây dựng một môi trường chạy dữ liệu và hợp đồng hiệu suất cao, chi phí thấp, có thể xác minh cho các mô hình AI dựa trên OP Stack + EigenDA.

• Xây dựng trên OP Stack: Dựa trên công nghệ Optimism, hỗ trợ thông lượng cao và chi phí thực hiện thấp;
• 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 dựa trên Solidity;
• EigenDA cung cấp hỗ trợ khả năng sẵn sàng của dữ liệu: giảm đáng kể chi phí lưu trữ, đảm bảo khả năng xác minh dữ liệu.

So với các chuỗi AI chung như NEAR, chú trọng vào quyền dữ liệu và kiến trúc "AI Agents on BOS", OpenLedger tập trung hơn vào việc xây dựng chuỗi AI chuyên dụng nhằm khuyến khích dữ liệu và mô hình, cam kết thực hiện vòng giá trị có thể truy xuất, có thể kết hợp và bền vững cho việc phát triển và gọi mô hình trên chuỗi. 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 như 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 một nền tảng tinh chỉnh mô hình ngôn ngữ lớn (LLM) trong hệ sinh thái OpenLedger. Khác với các khung tinh chỉnh truyền thống, ModelFactory cung cấp giao diện đồ họa hoàn toàn, không cần công cụ dòng lệnh hay tích hợp API. Người dùng có thể tinh chỉnh mô hình dựa trên bộ dữ liệu đã được cấp phép và kiểm tra trên OpenLedger. Nó đã thực hiện quy trình làm việc tích hợp cho việc cấp phép dữ liệu, đào tạo mô hình và triển khai, với các quy trình cốt lõi bao gồm:

• Kiểm soát truy cập dữ liệu: Người dùng gửi yêu cầu dữ liệu, nhà cung cấp xem xét phê duyệt, dữ liệu tự động kết nối với giao diện đào tạo mô hình.
• Lựa chọn và cấu hình mô hình: Hỗ trợ các LLM phổ biến (như LLaMA, Mistral), cấu hình siêu tham số thông qua GUI.
• Tinh chỉnh nhẹ: Tích hợp động cơ LoRA / QLoRA, hiển thị tiến trình đào tạo theo thời gian thực.
• Đánh giá và triển khai mô hình: Công cụ đánh giá tích hợp sẵn, hỗ trợ xuất bản hoặc gọi chia sẻ sinh thái.
• Giao diện xác thực tương tác: Cung cấp giao diện giống như trò chuyện, thuận tiện cho việc kiểm tra trực tiếp khả năng hỏi đáp của mô hình.
• RAG tạo nguồn gốc: Trả lời với trích dẫn nguồn, tăng cường niềm tin và khả năng kiểm toán.

Kiến trúc hệ thống Model Factory bao gồm sáu mô-đun, bao trùm xác thực danh tính, quyền dữ liệu, tinh chỉnh mô hình, triển khai đánh giá và truy xuất RAG, tạo ra một nền tảng dịch vụ mô hình tích hợp an toàn, có thể kiểm soát, tương tác thời gian thực và có thể biến đổi bền vững.

Bảng tóm tắt khả năng của các mô hình ngôn ngữ lớn mà ModelFactory hiện hỗ trợ như sau:

• Dòng LLaMA: Hệ sinh thái rộng nhất, cộng đồng năng động, hiệu suất đa năng mạnh mẽ, là một trong những mô hình cơ sở mã nguồn mở phổ biến nhất hiện nay.
• Mistral: Kiến trúc hiệu quả, hiệu suất suy luận tuyệt vời, phù hợp với các tình huống triển khai linh hoạt và tài nguyên hạn chế.
• Qwen：Thể hiện xuất sắc trong nhiệm vụ tiếng Trung, có khả năng tổng hợp mạnh mẽ, phù hợp cho các nhà phát triển trong nước lựa chọn hàng đầu.
• ChatGLM: Hiệu ứng đối thoại tiếng Trung nổi bật, phù hợp với dịch vụ khách hàng theo ngành và các tình huống địa phương.
• Deepseek：Có hiệu suất vượt trội trong việc tạo mã và suy luận toán học, phù hợp với các công cụ hỗ trợ phát triển thông minh.
• Gemma: Mô hình nhẹ do Google phát triển, cấu trúc rõ ràng, dễ dàng để bắt đầu và thử nghiệm nhanh chóng.
• Falcon: Từng là tiêu chuẩn hiệu suất, phù hợp cho nghiên cứu cơ bản hoặc thử nghiệm so sánh, nhưng sự hoạt động của cộng đồng đã giảm.
• BLOOM: Hỗ trợ đa ngôn ngữ khá mạnh, nhưng hiệu suất suy diễn yếu, phù hợp cho nghiên cứu bao phủ ngôn ngữ.
• GPT-2: Mô hình cổ điển đầu tiên, chỉ phù hợp cho mục đích giảng dạy và xác thực, không nên sử dụng triển khai thực tế.

Mặc dù mô hình của OpenLedger không bao gồm các mô hình MoE hiệu suất cao mới nhất hoặc các mô hình đa mô thức, nhưng chiến lược của nó không lạc hậu, mà là cấu hình "ưu tiên thực dụng" dựa trên những ràng buộc thực tế của việc triển khai trên chuỗi (chi phí suy diễn, tương thích RAG, tương thích LoRA, môi trường EVM).

Model Factory như một chuỗi công cụ không mã, tất cả các mô hình đều được tích hợp cơ chế chứng minh 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, khả năng sinh lời và khả năng kết hợp, so với các công cụ phát triển mô hình truyền thống:

• Đối với các nhà phát triển: Cung cấp lộ trình hoàn chỉnh cho việc ươm mầm, phân phối và thu nhập mô hình;
• Đối với nền tảng: hình thành dòng chảy tài sản mô hình và hệ sinh thái kết hợp;
• Đối với người sử dụng: có thể kết hợp sử dụng mô hình hoặc Agent như gọi API.

3.2 OpenLoRA, tài sản hóa trên chuỗi của mô hình tinh chỉnh

LoRA (Low-Rank Adaptation) là một phương pháp tinh chỉnh tham số hiệu quả, thông qua việc chèn "ma trận bậc thấp" vào mô hình lớn đã được đào tạo trước để học các nhiệm vụ mới mà không cần thay đổi tham số của mô hình gốc, từ đó giảm đáng kể chi phí đào tạo và nhu cầu lưu trữ. Các mô hình ngôn ngữ lớn truyền thống (như LLaMA, GPT-3) thường có hàng chục tỷ thậm chí hàng trăm tỷ tham số. Để sử dụng chúng cho các nhiệm vụ cụ thể (như hỏi đáp pháp luật, tư vấn y tế), cần phải thực hiện tinh chỉnh (fine-tuning). Chiến lược cốt lõi của LoRA là: "đóng băng các tham số của mô hình lớn gốc, chỉ đào tạo các ma trận tham số mới được chèn vào." với tham số hiệu quả, đào tạo nhanh, triển khai linh hoạt, là phương pháp tinh chỉnh chính thống hiện nay phù hợp nhất cho việc triển khai và gọi kết hợp mô hình Web3.

OpenLoRA là một bộ khung suy diễn nhẹ được xây dựng bởi OpenLedger, được thiết kế đặc biệt cho triển khai đa mô hình và chia sẻ tài nguyên. Mục tiêu cốt lõi của nó là giải quyết những vấn đề thường gặp trong triển khai mô hình AI hiện tại như chi phí cao, khả năng tái sử dụng thấp, lãng phí tài nguyên GPU, thúc đẩy việc thực hiện "AI có thể thanh toán" (Payable AI).

OpenLoRA hệ thống kiến trúc thành phần cốt lõi, dựa trên thiết kế mô-đun, bao phủ lưu trữ mô hình, thực thi suy diễn, định tuyến yêu cầu và các khía cạnh quan trọng khác, đạt được khả năng triển khai và gọi nhiều mô hình hiệu quả, chi phí thấp:

• Mô-đun lưu trữ LoRA Adapter (LoRA Adapters Storage): LoRA adapter đã được tinh chỉnh được lưu trữ trên OpenLedger, cho phép tải theo yêu cầu, tránh việc tải tất cả các mô hình vào bộ nhớ đồ họa, tiết kiệm tài nguyên.
• Lớp lưu trữ mô hình và hợp nhất động (Model Hosting & Adapter Merging Layer): Tất cả các mô hình tinh chỉnh chia sẻ mô hình cơ bản (base model), trong quá trình suy diễn, bộ điều hợp LoRA được động.