OpenLedger Derinlik Araştırması: OP Stack + EigenDA temeliyle, veri odaklı, model kombinasyonlu bir akıllı ekonomi inşa etmek

I. Giriş | Crypto AI'nin model katmanı geçişi

Veri, model ve hesaplama gücü, AI altyapısının üç ana temel unsuru olup, yakıt (veri), motor (model) ve enerji (hesaplama gücü) ile karşılaştırılabilir ve hiçbiri eksik olamaz. Geleneksel AI endüstrisinin altyapı evrimi yoluna benzer şekilde, Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başlarında, piyasa merkeziyetsiz GPU projeleri tarafından bir süre yönlendirilmiş olup, yaygın olarak "hesaplama gücü yarışına" dayalı genişleme mantığını vurgulamıştır. Ancak 2025 yılına girildiğinde, sektörün odak noktası yavaş yavaş model ve veri katmanına kaymaya başlamış, bu da Crypto AI'nın alt düzey kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta düzey inşa sürecine geçişini işaret etmektedir.

Genel Büyük Model (LLM) vs Spesifik Model (SLM)

Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere büyük ölçüde bağımlıdır; parametre ölçekleri genellikle 70B ile 500B arasında değişir ve bir kez eğitim maliyeti genellikle milyonlarca dolara ulaşır. SLM (Özelleşmiş Dil Modeli) ise, tekrar kullanılabilir bir temel modelin hafif ince ayar paradigması olarak, genellikle açık kaynak modellerine dayanmaktadır; az sayıda yüksek kaliteli uzman verisi ve LoRA gibi tekniklerle bir araya gelerek, belirli bir alanda bilgiye sahip uzman modelleri hızlı bir şekilde inşa etmekte ve eğitim maliyetlerini ve teknik engelleri önemli ölçüde azaltmaktadır.

Dikkate değer olan, SLM'nin LLM ağırlıklarına entegre edilmeyeceği, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirmeleri, LoRA modülü sıcak takılabilirliği, RAG (geri alma artırıcı üretim) gibi yöntemlerle LLM ile işbirliği içinde çalışacağıdır. Bu mimari, LLM'nin geniş kapsamlı yeteneğini korurken, ince ayar modülü aracılığıyla profesyonel performansı artırarak yüksek derecede esnek kombinasyon akıllı sistemler oluşturur.

Crypto AI'nin model katmanındaki değeri ve sınırları

Kripto AI projeleri esasen büyük dil modellerinin (LLM) temel yeteneklerini doğrudan artırmakta zorluk yaşamaktadır, bunun ana nedeni şudur:

• Teknik engel çok yüksek: Foundation Model'i eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik yetenekleri son derece büyük; şu anda yalnızca ABD ve Çin gibi teknoloji devlerinin bu yeteneklere sahip olduğu görülmektedir.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modeller açık kaynak olsa da, model atılımlarını gerçekten yönlendiren anahtar hâlâ araştırma kuruluşları ve kapalı kaynak mühendislik sistemlerinde yoğunlaşmıştır, zincir üzerindeki projelerin temel model katmanında katılım alanı sınırlıdır.

Ancak, açık kaynak temel modellerinin üzerinde, Crypto AI projeleri, özel dil modellerini (SLM) ince ayar yaparak ve Web3'ün doğrulanabilirliği ve teşvik mekanizmalarını birleştirerek değer uzantısı sağlayabilir. AI endüstri zincirinin "kenar arayüz katmanı" olarak, iki ana yönde kendini göstermektedir:

• Güvenilir Doğrulama Katmanı: Model oluşturma yollarının, veri katkılarının ve kullanım durumlarının zincir üzerindeki kayıtları aracılığıyla AI çıktılarının izlenebilirliğini ve değiştirilmesine karşı dayanıklılığını artırır.
• Teşvik Mekanizması: Yerel Token'ı kullanarak veri yükleme, model çağrısı, akıllı ajan (Agent) yürütme gibi eylemleri teşvik etmek, model eğitimi ve hizmeti için olumlu bir döngü oluşturmak.

AI model türleri sınıflandırması ve blockchain uygunluk analizi

Bu nedenle, model türü Crypto AI projelerinin uygulanabilir noktaları, esasen küçük SLM'nin hafif ayarlanması, RAG mimarisinin zincir üzerindeki veri erişimi ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerine yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile birleştirildiğinde, Crypto, bu orta ve düşük kaynaklı model senaryolarına özgü bir değer sağlayabilir ve AI "arayüz katmanı" için farklılaşmış bir değer oluşturabilir.

Veri ve modele dayalı blok zinciri AI ağı, her bir veri ve modelin katkı kaynaklarını net, değiştirilemez bir şekilde kaydedebilmekte, veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırmaktadır. Aynı zamanda, akıllı sözleşme mekanizması sayesinde, veri veya model kullanıldığında otomatik olarak ödül dağıtımını tetikleyerek AI davranışını ölçülebilir, ticarete konu olabilen token değerine dönüştürmekte ve sürdürülebilir bir teşvik sistemi oluşturulmaktadır. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirebilir, kuralların belirlenmesi ve iterasyona katılabilir, merkezi olmayan yönetişim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'in AI zincir vizyonu

OpenLedger, veriler ve modellerin teşvik mekanizmalarına odaklanan mevcut pazardaki az sayıdaki blockchain AI projelerinden biridir. "Ödenebilir AI" kavramını ilk kez önererek, veri katkıcıları, model geliştiricileri ve AI uygulama inşaatçılarını aynı platformda işbirliği yapmaya teşvik eden, adil, şeffaf ve bir araya getirilebilir bir AI çalışma ortamı oluşturmayı amaçlamaktadır ve gerçek katkılara dayalı olarak zincir üzerindeki kazançları elde etmelerini sağlamaktadır.

OpenLedger, "veri sağlama"dan "model dağıtımına" ve "kâr paylaşımının çağrılmasına" kadar tam bir zincir kapalı döngü sunar. Temel modülleri şunlardır:

• Model Fabrikası: Programlama gerektirmeden, açık kaynak LLM temelinde LoRA ile ince ayar eğitimi yapabilir ve özelleştirilmiş modelleri dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin bir arada bulunmasını destekler, ihtiyaç duyuldukça dinamik olarak yüklenir, dağıtım maliyetlerini önemli ölçüde düşürür;
• PoA (Atıf Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağıtımı sağlanır;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk iş birliği ile inşa edilmekte ve doğrulanmaktadır;
• Model Teklif Platformu (Model Proposal Platform): Kombine edilebilir, çağrılabilir ve ödenebilir zincir üzerindeki model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger, veri odaklı ve modelin birleştirilebilir olduğu bir "akıllı ajanın ekonomik altyapısını" inşa etti ve AI değer zincirinin zincir üzerinde gerçekleştirilmesini sağladı.

Ve blockchain teknolojisi benimsemesinde, OpenLedger, OP Stack + EigenDA'yı temel alarak AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir bir veri ve sözleşme çalışma ortamı inşa etti.

• OP Stack üzerine inşa edilmiş: Optimism teknoloji yığınına dayanarak, yüksek işlem hacmi ve düşük maliyetli yürütmeyi destekler;
• Ethereum ana ağında yerleşim: İşlem güvenliği ve varlık bütünlüğünü sağlamak;
• EVM uyumlu: Geliştiricilerin Solidity tabanlı hızlı dağıtım ve genişletme yapmalarını kolaylaştırır;
• EigenDA, veri kullanılabilirliği desteği sağlar: depolama maliyetlerini önemli ölçüde azaltır ve verinin doğrulanabilirliğini garanti eder.

NEAR gibi daha çok altyapıya odaklanan, veri egemenliği ve "AI Agents on BOS" mimarisi sunan genel AI zincirlerine kıyasla, OpenLedger daha çok veri ve model teşvikine yönelik AI özel zincirleri inşa etmeye odaklanmaktadır. Model geliştirme ve çağırma süreçlerinin zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü sağlaması için çalışmaktadır. Web3 dünyasında model teşvik altyapısıdır; model barındırma, kullanım ücretlendirmesi ve zincir üzerindeki birleştirilebilir arayüzler ile "model varlık olarak" gerçekleştirme yolunu desteklemektedir.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknik Mimarisi

3.1 Model Fabrikası, kod gerektirmeyen model fabrikası

ModelFactory, OpenLedger ekosistemi altında bulunan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinden farklı olarak, ModelFactory tamamen grafik arayüzü sunar ve komut satırı araçlarına veya API entegrasyonuna ihtiyaç duymaz. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve onaylanmış veri setlerine dayanarak modellerini ince ayar yapabilirler. Veri yetkilendirmesi, model eğitimi ve dağıtımını kapsayan entegre bir iş akışı gerçekleştirilmiştir; ana süreçler şunları içerir:

• Veri erişim kontrolü: Kullanıcı veri talebi gönderir, sağlayıcı onaylar, veri otomatik olarak model eğitim arayüzüne entegre edilir.
• Model Seçimi ve Yapılandırması: Ana akım LLM'leri (örneğin LLaMA, Mistral) destekler, GUI ile hiperparametreler yapılandırılır.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Dahili değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrısını destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneğini doğrudan test etmek için sohbet tarzı bir arayüz sunar.
• RAG oluşturma izleme: Kaynak alıntıları ile yanıt verin, güveni ve denetlenebilirliği artırın.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkilendirmesi, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği ile entegre altı ana modülden oluşmaktadır. Güvenli, kontrollü, gerçek zamanlı etkileşim ve sürdürülebilir gelir elde etmeyi sağlayan entegre bir model hizmet platformu oluşturur.

ModelFactory şu anda desteklenen büyük dil modeli yetenekleri için kısa bir tablo aşağıdadır:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk ve güçlü genel performans ile şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Yüksek verimlilikte bir mimari, mükemmel çıkarım performansı ile, esnek dağıtım ve sınırlı kaynaklar için uygundur.
• Qwen: Alibaba tarafından üretilmiştir, Çince görevlerde mükemmel performans sergilemekte, genel yetenekleri güçlüdür, yerli geliştiriciler için ilk tercih olarak uygundur.
• ChatGLM: Çince diyalog performansı öne çıkıyor, dikey müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygun.
• Deepseek: Kod üretimi ve matematiksel akıl yürütme konusunda üstün performans gösterir, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Google tarafından sunulan hafif bir model, yapısı net, hızlı bir şekilde kavranabilir ve deney yapılabilir.
• Falcon: Daha önce performans ölçütüydü, temel araştırma veya karşılaştırmalı testler için uygundur, ancak topluluk etkinliği azalmıştır.
• BLOOM: Çok dilli destek oldukça güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken model, yalnızca eğitim ve doğrulama amaçları için uygundur, gerçek uygulama için önerilmez.

OpenLedger'ın model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi modası geçmiş değil; aksine, zincir üstü dağıtımın gerçek kısıtlamaları (çıkarsama maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temel alınarak yapılan "pragmatik öncelikli" bir yapılandırmadır.

Model Factory, bir kodsuz araç zinciri olarak, tüm modeller katkı kanıtı mekanizması ile entegre edilmiştir ve veri katkıcıları ile model geliştiricilerinin haklarını güvence altına alır. Düşük giriş engeli, dönüştürülebilirlik ve bileşenlerle bir araya getirilebilirlik gibi avantajlara sahiptir. Geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtımı ve geliri için tam bir yol sunar;
• Platform için: Model varlık dolaşımını ve kombinasyon ekosistemini oluşturmak;
• Uygulayıcılar için: Modelleri veya Ajanları API çağrısı yapar gibi birleştirerek kullanabilirsiniz.

![OpenLedger Derinlik Araştırması: OP Stack+EigenDA temeli ile veri odaklı, model birleştirilebilir akıllı bir ekonomi inşa etmek](https://img-cdn.gateio.im/webp-social/moments-909dc3f796ad6aa44a1c97a51ade4193.webp01

) 3.2 OpenLoRA, modelin zincir üzerindeki varlıklaştırılması

LoRA (Düşük Sıralı Adaptasyon), "düşük rütbeli matrisler" ekleyerek önceden eğitilmiş büyük modellerde yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden kullanılan verimli bir parametre ince ayar yöntemidir. Geleneksel büyük dil modelleri (örneğin LLaMA, GPT-3) genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Bunları belirli görevler (örneğin hukuki soru cevaplama, tıbbi danışma) için kullanmak üzere ince ayar yapılması gerekir. LoRA'nın temel stratejisi: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrislerini eğitmek." Parametre verimliliği, hızlı eğitimi ve esnek dağıtımı ile web3 modeli dağıtımı ve birleşik çağrılar için en uygun ana akım ince ayar yöntemidir.

OpenLoRA, OpenLedger tarafından çoklu model dağıtımı ve kaynak paylaşımı için tasarlanmış hafif bir çıkarım çerçevesidir. Temel amacı, mevcut AI model dağıtımında yaygın olan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "ödenebilir AI" (Payable AI) uygulamasını teşvik etmektir.

OpenLoRA sistem mimarisi temel bileşeni, modüler tasarıma dayalıdır ve model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsayarak verimli, düşük maliyetli çoklu model dağıtım ve çağırma yeteneği sağlar:

• LoRA Adaptörü Depolama Modülü ###LoRA Adaptörleri Depolama(: İnce ayar yapılmış LoRA adaptörü, OpenLedger üzerinde barındırılır, talep üzerine yüklemeyi mümkün kılar, tüm modellerin önceden yüklenmesini önler ve kaynak tasarrufu sağlar.
• Model Barındırma ve Adaptör Birleştirme Katmanı )Model Hosting & Adapter Merging Layer(: Tüm ince ayar yapılmış modeller temel büyük model (base model) ile ortak kullanılır, çıkarım sırasında LoRA adaptörü dinamik olarak birleştirilir, birden fazla adaptörü destekler.