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

Один. Введение | Модельный уровень Crypto AI

Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель), энергии (вычислительная мощность) — все три элемента необходимы. Подобно эволюционному пути инфраструктуры традиционной индустрии ИИ, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок временно находился под контролем децентрализованных GPU-проектов, которые в основном подчеркивали логику грубого роста, основанную на "конкуренции вычислительной мощности". Однако с наступлением 2025 года внимание отрасли постепенно переместилось на уровень моделей и данных, что знаменует переход Crypto AI от конкуренции за базовые ресурсы к более устойчивому и ценному уровню построения.

Универсальная модель (LLM) против специализированной модели (SLM)

Традиционные крупные языковые модели (LLM) в значительной степени зависят от масштабных наборов данных и сложных распределенных архитектур, размер параметров колеблется от 70B до 500B, а стоимость одной тренировки часто достигает нескольких миллионов долларов. В то время как SLM (Специализированная Языковая Модель) представляет собой легковесную парадигму дообучения с использованием переиспользуемой базовой модели, обычно основанной на открытых моделях, в сочетании с небольшим количеством высококачественных специализированных данных и технологиями, такими как LoRA, для быстрого создания экспертной модели, обладающей знаниями в определенной области, что значительно снижает затраты на обучение и технические барьеры.

Важно отметить, что SLM не будет интегрирован в веса LLM, а будет взаимодействовать с LLM через архитектуру Agent, динамическую маршрутизацию системы плагинов, горячую замену модулей LoRA, RAG (улучшенная генерация с использованием поиска) и другие способы. Эта архитектура сохраняет широкую охват能力 LLM и одновременно усиливает профессиональные показатели за счет модулей тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.

Значение и границы Crypto AI на уровне модели

Крипто-AI проекты по сути сложно напрямую улучшить основные возможности больших языковых моделей (LLM), основная причина в том, что

• Технический порог слишком высок: объем данных, вычислительные ресурсы и инженерные возможности, необходимые для обучения Foundation Model, крайне велики, в настоящее время только такие технологические гиганты, как США и Китай, обладают соответствующими возможностями.
• Ограничения открытой экосистемы: хотя такие основные модели, как LLaMA и Mixtral, уже открыты, ключевые факторы, способствующие прорывам в моделях, по-прежнему сосредоточены в научных учреждениях и закрытых инженерных системах, а участие проектов на блокчейне на уровне основных моделей остается ограниченным.

Однако, на основе открытых моделей, проект Crypto AI все еще может реализовать расширение ценности через тонкую настройку специализированных языковых моделей (SLM) и сочетание с верифицируемостью и механизмами стимулов Web3. В качестве «периферийного интерфейсного слоя» AI цепочки поставок это проявляется в двух основных направлениях:

• Достоверный уровень верификации: через записи в цепочке о модели генерации, данных о вкладе и использовании, усиливается прослеживаемость и стойкость AI выводов к изменениям.
• Механизм стимулов: С помощью родного токена, используемого для стимулирования загрузки данных, вызова модели, выполнения агентов (Agent) и других действий, создается положительный цикл обучения модели и предоставления услуг.

Классификация типов AI моделей и анализ их применимости в блокчейне

Таким образом, можно видеть, что жизнеспособные точки применения моделей класса Crypto AI в основном сосредоточены на легкой настройке небольших SLM, интеграции и верификации данных на блокчейне в архитектуре RAG, а также на локальном развертывании и стимуляции Edge моделей. В сочетании с проверяемостью блокчейна и токеномикой, Crypto может предоставить уникальную ценность для этих моделей с ограниченными ресурсами, формируя дифференцированную ценность «интерфейсного слоя» AI.

Блокчейн AI цепочка, основанная на данных и моделях, может обеспечить четкую, неизменяемую запись источников вклада каждой записи данных и модели в цепочке, значительно повышая доверие к данным и прослеживаемость обучения моделей. В то же время, с помощью механизма смарт-контрактов, автоматически инициируется распределение вознаграждений при вызове данных или модели, преобразуя поведение AI в измеримую, торгуемую токенизированную ценность, создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели с помощью голосования токенами, участвовать в разработке и итерации правил, совершенствуя 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)

II. Обзор проекта | Видение AI Chain от OpenLedger

OpenLedger — это один из немногих блокчейн AI проектов на рынке, который сосредоточен на механизмах стимулирования данных и моделей. Он первым предложил концепцию «Payable AI», с целью создания справедливой, прозрачной и комбинируемой среды для работы AI, чтобы стимулировать участников, предоставляющих данные, разработчиков моделей и строителей AI приложений, сотрудничать на одной платформе и получать доход на блокчейне в зависимости от их реального вклада.

OpenLedger предоставляет полный цикл от «предоставления данных» до «развертывания моделей», а затем до «вызова распределения прибыли», его основные модули включают:

• Модельный завод: без программирования можно использовать LoRA для дообучения и развертывания кастомизированных моделей на основе открытого 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 записи вызовов на блокчейне;
• Datanets: Структурированная сеть данных, ориентированная на вертикальные сценарии, построенная и проверенная сообществом;
• Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый и платёжный рынок моделей на блокчейне.

С помощью вышеуказанных модулей OpenLedger создала инфраструктуру «умной экономики» на основе данных и комбинируемых моделей, способствующую онлайнизации цепочки создания ценности AI.

А в применении технологии блокчейна OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкостороннюю и проверяемую среду для работы с данными и контрактами для моделей ИИ.

• Построено на основе OP Stack: основано на технологии Optimism, поддерживает высокую пропускную способность и выполнение с низкими затратами;
• Расчёт в основной сети Ethereum: Обеспечение безопасности транзакций и целостности активов;
• EVM совместимость: удобно для разработчиков быстро развертывать и расширять на основе Solidity;
• EigenDA предоставляет поддержку доступности данных: значительно снижает затраты на хранение и обеспечивает проверяемость данных.

По сравнению с NEAR, который более ориентирован на базовый уровень 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 сделать разработку и вызов моделей на цепочке осуществимыми с возможностью отслеживания, комбинирования и устойчивого замыкания ценности. Это инфраструктура стимулов для моделей в мире Web3, которая сочетает в себе хостинг моделей, выставление счетов за использование и комбинируемые интерфейсы на цепочке, способствуя реализации концепции «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 кодирования

ModelFactory является крупной платформой для дообучения языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков дообучения, ModelFactory предлагает чисто графический интерфейс без необходимости в командной строке или интеграции API. Пользователи могут дообучать модели на основе данных, которые были авторизованы и проверены на OpenLedger. Реализован интегрированный рабочий процесс авторизации данных, обучения модели и развертывания, ключевые процессы которого включают:

• Контроль доступа к данным: пользователь отправляет запрос на данные, провайдер проверяет и утверждает, данные автоматически подключаются к интерфейсу обучения модели.
• Выбор и настройка модели: Поддержка основных LLM (таких как LLaMA, Mistral), настройка гиперпараметров через GUI.
• Легкая настройка: встроенный движок LoRA / QLoRA, отображающий прогресс обучения в реальном времени.
• Оценка и развертывание модели: встроенные инструменты оценки, поддерживающие экспорт развертывания или экосистемного совместного использования.
• Интерфейс интерактивной проверки: предоставляет чат-интерфейс, удобный для прямого тестирования способности модели к вопросам и ответам.
• Генерация RAG: Ответы с источниками ссылок, повышающие доверие и аудируемость.

Архитектура системы Model Factory включает шесть основных модулей, охватывающих аутентификацию личности, права доступа к данным, тонкую настройку моделей, оценку развертывания и отслеживание RAG, создавая безопасную, контролируемую, интерактивную и устойчивую платформу интегрированных 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)

Модельный завод в настоящее время поддерживает следующие возможности крупных языковых моделей:

• Серия LLaMA: самая широкая экосистема, активное сообщество, высокая общая производительность, является одной из самых популярных открытых базовых моделей на сегодняшний день.
• Mistral: Архитектура эффективна, производительность вывода отличная, подходит для гибкой развертки в условиях ограниченных ресурсов.
• Qwen: Продукт от Alibaba, демонстрирующий отличные результаты в китайских задачах, обладающий высокой综合能力, подходит в качестве первого выбора для отечественных разработчиков.
• ChatGLM: выдаёт выдающийся результат на китайском языке, подходит для специализированного обслуживания клиентов и локализованных сценариев.
• Deepseek: проявляет превосходство в генерации кода и математическом выводе, подходит для инструментов поддержки интеллектуальной разработки.
• Gemma: легкая модель, выпущенная Google, с ясной структурой, легко осваиваемая и подходящая для быстрого начала работы и экспериментов.
• Falcon: Ранее был эталоном производительности, подходит для базовых исследований или сравнительных тестов, но активность сообщества снизилась.
• BLOOM: поддержка нескольких языков довольно сильная, но производительность вывода слабая, подходит для исследований с охватом языков.
• GPT-2: классическая ранняя модель, подходит только для учебных и верификационных целей, не рекомендуется для реального развертывания.

Хотя модельный набор OpenLedger не включает в себя последние высокопроизводительные модели MoE или мультимодальные модели, его стратегия не устарела, а основана на «приоритетах практичности», исходя из реальных ограничений развертывания на блокчейне (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).

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

• Для разработчиков: предоставление полного пути к инкубации, распространению и доходам модели;
• Для платформы: формирование модели обращения и комбинации активов экосистемы;
• Для пользователей: можно комбинировать использование моделей или агентов, 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, активы на блокчейне для дообученных моделей

LoRA (Low-Rank Adaptation) — это эффективный метод тонкой настройки параметров, который обучает новые задачи, вставляя «низкоранговые матрицы» в предобученную большую модель, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранилищу. Традиционные большие языковые модели (например, LLaMA, GPT-3) обычно имеют десятки миллиардов, а иногда и сотни миллиардов параметров. Чтобы использовать их для конкретных задач (например, юридические вопросы, медицинские консультации), необходимо провести тонкую настройку (fine-tuning). Основная стратегия LoRA заключается в следующем: «заморозить параметры оригинальной большой модели и обучать только вставленные новые матричные параметры». Этот метод эффективен по параметрам, быстро обучается и гибко разворачивается, что делает его наиболее подходящим для развертывания моделей Web3 и комбинированного вызова.

OpenLoRA — это легковесный фреймворк для инференса, разработанный OpenLedger, специально предназначенный для развертывания нескольких моделей и совместного использования ресурсов. Его основная цель — решить распространенные проблемы, возникающие при развертывании AI моделей, такие как высокие затраты, низкая повторная используемость и неэффективное использование ресурсов GPU, а также способствовать внедрению «оплачиваемого AI» (Payable AI).

OpenLoRA система архитектуры ключевых компонентов, основанная на модульном дизайне, охватывает ключевые этапы, такие как хранение моделей, выполнение вывода, маршрутизация запросов и т.д., обеспечивая эффективную и низкозатратную возможность развертывания и вызова нескольких моделей:

• Модуль хранения LoRA адаптеров (LoRA Adapters Storage): дообученные LoRA адаптеры размещаются на OpenLedger, что позволяет загружать их по мере необходимости, избегая предварительной загрузки всех моделей в видеопамять и экономя ресурсы.
• Модельное хостинг и динамический слой слияния (Model Hosting & Adapter Merging Layer): все настроенные модели используют общую базовую модель (base model), во время инференса