OpenLedger Kedalaman Riset: Membangun ekonomi agen yang didorong oleh data dan dapat dikombinasikan model dengan dasar OP Stack+EigenDA

I. Pendahuluan | Lompatan lapisan model Crypto AI

Data, model, dan kekuatan komputasi adalah tiga elemen inti infrastruktur AI, yang dapat dianalogikan dengan bahan bakar (data), mesin (model), dan energi (kekuatan komputasi) yang tidak dapat dipisahkan. Mirip dengan jalur evolusi infrastruktur industri AI tradisional, bidang Crypto AI juga telah melalui tahap yang serupa. Pada awal 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi, yang secara umum menekankan logika pertumbuhan yang kasar "meningkatkan kekuatan komputasi". Namun, memasuki tahun 2025, perhatian industri secara bertahap beralih ke lapisan model dan data, menandakan bahwa Crypto AI sedang beralih dari kompetisi sumber daya dasar menuju pembangunan lapisan menengah yang lebih berkelanjutan dan bernilai aplikasi.

Model Besar Umum (LLM) vs Model Spesifik (SLM)

Model bahasa besar tradisional (LLM) sangat bergantung pada dataset besar dan arsitektur terdistribusi yang kompleks, dengan skala parameter sering kali mencapai 70B hingga 500B, dan biaya pelatihan sekali bisa mencapai jutaan dolar. Sementara itu, SLM (Model Bahasa Khusus) sebagai paradigma penyesuaian ringan model dasar yang dapat digunakan kembali, biasanya didasarkan pada model sumber terbuka, menggabungkan sejumlah kecil data profesional berkualitas tinggi dan teknologi seperti LoRA, untuk dengan cepat membangun model ahli yang memiliki pengetahuan di bidang tertentu, secara signifikan mengurangi biaya pelatihan dan ambang teknis.

Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, melainkan berfungsi melalui pemanggilan arsitektur Agent, sistem plugin untuk routing dinamis, hot-plug modul LoRA, dan RAG (Retrieval-Augmented Generation) untuk berkolaborasi dan beroperasi dengan LLM. Arsitektur ini tidak hanya mempertahankan kemampuan jangkauan luas LLM, tetapi juga memperkuat kinerja profesional melalui modul fine-tuning, membentuk sistem kecerdasan kombinasi yang sangat fleksibel.

Crypto AI di lapisan model nilai dan batasan

Proyek Crypto AI pada dasarnya sulit untuk secara langsung meningkatkan kemampuan inti dari model bahasa besar (LLM), penyebab utamanya adalah

• Ambang teknologi terlalu tinggi: Skala data, sumber daya komputasi, dan kemampuan rekayasa yang diperlukan untuk melatih Model Foundation sangat besar, saat ini hanya perusahaan teknologi besar seperti Amerika Serikat dan Tiongkok yang memiliki kemampuan tersebut.
• Keterbatasan ekosistem sumber terbuka: Meskipun model dasar utama telah menjadi sumber terbuka, kunci untuk mendorong terobosan model masih terfokus pada lembaga penelitian dan sistem rekayasa tertutup, proyek di blockchain memiliki ruang partisipasi yang terbatas pada lapisan model inti.

Namun, di atas model dasar sumber terbuka, proyek Crypto AI masih dapat memperluas nilai melalui pemodelan bahasa yang disesuaikan (SLM), dan menggabungkan verifikasi dan mekanisme insentif Web3. Sebagai "lapisan antarmuka perifer" dari rantai industri AI, diwujudkan dalam dua arah inti:

• Lapisan verifikasi yang dapat dipercaya: Meningkatkan ketertelusuran dan ketahanan terhadap manipulasi keluaran AI dengan merekam jalur generasi model, kontribusi data, dan penggunaan di blockchain.
• Mekanisme insentif: Menggunakan Token asli untuk mendorong perilaku seperti pengunggahan data, pemanggilan model, dan pelaksanaan agen (Agent), membangun siklus positif pelatihan dan layanan model.

Analisis Kelayakan Tipe Model AI dan Blockchain

Dari sini dapat dilihat bahwa titik jatuh yang layak untuk proyek Crypto AI berbasis model terutama terfokus pada penyesuaian ringan SLM kecil, pengintegrasian dan verifikasi data on-chain dari arsitektur RAG, serta penerapan lokal dan insentif untuk model Edge. Menggabungkan verifikasi blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model sumber daya menengah dan rendah ini, membentuk nilai diferensiasi dari "lapisan antarmuka" AI.

Blockchain AI chain berbasis data dan model dapat mencatat sumber kontribusi setiap data dan model dengan jelas dan tidak dapat diubah, secara signifikan meningkatkan kredibilitas data dan keterlacakan pelatihan model. Selain itu, melalui mekanisme kontrak pintar, saat data atau model dipanggil, distribusi hadiah akan dipicu secara otomatis, mengubah perilaku AI menjadi nilai tokenisasi yang terukur dan dapat diperdagangkan, membangun sistem insentif yang berkelanjutan. Selain itu, pengguna komunitas juga dapat mengevaluasi kinerja model melalui pemungutan suara token, berpartisipasi dalam penetapan dan iterasi aturan, serta menyempurnakan struktur pemerintahan terdesentralisasi.

Dua, Ringkasan Proyek | Visi Rantai AI OpenLedger

OpenLedger adalah salah satu proyek blockchain AI yang saat ini fokus pada mekanisme insentif data dan model. Ini adalah yang pertama mengusulkan konsep "Payable AI", yang bertujuan untuk membangun lingkungan operasional AI yang adil, transparan, dan dapat dikombinasikan, mendorong kontributor data, pengembang model, dan pembangun aplikasi AI untuk berkolaborasi di platform yang sama, dan mendapatkan pendapatan on-chain berdasarkan kontribusi nyata.

OpenLedger menyediakan rantai penuh dari "penyediaan data" hingga "penempatan model" dan "panggilan pembagian keuntungan", dengan modul inti yang mencakup:

• Model Factory: Tanpa perlu pemrograman, Anda dapat menggunakan LoRA untuk pelatihan dan penyebaran model kustom berbasis LLM sumber terbuka;
• OpenLoRA: mendukung co-existence ribuan model, memuat secara dinamis sesuai kebutuhan, secara signifikan mengurangi biaya penerapan;
• PoA (Proof of Attribution): Mengukur kontribusi dan distribusi hadiah melalui catatan panggilan di blockchain;
• Datanets: Jaringan data terstruktur yang ditujukan untuk skenario vertikal, dibangun dan diverifikasi melalui kolaborasi komunitas;
• Platform Proposal Model (Model Proposal Platform): pasar model on-chain yang dapat digabungkan, dipanggil, dan dibayar.

Melalui modul di atas, OpenLedger membangun "infrastruktur ekonomi agen cerdas" yang didorong oleh data dan dapat dikombinasikan dengan model, mendorong on-chain dari rantai nilai AI.

Dan dalam adopsi teknologi blockchain, OpenLedger menggunakan OP Stack + EigenDA sebagai dasar, untuk membangun lingkungan operasi data dan kontrak yang berkinerja tinggi, biaya rendah, dan dapat diverifikasi untuk model AI.

• Dibangun di atas OP Stack: Berdasarkan tumpukan teknologi Optimism, mendukung throughput tinggi dan biaya eksekusi rendah;
• Menyelesaikan di jaringan utama Ethereum: Memastikan keamanan transaksi dan integritas aset;
• EVM kompatibel: Memudahkan pengembang untuk dengan cepat menerapkan dan memperluas berdasarkan Solidity;
• EigenDA menyediakan dukungan ketersediaan data: secara signifikan mengurangi biaya penyimpanan, menjamin verifikasi data.

Dibandingkan dengan NEAR yang lebih berfokus pada lapisan dasar, mengedepankan kedaulatan data dan arsitektur "AI Agents on BOS", OpenLedger lebih fokus pada pembangunan rantai khusus AI yang ditujukan untuk insentif data dan model, berkomitmen untuk membuat pengembangan dan pemanggilan model dapat direkam, dapat dikombinasikan, dan memiliki siklus nilai yang berkelanjutan di atas rantai. Ini adalah infrastruktur insentif model dalam dunia Web3, menggabungkan hosting model, penagihan penggunaan, dan antarmuka kombinasi di atas rantai, mendorong jalur realisasi "model sebagai aset".

Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger

3.1 Model Factory, tanpa kode model pabrik

ModelFactory adalah platform penyetelan model bahasa besar (LLM) di bawah ekosistem OpenLedger. Berbeda dengan kerangka penyetelan tradisional, ModelFactory menyediakan antarmuka grafis murni untuk operasi, tanpa memerlukan alat baris perintah atau integrasi API. Pengguna dapat melakukan penyetelan model berdasarkan dataset yang telah disetujui dan diaudit di OpenLedger. Ini mewujudkan alur kerja terintegrasi untuk otorisasi data, pelatihan model, dan penyebaran, dengan proses inti meliputi:

• Kontrol akses data: Pengguna mengajukan permintaan data, penyedia meninjau dan menyetujui, data secara otomatis terhubung ke antarmuka pelatihan model.
• Pemilihan dan Konfigurasi Model: Mendukung LLM utama (seperti LLaMA, Mistral), melalui GUI untuk mengonfigurasi hyperparameter.
• Penyesuaian ringan: Mesin LoRA / QLoRA bawaan, menampilkan kemajuan pelatihan secara real-time.
• Evaluasi dan Penempatan Model: Alat evaluasi bawaan, mendukung ekspor penempatan atau panggilan berbagi ekosistem.
• Antarmuka verifikasi interaktif: Menyediakan antarmuka percakapan, memudahkan pengujian langsung kemampuan tanya jawab model.
• RAG menghasilkan pelacakan sumber: Menjawab dengan kutipan sumber, meningkatkan kepercayaan dan dapat diaudit.

Arsitektur sistem Model Factory terdiri dari enam modul, mencakup autentikasi identitas, hak akses data, penyesuaian model, evaluasi penerapan, dan pelacakan RAG, menciptakan platform layanan model terintegrasi yang aman, terkontrol, interaktif secara real-time, dan dapat menghasilkan secara berkelanjutan.

ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:

• Seri LLaMA: Ekosistem yang paling luas, komunitas yang aktif, dan kinerja umum yang kuat, adalah salah satu model dasar sumber terbuka yang paling utama saat ini.
• Mistral: Arsitektur efisien, kinerja inferensi sangat baik, cocok untuk skenario yang fleksibel dan sumber daya terbatas.
• Qwen: Produk dari Alibaba, kinerja tugas dalam bahasa Mandarin sangat baik, kemampuan komprehensif yang kuat, cocok sebagai pilihan utama bagi pengembang dalam negeri.
• ChatGLM: Efek percakapan dalam bahasa Mandarin sangat menonjol, cocok untuk layanan pelanggan vertikal dan skenario lokalisasi.
• Deepseek: Unggul dalam pengkodean dan penalaran matematis, cocok untuk alat bantuan pengembangan cerdas.
• Gemma: Model ringan yang diluncurkan oleh Google, dengan struktur yang jelas, mudah untuk cepat dipahami dan dieksplorasi.
• Falcon: Pernah menjadi tolok ukur kinerja, cocok untuk penelitian dasar atau pengujian perbandingan, tetapi tingkat keaktifan komunitas telah menurun.
• BLOOM: Dukungan multibahasa yang kuat, tetapi kinerja inferensi relatif lemah, cocok untuk penelitian yang mencakup berbagai bahasa.
• GPT-2: Model klasik awal, hanya cocok untuk tujuan pengajaran dan verifikasi, tidak disarankan untuk digunakan dalam penerapan nyata.

Meskipun kombinasi model OpenLedger tidak mencakup model MoE berkinerja tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan merupakan konfigurasi "prioritas praktis" yang didasarkan pada batasan realitas yang dideploy di blockchain (biaya inferensi, adaptasi RAG, kompatibilitas LoRA, lingkungan EVM).

Model Factory sebagai alat tanpa kode, semua model dilengkapi dengan mekanisme bukti kontribusi, memastikan hak-hak kontributor data dan pengembang model, memiliki keunggulan ambang rendah, dapat dimonetisasi dan dapat digabungkan, dibandingkan dengan alat pengembangan model tradisional:

• Untuk pengembang: Menyediakan jalur lengkap untuk inkubasi model, distribusi, dan pendapatan;
• Untuk platform: membentuk sirkulasi aset model dan ekosistem kombinasi;
• Untuk pengguna: Anda dapat menggabungkan penggunaan model atau Agen seperti memanggil API.

3.2 OpenLoRA, aset on-chain dari model fine-tuning

LoRA (Low-Rank Adaptation) adalah metode penyesuaian parameter yang efisien, yang mempelajari tugas baru dengan menyisipkan "matriks peringkat rendah" ke dalam model besar yang telah dilatih sebelumnya, tanpa mengubah parameter model asli, sehingga secara signifikan mengurangi biaya pelatihan dan kebutuhan penyimpanan. Model bahasa besar tradisional (seperti LLaMA, GPT-3) biasanya memiliki puluhan miliar bahkan ratusan miliar parameter. Untuk menggunakannya dalam tugas tertentu (seperti tanya jawab hukum, konsultasi medis), perlu dilakukan penyesuaian (fine-tuning). Strategi inti LoRA adalah: "membekukan parameter model besar asli, hanya melatih matriks parameter baru yang disisipkan." Parameter ini efisien, pelatihan cepat, dan penerapan fleksibel, merupakan metode penyesuaian utama yang paling cocok untuk penerapan dan pemanggilan kombinasi model Web3 saat ini.

OpenLoRA adalah kerangka inferensi ringan yang dibangun oleh OpenLedger, dirancang khusus untuk penyebaran multi-model dan berbagi sumber daya. Tujuan utamanya adalah untuk mengatasi masalah umum dalam penyebaran model AI saat ini, seperti biaya tinggi, rendahnya penggunaan kembali, dan pemborosan sumber daya GPU, serta mempromosikan pelaksanaan "AI yang dapat dibayar" (Payable AI).

Komponen inti arsitektur sistem OpenLoRA, berdasarkan desain modular, mencakup penyimpanan model, pelaksanaan inferensi, pengalihan permintaan, dan aspek kunci lainnya, untuk mencapai kemampuan penyebaran dan pemanggilan multi-model yang efisien dan biaya rendah:

• Modul Penyimpanan LoRA Adapter (LoRA Adapters Storage): LoRA adapter yang telah disesuaikan dihosting di OpenLedger, memungkinkan pemuatan sesuai permintaan, menghindari pemuatan semua model ke dalam memori grafis, menghemat sumber daya.
• Model Hosting dan Layer Penggabungan Adapter (Model Hosting & Adapter Merging Layer): Semua model fine-tuning berbagi model dasar (base model), penggabungan dinamis adapter LoRA saat inferensi, mendukung beberapa adapter.