Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA

Один. Введение | Модельный слой Crypto AI

Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель) и энергии (вычислительная мощность), которые нельзя игнорировать. Похожим образом, как и в традиционной индустрии ИИ, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок в значительной степени был поделен между децентрализованными проектами GPU, которые в основном подчеркивали логику неэкономного роста "борьбы за вычислительную мощность". Однако к 2025 году внимание отрасли постепенно смещается к уровням моделей и данных, что знаменует собой переход Crypto AI от конкуренции за базовые ресурсы к более устойчивой и имеющей прикладную ценность среднесрочной конструкции.

Универсальная большая модель (LLM) против специализированной модели (SLM)

Традиционные крупные языковые модели (LLM) сильно зависят от больших наборов данных и сложной распределенной архитектуры, объем параметров часто составляет от 70B до 500B, а стоимость одной тренировки может достигать нескольких миллионов долларов. В то время как SLM (Специализированная языковая модель) представляет собой легковесный подход к тонкой настройке на основе повторно используемой базовой модели, обычно основанной на открытых моделях, сочетая небольшое количество высококачественных специализированных данных и технологии, такие как LoRA, для быстрого создания экспертных моделей с определенными знаниями в области, что значительно снижает затраты на обучение и технические барьеры.

Следует отметить, что SLM не будет интегрирован в веса LLM, а будет взаимодействовать с LLM через архитектуру Agent, динамическую маршрутизацию с помощью плагинной системы, горячую замену модулей LoRA и RAG (улучшенная генерация на основе поиска). Эта архитектура сохраняет широкие возможности LLM и одновременно усиливает профессиональную производительность с помощью тонкой настройки модулей, образуя высоко гибкую комбинированную интеллектуальную систему.

Ценность и границы Crypto AI на уровне моделей

Проекты Crypto AI по своей сути сложно напрямую улучшить основные способности больших языковых моделей (LLM), основная причина заключается в том,

• Технический порог слишком высок: объем данных, вычислительные ресурсы и инженерные навыки, необходимые для обучения базовой модели, крайне велики. В настоящее время только такие технологические гиганты, как США и Китай, обладают соответствующими возможностями.
• Ограничения открытой экосистемы: хотя основные модели с открытым исходным кодом уже доступны, ключевой фактор, способствующий прорыву моделей, по-прежнему сосредоточен в научных учреждениях и закрытых инженерных системах, а участие блокчейн-проектов на уровне основных моделей ограничено.

Однако на основе открытых моделей, проекты Crypto AI все еще могут реализовать расширение ценности с помощью тонкой настройки специализированных языковых моделей (SLM) и сочетания проверяемости и механизмов стимулирования Web3. В качестве "периферийного интерфейсного слоя" цепочки поставок ИИ это проявляется в двух основных направлениях:

• Доверенный уровень проверки: через записи на цепи о пути генерации модели, вкладе данных и их использовании укрепляется прослеживаемость и стойкость к подделке выводов ИИ.
• Механизм стимулов: Используя родной токен, для стимулирования таких действий, как загрузка данных, вызов модели и выполнение агентом (Agent), создается положительный цикл обучения модели и обслуживания.

Анализ классификации типов AI моделей и их применимости в блокчейне

Таким образом, можно увидеть, что жизнеспособные направления моделей типа Crypto AI в основном сосредоточены на легкой настройке небольших SLM, интеграции и верификации данных на цепочке с использованием архитектуры RAG, а также на локальном развертывании и стимулировании Edge моделей. В сочетании с верифицируемостью блокчейна и механизмом токенов, Crypto может предоставить уникальную ценность для этих сценариев моделей со средними и низкими ресурсами, создавая дифференцированную ценность "интерфейсного слоя" AI.

Блокчейн AI цепь на основе данных и моделей может четко и необратимо фиксировать источники вкладов каждой записи данных и модели, значительно повышая доверие к данным и прослеживаемость обучения модели. В то же время, благодаря механизму смарт-контрактов, при вызове данных или модели автоматически запускается распределение вознаграждений, превращая поведение AI в измеримую, торгуемую токенизированную ценность и создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели путем голосования токенами, участвовать в разработке и итерации правил, улучшая архитектуру децентрализованного управления.

! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-62b3fa1e810f4772aaba3d91c74c1aa6)

Два, обзор проекта | Видение AI Chain OpenLedger

OpenLedger является одним из немногих блокчейн AI проектов на текущем рынке, который сосредоточен на механизмах стимулирования данных и моделей. Он первым предложил концепцию "Payable AI", которая направлена на создание справедливой, прозрачной и комбинируемой среды для работы AI, стимулируя участников, предоставляющих данные, разработчиков моделей и создателей AI приложений, к сотрудничеству на одной платформе и получению дохода на основе фактического вклада.

OpenLedger предоставляет полный цепной замкнутый цикл от "предоставления данных" до "развертывания модели" и "вызова распределения прибыли", его основные модули включают:

• Модельный завод: не требуется программирование, можно использовать LoRA для настройки и развертывания пользовательских моделей на основе открытых LLM;
• OpenLoRA: поддержка совместного использования тысяч моделей, динамическая загрузка по мере необходимости, значительное снижение затрат на развертывание;
• PoA (Доказательство атрибуции): измерение вклада и распределение вознаграждений через запись вызовов в блокчейне;
• Datanets: Структурированные сетевые данные, ориентированные на вертикальные сценарии, создаваемые и проверяемые сообществом;
• Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый и оплачиваемый рынок моделей на блокчейне.

С помощью вышеуказанных модулей OpenLedger создала «инфраструктуру экономического агента», основанную на данных и комбинируемую по моделям, способствующую ончейн-реализации цепочки создания стоимости ИИ.

А в применении технологии блокчейна OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду выполнения данных и контрактов для моделей ИИ.

• Построено на базе OP Stack: основано на технологии Optimism, поддерживает высокую пропускную способность и низкие затраты на выполнение;
• Расчет в основной сети Ethereum: Обеспечение безопасности транзакций и целостности активов;
• Совместимость с EVM: удобство для разработчиков быстро развертывать и расширять на основе Solidity;
• EigenDA предоставляет поддержку доступности данных: значительно снижает стоимость хранения, обеспечивает проверяемость данных.

По сравнению с NEAR, который более ориентирован на уровень базовых технологий и акцентирует внимание на суверенитете данных и архитектуре "AI Agents on BOS", OpenLedger больше сосредоточен на создании специализированной цепи для ИИ, направленной на стимулы для данных и моделей, стремясь обеспечить возможность отслеживания, комбинирования и устойчивой ценности в разработке и использовании моделей на блокчейне. Это инфраструктура для стимулов моделей в мире Web3, которая сочетает в себе хостинг моделей, биллинг за использование и комбинируемые интерфейсы на блокчейне, продвигая путь реализации "модель как актив".

! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-19c2276fccc616ccf9260fb7e35c9c24)

Три, основные компоненты и технологическая архитектура OpenLedger

3.1 Модельный завод, не требующий кода модельный завод

ModelFactory — это крупная платформа для тонкой настройки языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков для тонкой настройки, ModelFactory предлагает чисто графический интерфейс, не требующий командной строки или интеграции API. Пользователи могут настраивать модели на основе наборов данных, получивших авторизацию и проверку на OpenLedger. Реализован интегрированный рабочий процесс авторизации данных, обучения моделей и развертывания, в который входят основные процессы:

• Контроль доступа к данным: Пользователь отправляет запрос на данные, провайдер проверяет и одобряет, данные автоматически подключаются к интерфейсу обучения модели.
• Выбор и настройка модели: поддержка популярных LLM (таких как LLaMA, Mistral), настройка гиперпараметров через GUI.
• Легкая настройка: встроенный движок LoRA / QLoRA, отображающий процесс обучения в реальном времени.
• Оценка и развертывание модели: встроенные инструменты оценки, поддерживающие экспорт развертывания или совместное использование вызовов в экосистеме.
• Интерфейс взаимодействия для проверки: предоставляет чат-интерфейс, удобный для непосредственного тестирования возможностей модели по вопросам и ответам.
• Генерация RAG-трассировки: Ответы с ссылками на источники, повышающие доверие и возможность аудита.

Архитектура системы Model Factory включает шесть основных модулей, охватывающих идентификацию, управление данными, тонкую настройку моделей, оценку развертывания и RAG отслеживание, создавая безопасную и контролируемую, интерактивную в реальном времени и устойчивую к монетизации интегрированную платформу модельных услуг.

! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-f23f47f09226573b1fcacebdcfb8c1f3)

Модельная фабрика в настоящее время поддерживает следующие возможности крупных языковых моделей:

• Серия LLaMA: самая широкая экосистема, активное сообщество, универсальная производительность, является одной из самых популярных открытых базовых моделей на данный момент.
• Mistral: Архитектура эффективна, производительность вывода отличная, подходит для гибкого развертывания в условиях ограниченных ресурсов.
• Qwen: продукт Alibaba, отлично справляется с китайскими задачами, обладает высокой综合能力, подходит для выбора отечественными разработчиками.
• ChatGLM: выдающие результаты на китайском языке, подходит для специализированного обслуживания клиентов и локализованных сценариев.
• Deepseek：обладает превосходством в генерации кода и математическом выводе, подходит для инструментов поддержки интеллектуальной разработки.
• Gemma: Легкая модель, разработанная Google, с четкой структурой, простая в быстром освоении и экспериментах.
• Falcon：Ранее был эталоном производительности, подходит для базовых исследований или сравнительных тестов, но активность сообщества снизилась.
• BLOOM: поддержка множества языков хорошая, но производительность вывода слабая, подходит для исследований с охватом языков.
• GPT-2: Классическая ранняя модель, подходит только для учебных и проверочных целей, не рекомендуется для реального развертывания.

Хотя модельный набор OpenLedger не включает в себя последние высокопроизводительные модели MoE или многомодальные модели, его стратегия не устарела, а основывается на «приоритетах практичности», учитывающих реальные ограничения, связанные с развертыванием в цепочке (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).

Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, что обеспечивает защиту прав участников данных и разработчиков моделей, обладает низким порогом, возможностью монетизации и комбинации, по сравнению с традиционными инструментами разработки моделей:

• Для разработчиков: предоставление полного пути к инкубации, распределению и доходам модели;
• Для платформы: формирование модели циркуляции активов и комбинации экосистемы;
• Для пользователей: можно комбинировать модели или Агентов так же, как при вызове API.

! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-909dc3f796ad6aa44a1c97a51ade4193)

3.2 OpenLoRA,资产化 модели тонкой настройки на блокчейне

LoRA (Low-Rank Adaptation) — это эффективный метод тонкой настройки параметров, который позволяет изучать новые задачи, вставляя "низкоранговые матрицы" в предварительно обученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранению. Традиционные большие языковые модели (такие как LLaMA, GPT-3) обычно имеют десятки миллиардов или даже сотни миллиардов параметров. Чтобы использовать их для конкретных задач (например, правовых вопросов, медицинских консультаций), необходимо проводить тонкую настройку. Основная стратегия LoRA заключается в том, чтобы: "заморозить параметры оригинальной большой модели и обучать только вставленные новые параметрические матрицы." Это эффективно по параметрам, быстро в обучении и гибко в развертывании, что делает его самым подходящим методом тонкой настройки для развертывания и комбинированного вызова моделей Web3.

OpenLoRA — это легковесный фреймворк для вывода, разработанный OpenLedger, специально предназначенный для развертывания нескольких моделей и совместного использования ресурсов. Его основной целью является решение распространенных проблем, связанных с развертыванием AI-моделей, таких как высокие затраты, низкая повторная использование и растрата ресурсов GPU, а также продвижение реализации "оплачиваемого ИИ" (Payable AI).

OpenLoRA системная архитектура ключевых компонентов, основанная на модульном дизайне, охватывает ключевые этапы, такие как хранение моделей, выполнение вывода, маршрутизация запросов и обеспечивает эффективные и экономически выгодные возможности развертывания и вызова нескольких моделей:

• Модуль хранения LoRA Adapter (LoRA Adapters Storage): Подправленный LoRA adapter размещается на OpenLedger, обеспечивая загрузку по мере необходимости, избегая предварительной загрузки всех моделей в видеопамять, что экономит ресурсы.
• Моделирование хостинга и динамический слой слияния (Model Hosting & Adapter Merging Layer): Все модели настройки используют базовую модель (base model), динамическое слияние LoRA адаптера во время вывода, поддержка нескольких адаптеров.