Rapport de recherche approfondi OpenLedger : Construire une économie d'agents intelligents axée sur les données et modulable, basée sur OP Stack + EigenDA
I. Introduction | La transition du niveau de modèle de Crypto AI
Les données, les modèles et la puissance de calcul sont les trois éléments fondamentaux de l'infrastructure AI, aucun ne pouvant être absent. Le domaine de Crypto AI a connu une évolution similaire à celle de l'industrie AI traditionnelle. Début 2024, l'attention du marché se concentre sur les projets de GPU décentralisés, mettant en avant la compétition en matière de puissance de calcul. À partir de 2025, le centre d'intérêt de l'industrie se déplace progressivement vers les couches de modèles et de données, marquant la transition de Crypto AI d'une compétition basée sur les ressources fondamentales à une construction de niveau intermédiaire plus durable et ayant une valeur d'application.
Modèle général (LLM) vs Modèle spécialisé (SLM)
Les modèles de langage traditionnels (LLM) dépendent de grands ensembles de données et d'architectures complexes, avec une échelle de paramètres énorme et des coûts d'entraînement élevés. Les modèles de langage spécialisés (SLM), en revanche, sont basés sur des modèles open source, combinant une petite quantité de données professionnelles de haute qualité et des techniques comme LoRA, permettant de construire rapidement des modèles d'experts dans des domaines spécifiques, tout en réduisant considérablement les coûts d'entraînement et les barrières techniques.
SLM collabore avec LLM via des appels d'agent, un système de routage de plugins, le branchement à chaud de modules LoRA, RAG, etc., préservant ainsi la capacité de large couverture de LLM tout en améliorant les performances spécialisées grâce à des modules de réglage fin, formant un système intelligent modulaire et flexible.
La valeur et les limites de l'IA crypto au niveau du modèle
Les projets Crypto AI ont du mal à améliorer directement les capacités centrales des LLM, principalement en raison des barrières techniques et des limites de l'écosystème open source. Cependant, sur la base de modèles open source, les projets Crypto AI peuvent réaliser une extension de valeur en ajustant finement les SLM et en combinant la vérifiabilité et le mécanisme d'incitation de Web3. Leur valeur fondamentale se manifeste dans deux directions : la couche de vérification fiable et le mécanisme d'incitation.
Analyse de la classification des types de modèles d'IA et de leur applicabilité à la blockchain
Les projets de Crypto AI basés sur des modèles se concentrent principalement sur le réglage fin SLM de petite taille, l'intégration et la validation des données en chaîne dans l'architecture RAG, ainsi que le déploiement local des modèles Edge et les incitations associées. En combinant les caractéristiques de la blockchain, Crypto peut offrir une valeur unique pour ces scénarios de modèles à ressources moyennes et faibles, créant ainsi une valeur différenciée pour la « couche d'interface » de l'IA.
La chaîne blockchain AI basée sur des données et des modèles peut enregistrer de manière claire et immuable l'origine des contributions en données et en modèles, améliorant ainsi la crédibilité et la traçabilité. Grâce au mécanisme de contrat intelligent, une distribution automatique de récompenses est déclenchée chaque fois que des données ou des modèles sont appelés, transformant le comportement de l'IA en valeur tokenisée mesurable et échangeable. Les utilisateurs de la communauté peuvent également participer à la gouvernance par le biais du vote par jetons, perfectionnant ainsi la structure de gouvernance décentralisée.
II. Aperçu du projet | La vision de la chaîne AI d'OpenLedger
OpenLedger est un projet de blockchain AI axé sur les mécanismes d'incitation des données et des modèles. Il propose le concept de « Payable AI », visant à construire un environnement d'exécution AI équitable, transparent et combinable, incitant les différentes parties prenantes à collaborer et à obtenir des revenus sur la chaîne.
OpenLedger propose une boucle fermée complète allant de « la fourniture de données » à « le déploiement de modèles » en passant par « l'appel de partage des bénéfices », avec des modules clés comprenant Model Factory, OpenLoRA, PoA, Datanets et une plateforme de propositions de modèles. Grâce à ces modules, OpenLedger a construit une « infrastructure économique des agents » basée sur des données et des modèles combinables.
Sur la technologie blockchain, OpenLedger utilise OP Stack + EigenDA comme base, fournissant un environnement d'exécution performant, à faible coût et vérifiable pour les modèles d'IA. Il est basé sur la pile technologique Optimism, supporte un haut débit et de faibles frais ; les règlements sont effectués sur le réseau principal Ethereum ; compatible EVM ; EigenDA fournit un support de disponibilité des données.
Comparé à NEAR, qui est plus axé sur les couches inférieures, OpenLedger se concentre davantage sur la construction de chaînes spécifiques à l'IA orientées vers les données et les modèles d'incitation, s'efforçant de réaliser un cycle de valeur traçable, combinable et durable pour le développement et l'appel de modèles sur la chaîne.
Trois, les composants clés et l'architecture technique d'OpenLedger
3.1 Modèle d'usine, modèle d'usine sans code
ModelFactory est une plateforme de fine-tuning LLM sous l'écosystème OpenLedger, offrant une interface d'opération entièrement graphique. Son processus central comprend le contrôle d'accès aux données, la sélection et la configuration des modèles, le fine-tuning léger, l'évaluation et le déploiement des modèles, l'interface de validation interactive et la traçabilité de génération RAG.
ModelFactory prend en charge les principaux modèles de langage open source, tels que les séries LLaMA, Mistral, Qwen, ChatGLM, Deepseek, Gemma, etc. Bien qu'il ne contienne pas les derniers modèles MoE ou multimodaux, il a été configuré avec une approche « pratique d'abord » en fonction des contraintes réelles de déploiement sur la chaîne.
Model Factory en tant qu'outil sans code, tous les modèles intègrent un mécanisme de preuve de contribution, garantissant les droits des participants, avec des avantages de faible barrière à l'entrée, de monétisation et de combinabilité.
3.2 OpenLoRA, la tokenisation des actifs on-chain du modèle de fine-tuning
OpenLoRA est un cadre d'inférence léger construit par OpenLedger, conçu pour résoudre des problèmes tels que les coûts élevés, la faible réutilisation et le gaspillage de ressources dans le déploiement de modèles d'IA. Ses composants clés incluent le module de stockage LoRA Adapter, l'hébergement de modèles et la couche de fusion dynamique, le moteur d'inférence, ainsi que le module de routage des requêtes et de sortie en flux.
OpenLoRA améliore considérablement l'efficacité du déploiement et de l'inférence de plusieurs modèles grâce à une série d'optimisations de bas niveau. Son cœur comprend le chargement dynamique d'adaptateurs LoRA, la parallélisation des tenseurs, l'attention paginée, la fusion de plusieurs modèles, l'attention Flash, les noyaux CUDA précompilés et des techniques de quantification.
OpenLoRA n'est pas seulement un cadre d'inférence efficace, mais fusionne également l'inférence de modèles avec un mécanisme d'incitation Web3 en profondeur, visant à transformer le modèle LoRA en un actif Web3 pouvant être appelé, combiné et partagé. Il prend en charge des modèles en tant qu'actifs, la fusion dynamique de plusieurs LoRA + l'attribution des bénéfices, et des caractéristiques telles que le partage d'inférence multi-locataire pour des modèles à longue traîne.
3.3 Datanets (réseaux de données), de la souveraineté des données à l'intelligence des données
Datanets est l'infrastructure "données comme actifs" d'OpenLedger, utilisée pour collecter et gérer des ensembles de données spécifiques. Chaque Datanet fonctionne comme un entrepôt de données structurées, garantissant la traçabilité et la confiance des données grâce à un mécanisme d'appartenance en chaîne.
Comparé aux projets axés sur la souveraineté des données, OpenLedger construit un cercle complet « de la donnée à l'intelligence » à travers trois modules : Datanets, Model Factory et OpenLoRA, en se concentrant sur la manière dont les données sont entraînées, appelées et récompensées.
3.4 Preuve d'attribution (贡献证明)：Restructurer la couche d'incitation à la répartition des bénéfices
PoA est le mécanisme central mis en œuvre par OpenLedger pour l'attribution des données et la distribution des incitations. Son processus comprend la soumission de données, l'évaluation des impacts, la validation de l'entraînement, la distribution des incitations et la gouvernance de la qualité. PoA n'est pas seulement un outil de distribution des incitations, mais aussi un cadre axé sur la transparence, la traçabilité des sources et l'attribution multi-niveaux.
RAG Attribution est un mécanisme d'attribution et d'incitation des données établi par OpenLedger dans le cadre de RAG, garantissant que le contenu généré par le modèle est traçable et vérifiable, que les contributeurs peuvent être incités, et permettant finalement de générer une confiance et une transparence des données.
Quatre, progrès du projet OpenLedger et coopération écologique
OpenLedger a lancé son réseau de test, la couche d'intelligence des données est la première phase, visant à construire un entrepôt de données Internet piloté par la communauté. Le réseau de test propose trois types de mécanismes de récompense : récompenses pour l'exploitation des nœuds, récompenses pour la contribution de données et récompenses pour la participation aux tâches.
Le testnet Epoch 2 met l'accent sur le mécanisme de réseau de données Datanets, couvrant des tâches telles que la validation des données et la classification. La feuille de route à long terme d'OpenLedger prévoit une transition de la collecte des données et de la construction de modèles vers un écosystème Agent, réalisant progressivement un cycle économique décentralisé de l'IA complet.
Les partenaires écologiques d'OpenLedger couvrent la puissance de calcul, l'infrastructure, la chaîne d'outils et les applications d'IA. Au cours de l'année écoulée, OpenLedger a organisé consécutivement le sommet DeAI Summit, renforçant ainsi sa reconnaissance de marque et sa réputation professionnelle au sein de la communauté des développeurs et de l'écosystème entrepreneurial Web3 AI.
Cinq, financement et contexte de l'équipe
OpenLedger a terminé un financement de 11,2 millions de dollars lors de son tour de seed en juillet 2024, avec des investisseurs comprenant des institutions renommées telles que Polychain Capital, Borderless Capital et plusieurs investisseurs providentiels. Les fonds seront utilisés pour faire avancer la construction du réseau AI Chain, le mécanisme d'incitation des modèles, la couche de données de base et l'écosystème d'applications Agent.
OpenLedger a été fondé par Ram Kumar, un entrepreneur expérimenté dans les domaines de l'IA/ML et de la technologie blockchain, qui a apporté une combinaison organique d'insights de marché, d'expertise technique et de leadership stratégique au projet.
Six, conception et gouvernance du modèle économique des jetons
OPEN est le jeton fonctionnel central de l'écosystème OpenLedger, permettant la gouvernance du réseau, le fonctionnement des transactions, la distribution des incitations et l'exploitation des agents AI. Ses fonctionnalités incluent la gouvernance et la prise de décision, le carburant des transactions et le paiement des frais, les incitations et les récompenses d'appartenance, la capacité de pont inter-chaînes et le mécanisme de mise en jeu des agents AI.
OpenLedger a introduit un mécanisme de gouvernance basé sur la valeur des contributions, où le poids du vote est lié à la valeur réellement créée, plutôt qu'à un simple poids de capital. Ce design contribue à réaliser la durabilité à long terme de la gouvernance et empêche les comportements spéculatifs de dominer les décisions.
Sept, données, modèles et paysage du marché des incitations et comparaison des produits concurrents
OpenLedger occupe une position intermédiaire dans l'écosystème Crypto AI actuel en tant que protocole clé reliant la fourniture de valeur des modèles et leur mise en œuvre, tout en se concentrant sur la "modélisation des actifs en chaîne et l'incitation à l'appel". Par rapport à d'autres projets :
Couche d'incitation au protocole : OpenLedger vs. Bittensor
Attribution du modèle et incitations à l'appel : OpenLedger vs. Sentient
Plateforme d'hébergement de modèles et de raisonnement fiable : OpenLedger vs. OpenGradient
Modèle de crowdfunding et évaluation des incitations : OpenLedger vs. CrunchDAO
Plateforme de modèle léger dirigée par la communauté : OpenLedger vs. Assisterr
Usine de modèles : OpenLedger vs. Pond
Chemin de raisonnement fiable : OpenLedger vs. Bagel
Chemin de collaboration côté données : OpenLedger vs. Sapien / FractionAI / Vana / Irys
Huit, Conclusion | Du données au modèle, le chemin de monétisation de la chaîne AI
OpenLedger s'engage à créer une infrastructure « modèle en tant qu'actif » dans le monde Web3, en construisant un cercle complet qui intègre pour la première fois des modèles d'IA dans un système économique véritablement traçable, monétisable et collaboratif. Son système technologique offre un soutien complet à tous les acteurs impliqués, activant les ressources « données » et « modèles » des deux extrémités de la chaîne de valeur de l'IA qui ont été négligées à long terme.
OpenLedger ressemble plus à HuggingFace + Stripe + Infura dans
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
9 J'aime
Récompense
9
8
Partager
Commentaire
0/400
MeaninglessApe
· Il y a 22h
On recommence à parler d'IA.
Voir l'originalRépondre0
GasFeeLover
· 07-24 05:24
GPT vient encore de tromper l'attention.
Voir l'originalRépondre0
StakeHouseDirector
· 07-24 05:21
Ne pas exagérer avec les vérités sur les médicaments innovants.
Voir l'originalRépondre0
DaoResearcher
· 07-24 05:21
L'ingénieur pro recommande de se référer à la proposition de gouvernance du modèle zkml de vitalik.
Voir l'originalRépondre0
GateUser-e51e87c7
· 07-24 05:15
L'aubergine spatiale est-elle aussi en train de se dérouler ?
Voir l'originalRépondre0
PuzzledScholar
· 07-24 05:11
Avoir une écologie complète en sous-fond, c'est différent.
Voir l'originalRépondre0
LuckyHashValue
· 07-24 05:08
Le grand-père technologique dit qu'il ne comprend rien.
Voir l'originalRépondre0
Anon32942
· 07-24 05:05
Encore un piège, un ancien projet change de déguisement.
OpenLedger construit un nouvel écosystème de chaîne AI pour réaliser l'assetisation des modèles et l'incitation à la valeur des données.
Rapport de recherche approfondi OpenLedger : Construire une économie d'agents intelligents axée sur les données et modulable, basée sur OP Stack + EigenDA
I. Introduction | La transition du niveau de modèle de Crypto AI
Les données, les modèles et la puissance de calcul sont les trois éléments fondamentaux de l'infrastructure AI, aucun ne pouvant être absent. Le domaine de Crypto AI a connu une évolution similaire à celle de l'industrie AI traditionnelle. Début 2024, l'attention du marché se concentre sur les projets de GPU décentralisés, mettant en avant la compétition en matière de puissance de calcul. À partir de 2025, le centre d'intérêt de l'industrie se déplace progressivement vers les couches de modèles et de données, marquant la transition de Crypto AI d'une compétition basée sur les ressources fondamentales à une construction de niveau intermédiaire plus durable et ayant une valeur d'application.
Modèle général (LLM) vs Modèle spécialisé (SLM)
Les modèles de langage traditionnels (LLM) dépendent de grands ensembles de données et d'architectures complexes, avec une échelle de paramètres énorme et des coûts d'entraînement élevés. Les modèles de langage spécialisés (SLM), en revanche, sont basés sur des modèles open source, combinant une petite quantité de données professionnelles de haute qualité et des techniques comme LoRA, permettant de construire rapidement des modèles d'experts dans des domaines spécifiques, tout en réduisant considérablement les coûts d'entraînement et les barrières techniques.
SLM collabore avec LLM via des appels d'agent, un système de routage de plugins, le branchement à chaud de modules LoRA, RAG, etc., préservant ainsi la capacité de large couverture de LLM tout en améliorant les performances spécialisées grâce à des modules de réglage fin, formant un système intelligent modulaire et flexible.
La valeur et les limites de l'IA crypto au niveau du modèle
Les projets Crypto AI ont du mal à améliorer directement les capacités centrales des LLM, principalement en raison des barrières techniques et des limites de l'écosystème open source. Cependant, sur la base de modèles open source, les projets Crypto AI peuvent réaliser une extension de valeur en ajustant finement les SLM et en combinant la vérifiabilité et le mécanisme d'incitation de Web3. Leur valeur fondamentale se manifeste dans deux directions : la couche de vérification fiable et le mécanisme d'incitation.
Analyse de la classification des types de modèles d'IA et de leur applicabilité à la blockchain
Les projets de Crypto AI basés sur des modèles se concentrent principalement sur le réglage fin SLM de petite taille, l'intégration et la validation des données en chaîne dans l'architecture RAG, ainsi que le déploiement local des modèles Edge et les incitations associées. En combinant les caractéristiques de la blockchain, Crypto peut offrir une valeur unique pour ces scénarios de modèles à ressources moyennes et faibles, créant ainsi une valeur différenciée pour la « couche d'interface » de l'IA.
La chaîne blockchain AI basée sur des données et des modèles peut enregistrer de manière claire et immuable l'origine des contributions en données et en modèles, améliorant ainsi la crédibilité et la traçabilité. Grâce au mécanisme de contrat intelligent, une distribution automatique de récompenses est déclenchée chaque fois que des données ou des modèles sont appelés, transformant le comportement de l'IA en valeur tokenisée mesurable et échangeable. Les utilisateurs de la communauté peuvent également participer à la gouvernance par le biais du vote par jetons, perfectionnant ainsi la structure de gouvernance décentralisée.
II. Aperçu du projet | La vision de la chaîne AI d'OpenLedger
OpenLedger est un projet de blockchain AI axé sur les mécanismes d'incitation des données et des modèles. Il propose le concept de « Payable AI », visant à construire un environnement d'exécution AI équitable, transparent et combinable, incitant les différentes parties prenantes à collaborer et à obtenir des revenus sur la chaîne.
OpenLedger propose une boucle fermée complète allant de « la fourniture de données » à « le déploiement de modèles » en passant par « l'appel de partage des bénéfices », avec des modules clés comprenant Model Factory, OpenLoRA, PoA, Datanets et une plateforme de propositions de modèles. Grâce à ces modules, OpenLedger a construit une « infrastructure économique des agents » basée sur des données et des modèles combinables.
Sur la technologie blockchain, OpenLedger utilise OP Stack + EigenDA comme base, fournissant un environnement d'exécution performant, à faible coût et vérifiable pour les modèles d'IA. Il est basé sur la pile technologique Optimism, supporte un haut débit et de faibles frais ; les règlements sont effectués sur le réseau principal Ethereum ; compatible EVM ; EigenDA fournit un support de disponibilité des données.
Comparé à NEAR, qui est plus axé sur les couches inférieures, OpenLedger se concentre davantage sur la construction de chaînes spécifiques à l'IA orientées vers les données et les modèles d'incitation, s'efforçant de réaliser un cycle de valeur traçable, combinable et durable pour le développement et l'appel de modèles sur la chaîne.
Trois, les composants clés et l'architecture technique d'OpenLedger
3.1 Modèle d'usine, modèle d'usine sans code
ModelFactory est une plateforme de fine-tuning LLM sous l'écosystème OpenLedger, offrant une interface d'opération entièrement graphique. Son processus central comprend le contrôle d'accès aux données, la sélection et la configuration des modèles, le fine-tuning léger, l'évaluation et le déploiement des modèles, l'interface de validation interactive et la traçabilité de génération RAG.
ModelFactory prend en charge les principaux modèles de langage open source, tels que les séries LLaMA, Mistral, Qwen, ChatGLM, Deepseek, Gemma, etc. Bien qu'il ne contienne pas les derniers modèles MoE ou multimodaux, il a été configuré avec une approche « pratique d'abord » en fonction des contraintes réelles de déploiement sur la chaîne.
Model Factory en tant qu'outil sans code, tous les modèles intègrent un mécanisme de preuve de contribution, garantissant les droits des participants, avec des avantages de faible barrière à l'entrée, de monétisation et de combinabilité.
3.2 OpenLoRA, la tokenisation des actifs on-chain du modèle de fine-tuning
OpenLoRA est un cadre d'inférence léger construit par OpenLedger, conçu pour résoudre des problèmes tels que les coûts élevés, la faible réutilisation et le gaspillage de ressources dans le déploiement de modèles d'IA. Ses composants clés incluent le module de stockage LoRA Adapter, l'hébergement de modèles et la couche de fusion dynamique, le moteur d'inférence, ainsi que le module de routage des requêtes et de sortie en flux.
OpenLoRA améliore considérablement l'efficacité du déploiement et de l'inférence de plusieurs modèles grâce à une série d'optimisations de bas niveau. Son cœur comprend le chargement dynamique d'adaptateurs LoRA, la parallélisation des tenseurs, l'attention paginée, la fusion de plusieurs modèles, l'attention Flash, les noyaux CUDA précompilés et des techniques de quantification.
OpenLoRA n'est pas seulement un cadre d'inférence efficace, mais fusionne également l'inférence de modèles avec un mécanisme d'incitation Web3 en profondeur, visant à transformer le modèle LoRA en un actif Web3 pouvant être appelé, combiné et partagé. Il prend en charge des modèles en tant qu'actifs, la fusion dynamique de plusieurs LoRA + l'attribution des bénéfices, et des caractéristiques telles que le partage d'inférence multi-locataire pour des modèles à longue traîne.
3.3 Datanets (réseaux de données), de la souveraineté des données à l'intelligence des données
Datanets est l'infrastructure "données comme actifs" d'OpenLedger, utilisée pour collecter et gérer des ensembles de données spécifiques. Chaque Datanet fonctionne comme un entrepôt de données structurées, garantissant la traçabilité et la confiance des données grâce à un mécanisme d'appartenance en chaîne.
Comparé aux projets axés sur la souveraineté des données, OpenLedger construit un cercle complet « de la donnée à l'intelligence » à travers trois modules : Datanets, Model Factory et OpenLoRA, en se concentrant sur la manière dont les données sont entraînées, appelées et récompensées.
3.4 Preuve d'attribution (贡献证明)：Restructurer la couche d'incitation à la répartition des bénéfices
PoA est le mécanisme central mis en œuvre par OpenLedger pour l'attribution des données et la distribution des incitations. Son processus comprend la soumission de données, l'évaluation des impacts, la validation de l'entraînement, la distribution des incitations et la gouvernance de la qualité. PoA n'est pas seulement un outil de distribution des incitations, mais aussi un cadre axé sur la transparence, la traçabilité des sources et l'attribution multi-niveaux.
RAG Attribution est un mécanisme d'attribution et d'incitation des données établi par OpenLedger dans le cadre de RAG, garantissant que le contenu généré par le modèle est traçable et vérifiable, que les contributeurs peuvent être incités, et permettant finalement de générer une confiance et une transparence des données.
Quatre, progrès du projet OpenLedger et coopération écologique
OpenLedger a lancé son réseau de test, la couche d'intelligence des données est la première phase, visant à construire un entrepôt de données Internet piloté par la communauté. Le réseau de test propose trois types de mécanismes de récompense : récompenses pour l'exploitation des nœuds, récompenses pour la contribution de données et récompenses pour la participation aux tâches.
Le testnet Epoch 2 met l'accent sur le mécanisme de réseau de données Datanets, couvrant des tâches telles que la validation des données et la classification. La feuille de route à long terme d'OpenLedger prévoit une transition de la collecte des données et de la construction de modèles vers un écosystème Agent, réalisant progressivement un cycle économique décentralisé de l'IA complet.
Les partenaires écologiques d'OpenLedger couvrent la puissance de calcul, l'infrastructure, la chaîne d'outils et les applications d'IA. Au cours de l'année écoulée, OpenLedger a organisé consécutivement le sommet DeAI Summit, renforçant ainsi sa reconnaissance de marque et sa réputation professionnelle au sein de la communauté des développeurs et de l'écosystème entrepreneurial Web3 AI.
Cinq, financement et contexte de l'équipe
OpenLedger a terminé un financement de 11,2 millions de dollars lors de son tour de seed en juillet 2024, avec des investisseurs comprenant des institutions renommées telles que Polychain Capital, Borderless Capital et plusieurs investisseurs providentiels. Les fonds seront utilisés pour faire avancer la construction du réseau AI Chain, le mécanisme d'incitation des modèles, la couche de données de base et l'écosystème d'applications Agent.
OpenLedger a été fondé par Ram Kumar, un entrepreneur expérimenté dans les domaines de l'IA/ML et de la technologie blockchain, qui a apporté une combinaison organique d'insights de marché, d'expertise technique et de leadership stratégique au projet.
Six, conception et gouvernance du modèle économique des jetons
OPEN est le jeton fonctionnel central de l'écosystème OpenLedger, permettant la gouvernance du réseau, le fonctionnement des transactions, la distribution des incitations et l'exploitation des agents AI. Ses fonctionnalités incluent la gouvernance et la prise de décision, le carburant des transactions et le paiement des frais, les incitations et les récompenses d'appartenance, la capacité de pont inter-chaînes et le mécanisme de mise en jeu des agents AI.
OpenLedger a introduit un mécanisme de gouvernance basé sur la valeur des contributions, où le poids du vote est lié à la valeur réellement créée, plutôt qu'à un simple poids de capital. Ce design contribue à réaliser la durabilité à long terme de la gouvernance et empêche les comportements spéculatifs de dominer les décisions.
Sept, données, modèles et paysage du marché des incitations et comparaison des produits concurrents
OpenLedger occupe une position intermédiaire dans l'écosystème Crypto AI actuel en tant que protocole clé reliant la fourniture de valeur des modèles et leur mise en œuvre, tout en se concentrant sur la "modélisation des actifs en chaîne et l'incitation à l'appel". Par rapport à d'autres projets :
Huit, Conclusion | Du données au modèle, le chemin de monétisation de la chaîne AI
OpenLedger s'engage à créer une infrastructure « modèle en tant qu'actif » dans le monde Web3, en construisant un cercle complet qui intègre pour la première fois des modèles d'IA dans un système économique véritablement traçable, monétisable et collaboratif. Son système technologique offre un soutien complet à tous les acteurs impliqués, activant les ressources « données » et « modèles » des deux extrémités de la chaîne de valeur de l'IA qui ont été négligées à long terme.
OpenLedger ressemble plus à HuggingFace + Stripe + Infura dans