OpenLedger Derinlik Araştırması: OP Stack+EigenDA ile temellendirilmiş, veri odaklı, model kombinlenebilir akıllı varlık ekonomisi inşa etmek

I. Giriş | Crypto AI'nin model katman atılımı

Veri, model ve hesaplama gücü, AI altyapısının üç temel bileşenidir; bunlar yakıt (veri), motor (model) ve enerji (hesaplama gücü) gibi birbirini tamamlayıcı unsurlardır. Geleneksel AI endüstrisinin altyapı evrimi ile benzer bir yol izleyen Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başlarında, piyasa bir süre merkeziyetsiz GPU projeleri tarafından domine edildi ( bazı merkeziyetsiz GPU hesaplama platformları gibi ), yaygın olarak "hesaplama gücü yarışı" olarak adlandırılan genişlemenin mantığını vurgulamıştır. Ancak 2025 yılına gelindiğinde, sektörün odak noktası giderek model ve veri katmanına kaymış, bu da Crypto AI'nın alt katman kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta katman inşasına geçiş yaptığını göstermiştir.

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

Geleneksel büyük dil modelleri (LLM), büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır; parametre ölçekleri genellikle 70B ile 500B arasında değişmektedir ve bir kez eğitim maliyeti genellikle milyonlarca dolara ulaşmaktadır. Öte yandan, SLM (Özelleştirilmiş Dil Modeli) olarak bilinen, yeniden kullanılabilir temel modellerin hafif ince ayar paradigması, genellikle LLaMA, Mistral, DeepSeek gibi açık kaynak modellerine dayanarak, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi teknolojileri birleştirerek, belirli alan bilgisine sahip uzman modelleri hızlı bir şekilde oluşturmakta ve eğitim maliyetlerini ile teknik engelleri önemli ölçüde azaltmaktadır.

Dikkate değer olan, SLM'nin LLM ağırlıklarına entegre edilmeyeceği, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirme, LoRA modülü sıcak takılabilirlik ve RAG (retrieve-enhanced generation) gibi yöntemlerle LLM ile işbirliği içinde çalışacağıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülleri ile profesyonel performansı artırarak yüksek derecede esnek bir kombinasyon akıllı sistem oluşturur.

Crypto AI'nın model katmanındaki değeri ve sınırları

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

• Teknik engeller çok yüksek: Foundation Model'i eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik yetenekleri son derece büyüktür, şu anda yalnızca ABD (bazı AI şirketleri vb.) ve Çin (bazı AI şirketleri vb.) gibi teknoloji devleri bu yeteneklere sahiptir.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modeller olan LLaMA ve Mixtral açık kaynak olsa da, model atılımlarını gerçekten teşvik eden anahtar hala araştırma kurumları ve kapalı kaynak mühendislik sistemlerinde yoğunlaşıyor, zincir üzerindeki projelerin temel model katmanındaki katılım alanı sınırlıdır.

Ancak, açık kaynaklı temel modellerin üzerine, Crypto AI projeleri hala özelleştirilmiş dil modelleri (SLM) ile ince ayar yaparak ve Web3'ün doğrulanabilirlik ve teşvik mekanizması ile değer uzantısı sağlayabilir. AI endüstrisi zincirinin "kenar arayüz katmanı" olarak, iki temel yönde kendini gösterir:

• Güvenilir Doğrulama Katmanı: Model oluşturma yollarını, veri katkılarını ve kullanım durumlarını zincir üzerinde kaydederek, AI çıktılarının izlenebilirliğini ve değiştirilemezliğini artırır.
• Teşvik Mekanizması: Yerel Token'ların yardımıyla, veri yükleme, model çağırma, ajan (Agent) yürütme gibi eylemleri teşvik etmek için, model eğitimi ve hizmetinin olumlu bir döngüsünü oluşturmak.

AI model türleri sınıflandırması ve blok zinciri uygunluk analizi

Buradan görülebilir ki, model sınıfı Crypto AI projelerinin uygulanabilir noktaları esasen küçük SLM'lerin hafif ince ayarı, RAG mimarisinin zincir üstü veri erişimi ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşvikleri üzerinde yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile birleştiğinde, Crypto bu düşük ve orta kaynaklı model senaryolarına özgü bir değer sunarak AI "arayüz katmanı"nın farklılaşmış değerini oluşturabilir.

Veri ve modellere dayalı blockchain AI ağı, her bir veri ve modelin katkı kaynağını net, değiştirilemez bir şekilde zincirleme kaydetmesine olanak tanır, bu da veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması sayesinde, veriler veya modeller çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışını ölçülebilir, ticarete konu olabilen token değerine dönüştürerek sürdürülebilir bir teşvik sistemi inşa eder. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirmek, kuralların oluşturulmasına ve iterasyona katılmak suretiyle merkeziyetsiz yönetim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'ın AI Zincir Vizyonu

OpenLedger, mevcut piyasada veri ve model teşvik mekanizmalarına odaklanan az sayıda blok zinciri AI projesinden biridir. "Ödenebilir AI" kavramını ilk kez ortaya koyarak, veri katkıcıları, model geliştiricileri ve AI uygulama oluşturucularının aynı platformda iş birliği yapmalarını teşvik eden, adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı inşa etmeyi amaçlamaktadır ve gerçek katkılara dayalı olarak zincir üzerindeki gelirleri elde etmelerini sağlamaktadır.

OpenLedger, "veri sağlama"dan "model dağıtım"ına ve ardından "paylaşım çağrısı"na kadar tam bir zincir döngüsü sunar. Temel modülleri şunlardır:

• Model Fabrikası: Programlamaya gerek kalmadan, açık kaynak LLM kullanarak LoRA ince ayar eğitimi yapabilir ve özel modelleri dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin aynı anda varlığını destekler, ihtiyaç duyuldukça dinamik yükleme yapar, dağıtım maliyetlerini önemli ölçüde azaltır;
• PoA (Attribution Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağıtımı gerçekleştirilir;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk işbirliği ile inşa edilir ve doğrulanır;
• Model Öneri Platformu (Model Proposal Platform): Birleştirilebilir, çağrılabilir ve ödenebilir zincir üstü model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, modelin birleştirilebilir olduğu bir "akıllı varlık ekonomik altyapısı" inşa etti ve AI değer zincirinin zincir üzerindeki entegrasyonunu teşvik etti.

Ve blok zinciri teknolojisi benimseme konusunda, OpenLedger OP Stack + EigenDA'yı temel alarak, AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir veri ve sözleşme çalışma ortamı oluşturdu.

• OP Stack üzerine inşa edilmiştir: Optimism teknolojisi yığınına dayalıdır, yüksek işlem hacmi ve düşük maliyetli yürütmeyi destekler;
• Ethereum ana ağı üzerinde hesaplama: İşlem güvenliğini ve varlık bütünlüğünü sağlama;
• EVM uyumlu: Geliştiricilerin Solidity tabanlı hızlı dağıtım ve genişletme yapmasını kolaylaştırır;
• EigenDA, veri kullanılabilirliği desteği sunar: depolama maliyetlerini önemli ölçüde azaltır ve verilerin doğrulanabilirliğini güvence altına alır.

Belirli bir blok zincirine kıyasla, daha çok veri egemenliğini ve "AI Agents on BOS" mimarisini vurgulayan daha temel bir genel AI zinciri olan OpenLedger, veri ve model teşviklerine yönelik bir AI özel zinciri inşa etmeye odaklanmıştır. Model geliştirme ve çağrısını zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsünde gerçekleştirmeyi amaçlamaktadır. Web3 dünyasında model teşvik altyapısıdır; belirli bir model barındırma platformu tarzında model barındırma, belirli bir ödeme platformu tarzında kullanım faturası ve belirli bir altyapı platformu tarzında zincir üzerindeki birleştirilebilir arayüzü birleştirerek "model varlık olarak" gerçekleştirme yolunu ilerletmektedir.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknik Mimarisi

3.1 Model Fabrikası, kodsuz model fabrikası

ModelFactory, OpenLedger ekosisteminde yer alan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinin aksine, ModelFactory tamamen grafik arayüzü ile işlem yapar, komut satırı araçlarına veya API entegrasyonuna ihtiyaç duymaz. Kullanıcılar, OpenLedger'da yetkilendirilmiş ve onaylanmış veri setlerine dayanarak modeli ince ayar yapabilirler. Veri yetkilendirme, model eğitimi ve dağıtımını bir bütün olarak entegre eden bir iş akışı gerçekleştirilmiştir, ana süreçler arasında:

• Veri erişim kontrolü: Kullanıcı veri talebi gönderir, sağlayıcı onaylar, veri otomatik olarak model eğitim arayüzüne bağlanır.
• Model Seçimi ve Konfigürasyonu: Önde gelen LLM'leri (örneğin LLaMA, Mistral) destekler, hiperparametreleri GUI aracılığıyla yapılandırır.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Dahili değerlendirme araçları, dağıtım veya ekosistem paylaşımı çağrısını destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneğini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG oluşturma izleme: Kaynak referansları ile yanıt verme, güveni ve denetlenebilirliği artırma.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkisi, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği dahil altı ana modülü kapsamaktadır. Güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir bir gelir modeli sunan entegre bir model hizmet platformu oluşturur.

ModelFactory'nin şu anda desteklediği büyük dil modeli yeteneklerinin özeti aşağıdaki gibidir:

• LLaMA Serisi: En geniş ekosisteme, aktif bir topluluğa ve güçlü genel performansa sahip, şu anda en yaygın açık kaynak temel modellerinden biridir.
• Mistral: Mimarisi verimli, çıkarım performansı mükemmel, esnek dağıtım ve sınırlı kaynaklara sahip senaryolar için uygundur.
• Qwen: Bir şirketin ürünü, Çince görev performansı mükemmel, genel yetenekleri güçlü, yerel geliştiriciler için en iyi seçim.
• ChatGLM: Çince diyalog performansı dikkat çekici, belirli alanlardaki müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans sergileyen, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Bir şirket tarafından sunulan hafif bir model, yapısı net, hızlı bir şekilde öğrenilmesi ve deney yapılması kolay.
• Falcon: Bir zamanlar performans ölçütüydü, temel araştırmalar veya karşılaştırmalı testler için uygundur, ancak topluluk aktifliği azalmıştır.
• BLOOM: Çok dilli destek oldukça güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken dönem modeli, yalnızca eğitim ve doğrulama amaçları için uygundur, gerçek kullanım için önerilmez.

OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi eski değil, aksine zincir üstü dağıtımın gerçek kısıtlamaları (çıkarsama maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temelinde yapılan "pratik öncelikli" yapılandırmadır.

Model Factory, bir kodsuz araç zinciri olarak, tüm modeller katkı kanıtı mekanizmasını içerir, veri katkı sahiplerinin ve model geliştiricilerin haklarını güvence altına alır. Düşük giriş engeli, nakde dönüştürülebilirlik ve birleştirme özellikleri ile geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtım ve gelir için tam bir yol sunar;
• Platform için: model varlık akışı ve kombinasyon ekosisteminin oluşturulması;
• Uygulayıcılar için: Modelleri veya Ajanları API çağrısı yapar gibi birleştirerek kullanabilirsiniz.

3.2 OpenLoRA, modelin zincir üzerindeki varlıklaştırılması

LoRA (Düşük Sıralı Adaptasyon), "düşük sıralı matrisler" ekleyerek yeni görevleri öğrenmek için önceden eğitilmiş büyük bir modele parametre ince ayarını verimli bir şekilde yapma yöntemidir ve böylece orijinal model parametrelerini değiştirmeden, eğitim maliyetini ve depolama gereksinimini büyük ölçüde azaltır. Geleneksel büyük dil modelleri (örneğin LLaMA, GPT-3) genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Onları belirli görevler için (örneğin hukuki soru cevaplama, tıbbi danışmanlık) kullanmak için ince ayar yapılması gerekmektedir. LoRA'nın temel stratejisi: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrisini eğitmek." Parametre verimliliği, hızlı eğitimi ve esnek dağıtımı ile şu anda Web3 model dağıtımı ve kombinasyon çağrıları için en uygun ana akım ince ayar yöntemidir.

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

OpenLoRA sistem mimarisi ana bileşeni, modüler tasarıma dayanmaktadır ve model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsamaktadır. Verimli, düşük maliyetli çoklu model dağıtımı ve çağırma yeteneğini gerçekleştirmektedir:

• LoRA Adaptörü Depolama Modülü (LoRA Adaptörleri Depolama): İnce ayar yapılmış LoRA adaptörü OpenLedger üzerinde barındırılmakta ve talebe göre yüklenmektedir.