OpenLedgerĐộ sâu研报：以OP Stack+EigenDA为底座，构建一个数据驱动、模型可组合的智能体经济

Một, Giới thiệu | Sự chuyển giao mô hình của Crypto AI

Dữ liệu, mô hình và sức mạnh tính toán là ba yếu tố cốt lõi của cơ sở hạ tầng AI, tương tự như nhiên liệu (dữ liệu), động cơ (mô hình), năng lượng (sức mạnh tính toán) không thể thiếu. Tương tự như con đường tiến hóa cơ sở hạ tầng của ngành AI truyền thống, lĩnh vực Crypto AI cũng đã trải qua các giai đoạn tương tự. Đầu năm 2024, thị trường từng bị chi phối bởi các dự án GPU phi tập trung, nhấn mạnh logic tăng trưởng thô "ghép sức mạnh tính toán". Tuy nhiên, sau năm 2025, trọng tâm của ngành dần dần chuyển lên các lớp mô hình và dữ liệu, đánh dấu sự chuyển mình của Crypto AI từ cạnh tranh tài nguyên cơ bản sang xây dựng trung gian có tính bền vững và giá trị ứng dụng cao hơn.

Mô hình lớn tổng quát (LLM) vs Mô hình chuyên biệt (SLM)

Mô hình ngôn ngữ lớn (LLM) truyền thống thường phụ thuộc vào tập dữ liệu quy mô lớn và kiến trúc phân tán phức tạp, quy mô tham số thường từ 70B đến 500B, chi phí để huấn luyện một lần thường lên tới hàng triệu đô la. Trong khi đó, SLM (Mô hình Ngôn ngữ Chuyên biệt) như một phương thức tinh chỉnh nhẹ có thể tái sử dụng mô hình cơ sở, thường dựa trên mô hình mã nguồn mở, kết hợp với một lượng nhỏ dữ liệu chuyên môn chất lượng cao và các công nghệ như LoRA, nhanh chóng xây dựng các mô hình chuyên gia có kiến thức trong lĩnh vực cụ thể, giảm đáng kể chi phí huấn luyện và rào cản kỹ thuật.

Cần lưu ý rằng SLM sẽ không được tích hợp vào trọng số LLM, mà sẽ phối hợp hoạt động với LLM thông qua kiến trúc Agent, hệ thống plugin định tuyến động, khả năng cắm nóng module LoRA, RAG (tạo ra tăng cường tìm kiếm) và các phương thức khác. Kiến trúc này vừa giữ lại khả năng bao phủ rộng của LLM, vừa tăng cường hiệu suất chuyên môn thông qua các module tinh chỉnh, tạo thành một hệ thống thông minh kết hợp có tính linh hoạt cao.

Giá trị và ranh giới của Crypto AI ở tầng mô hình

Dự án Crypto AI về bản chất khó có thể nâng cao trực tiếp khả năng cốt lõi của các mô hình ngôn ngữ lớn (LLM), lý do cốt lõi nằm ở

• Rào cản kỹ thuật quá cao: Quy mô dữ liệu, tài nguyên tính toán và khả năng kỹ thuật cần thiết để đào tạo Mô hình Nền tảng là rất lớn, hiện chỉ có các gã khổng lồ công nghệ như Mỹ và Trung Quốc mới có khả năng tương ứng.
• Hạn chế của hệ sinh thái mã nguồn mở: Mặc dù các mô hình cơ sở chính như LLaMA, Mixtral đã được mã nguồn mở, nhưng yếu tố then chốt thực sự thúc đẩy sự đột phá của mô hình vẫn tập trung vào các tổ chức nghiên cứu và hệ thống kỹ thuật đóng, không gian tham gia của các dự án trên chuỗi ở cấp mô hình cốt lõi là hạn chế.

Tuy nhiên, trên nền tảng mô hình cơ bản mã nguồn mở, các dự án Crypto AI vẫn có thể mở rộng giá trị thông qua việc tinh chỉnh mô hình ngôn ngữ chuyên biệt (SLM), kết hợp với tính khả chứng và cơ chế khuyến khích của Web3. Là "tầng giao diện phụ trợ" của chuỗi công nghiệp AI, thể hiện ở hai hướng cốt lõi:

• Lớp xác thực đáng tin cậy: Bằng cách ghi lại đường dẫn mô hình, dữ liệu đóng góp và tình trạng sử dụng trên chuỗi, tăng cường khả năng truy xuất nguồn gốc và khả năng chống giả mạo của đầu ra AI.
• Cơ chế khuyến khích: Sử dụng Token gốc để khuyến khích hành vi tải dữ liệu, gọi mô hình, thực hiện tác nhân (Agent), xây dựng vòng lặp tích cực cho việc đào tạo và phục vụ mô hình.

Phân loại loại mô hình AI và phân tích tính ứng dụng của blockchain

Như vậy, điểm khả thi chính của các dự án Crypto AI dạng mô hình chủ yếu tập trung vào việc tinh chỉnh nhẹ nhàng cho các SLM nhỏ, kết nối và xác minh dữ liệu trên chuỗi của kiến trúc RAG, cũng như triển khai và khuyến khích mô hình Edge tại chỗ. Kết hợp tính khả thi xác minh của blockchain và cơ chế token, Crypto có thể cung cấp giá trị đặc thù cho các kịch bản mô hình tài nguyên trung bình và thấp, hình thành giá trị khác biệt cho "tầng giao diện" AI.

Chuỗi AI blockchain dựa trên dữ liệu và mô hình, có thể ghi lại rõ ràng và không thể thay đổi nguồn gốc đóng góp của từng dữ liệu và mô hình lên chuỗi, nâng cao đáng kể độ tin cậy của dữ liệu và khả năng truy xuất của việc đào tạo mô hình. Đồng thời, thông qua cơ chế hợp đồng thông minh, khi dữ liệu hoặc mô hình được gọi, sẽ tự động kích hoạt việc phân phối phần thưởng, chuyển đổi hành vi AI thành giá trị token hóa có thể đo lường và giao dịch, xây dựng một hệ thống khuyến khích bền vững. Ngoài ra, người dùng trong cộng đồng cũng có thể đánh giá hiệu suất mô hình thông qua bỏ phiếu bằng token, tham gia vào việc xây dựng và cải tiến quy tắc, hoàn thiện cấu trúc quản trị phi tập trung.

Hai, Tổng quan dự án | Tầm nhìn chuỗi AI của OpenLedger

OpenLedger là một trong số ít dự án blockchain AI hiện tại tập trung vào cơ chế khuyến khích dữ liệu và mô hình trên thị trường. Nó tiên phong đưa ra khái niệm "Payable AI", nhằm xây dựng một môi trường hoạt động AI công bằng, minh bạch và có thể kết hợp, khuyến khích những người đóng góp dữ liệu, nhà phát triển mô hình và nhà xây dựng ứng dụng AI hợp tác trên cùng một nền tảng, và nhận được lợi ích trên chuỗi theo những đóng góp thực tế.

OpenLedger cung cấp chuỗi khép kín toàn diện từ "cung cấp dữ liệu" đến "triển khai mô hình" và "gọi phân chia lợi nhuận", các mô-đun cốt lõi của nó bao gồm:

• Nhà máy mô hình: Không cần lập trình, có thể sử dụng LoRA để tinh chỉnh, đào tạo và triển khai mô hình tùy chỉnh dựa trên LLM mã nguồn mở;
• OpenLoRA: Hỗ trợ hàng ngàn mô hình đồng tồn tại, tải động theo nhu cầu, giảm đáng kể chi phí triển khai;
• PoA（Proof of Attribution）：Thông qua việc ghi lại các cuộc gọi trên chuỗi để thực hiện đo lường đóng góp và phân phối phần thưởng；
• Datanets: Mạng dữ liệu có cấu trúc hướng đến các tình huống dọc, được xây dựng và xác minh bởi sự hợp tác của cộng đồng;
• Nền tảng đề xuất mô hình (Model Proposal Platform): Thị trường mô hình trên chuỗi có thể kết hợp, có thể gọi, có thể thanh toán.

Thông qua các mô-đun trên, OpenLedger đã xây dựng một "cơ sở hạ tầng kinh tế thông minh" dựa trên dữ liệu, có thể kết hợp các mô hình, thúc đẩy việc chuyển đổi chuỗi giá trị AI lên chuỗi.

Và trong việc áp dụng công nghệ blockchain, OpenLedger dựa trên OP Stack + EigenDA để xây dựng một môi trường chạy dữ liệu và hợp đồng có hiệu suất cao, chi phí thấp và có thể xác minh cho mô hình AI.

• Xây dựng dựa trên OP Stack: Dựa trên công nghệ Optimism, hỗ trợ thông lượng cao và chi phí thấp khi thực thi;
• Thanh toán trên mạng chính Ethereum: Đảm bảo an ninh giao dịch và tính toàn vẹn của tài sản;
• Tương thích EVM: Thuận tiện cho các nhà phát triển triển khai và mở rộng nhanh chóng dựa trên Solidity;
• EigenDA cung cấp hỗ trợ khả năng sử dụng dữ liệu: giảm đáng kể chi phí lưu trữ, đảm bảo khả năng xác minh dữ liệu.

So với các chuỗi AI tổng quát như NEAR, tập trung vào quyền sở hữu dữ liệu và kiến trúc "AI Agents on BOS", OpenLedger chú trọng hơn vào việc xây dựng chuỗi AI chuyên dụng hướng tới việc khuyến khích dữ liệu và mô hình. Nó cam kết biến việc phát triển và gọi mô hình trên chuỗi thành một vòng giá trị có thể truy xuất, có thể kết hợp và bền vững. Nó là cơ sở hạ tầng khuyến khích mô hình trong thế giới Web3, kết hợp lưu trữ mô hình, tính phí sử dụng và giao diện có thể kết hợp trên chuỗi, thúc đẩy con đường hiện thực hóa "mô hình như tài sản".

Ba, Các thành phần cốt lõi và kiến trúc công nghệ của OpenLedger

Nhà máy mô hình 3.1, nhà máy mô hình không cần mã

ModelFactory là một nền tảng tinh chỉnh mô hình ngôn ngữ lớn (LLM) trong hệ sinh thái OpenLedger. Khác với các khung tinh chỉnh truyền thống, ModelFactory cung cấp giao diện đồ họa hoàn toàn, không cần công cụ dòng lệnh hoặc tích hợp API. Người dùng có thể tinh chỉnh mô hình dựa trên bộ dữ liệu đã hoàn thành việc ủy quyền và phê duyệt trên OpenLedger. Đã thực hiện quy trình làm việc tích hợp cho việc ủy quyền dữ liệu, đào tạo mô hình và triển khai, quy trình cốt lõi bao gồm:

• Kiểm soát truy cập dữ liệu: Người dùng gửi yêu cầu dữ liệu, nhà cung cấp xem xét phê duyệt, dữ liệu tự động kết nối vào giao diện huấn luyện mô hình.
• Lựa chọn và cấu hình mô hình: Hỗ trợ các LLM chính (như LLaMA, Mistral), cấu hình siêu tham số qua GUI.
• Tinh chỉnh nhẹ: Tích hợp động cơ LoRA / QLoRA, hiển thị tiến trình đào tạo theo thời gian thực.
• Đánh giá và triển khai mô hình: Công cụ đánh giá tích hợp, hỗ trợ xuất triển khai hoặc chia sẻ gọi trong hệ sinh thái.
• Giao diện xác thực tương tác: Cung cấp giao diện dạng trò chuyện, thuận tiện cho việc kiểm tra trực tiếp khả năng hỏi đáp của mô hình.
• RAG tạo nguồn gốc: Trả lời kèm theo trích dẫn nguồn, tăng cường niềm tin và khả năng kiểm toán.

Kiến trúc hệ thống Model Factory bao gồm sáu mô-đun, xuyên suốt xác thực danh tính, quyền dữ liệu, tinh chỉnh mô hình, triển khai đánh giá và truy xuất nguồn gốc RAG, tạo ra một nền tảng dịch vụ mô hình tích hợp an toàn, có thể kiểm soát, tương tác thời gian thực và biến đổi bền vững.

Bảng tóm tắt khả năng của các mô hình ngôn ngữ lớn mà ModelFactory hiện hỗ trợ như sau:

• Dòng LLaMA: Hệ sinh thái rộng nhất, cộng đồng năng động, hiệu suất tổng quát mạnh, là một trong những mô hình nền tảng mã nguồn mở phổ biến nhất hiện nay.
• Mistral: Kiến trúc hiệu quả, hiệu suất suy diễn tuyệt vời, phù hợp với các tình huống triển khai linh hoạt và nguồn lực hạn chế.
• Qwen: Sản phẩm của Alibaba, thể hiện xuất sắc trong nhiệm vụ tiếng Trung, có khả năng tổng hợp mạnh mẽ, phù hợp với sự lựa chọn hàng đầu cho các nhà phát triển trong nước.
• ChatGLM: Hiệu quả đối thoại tiếng Trung nổi bật, thích hợp cho dịch vụ khách hàng theo ngành và các tình huống địa phương.
• Deepseek：Có hiệu suất vượt trội trong việc tạo mã và suy diễn toán học, phù hợp với công cụ hỗ trợ phát triển thông minh.
• Gemma: Mô hình nhẹ được Google phát hành, cấu trúc rõ ràng, dễ dàng để bắt đầu nhanh chóng và thử nghiệm.
• Falcon: Từng là tiêu chuẩn về hiệu suất, phù hợp cho nghiên cứu cơ bản hoặc thử nghiệm so sánh, nhưng độ hoạt động của cộng đồng đã giảm.
• BLOOM: Hỗ trợ nhiều ngôn ngữ tốt, nhưng hiệu suất suy diễn kém, phù hợp cho nghiên cứu bao quát ngôn ngữ.
• GPT-2: Mô hình cổ điển sớm, chỉ phù hợp cho mục đích giảng dạy và xác minh, không khuyến nghị sử dụng trong triển khai thực tế.

Mặc dù mô hình kết hợp của OpenLedger không bao gồm các mô hình MoE hiệu suất cao mới nhất hoặc các mô hình đa phương thức, nhưng chiến lược của nó không lạc hậu, mà là cấu hình "ưu tiên thực dụng" dựa trên các ràng buộc thực tế trong triển khai trên chuỗi (chi phí suy diễn, sự thích ứng RAG, khả năng tương thích LoRA, môi trường EVM).

Model Factory như một chuỗi công cụ không mã, tất cả các mô hình đều được tích hợp cơ chế chứng minh đóng góp, đảm bảo quyền lợi của những người đóng góp dữ liệu và nhà phát triển mô hình, có những ưu điểm như ngưỡng thấp, có thể biến đổi và có thể kết hợp, so với các công cụ phát triển mô hình truyền thống:

• Dành cho các nhà phát triển: Cung cấp lộ trình hoàn chỉnh cho việc ươm tạo, phân phối và thu nhập mô hình;
• Đối với nền tảng: hình thành mô hình tài sản lưu thông và hệ sinh thái kết hợp;
• Đối với người sử dụng: có thể kết hợp sử dụng mô hình hoặc Agent giống như gọi API.

3.2 OpenLoRA, tài sản hóa chuỗi của mô hình tinh chỉnh

LoRA (Low-Rank Adaptation) là một phương pháp tinh chỉnh tham số hiệu quả, bằng cách chèn "ma trận có hạng thấp" vào mô hình lớn đã được huấn luyện trước để học các nhiệm vụ mới mà không thay đổi tham số của mô hình gốc, từ đó giảm đáng kể chi phí và nhu cầu lưu trữ trong quá trình đào tạo. Các mô hình ngôn ngữ lớn truyền thống (như LLaMA, GPT-3) thường có hàng tỷ thậm chí hàng trăm tỷ tham số. Để sử dụng chúng cho các nhiệm vụ cụ thể (như hỏi đáp pháp lý, khám bệnh), cần phải thực hiện tinh chỉnh (fine-tuning). Chiến lược cốt lõi của LoRA là: "Đóng băng các tham số của mô hình lớn gốc, chỉ đào tạo các ma trận tham số mới được chèn vào." Với tham số hiệu quả, đào tạo nhanh chóng và triển khai linh hoạt, đây là phương pháp tinh chỉnh chính phù hợp nhất để triển khai và gọi kết hợp mô hình Web3 hiện nay.

OpenLoRA là một bộ khung lý tưởng nhẹ nhàng được xây dựng bởi OpenLedger, được thiết kế đặc biệt cho việc triển khai nhiều mô hình và chia sẻ tài nguyên. Mục tiêu cốt lõi của nó là giải quyết các vấn đề phổ biến trong việc triển khai mô hình AI hiện tại như chi phí cao, khả năng tái sử dụng thấp, lãng phí tài nguyên GPU, từ đó thúc đẩy việc triển khai "AI có thể thanh toán" (Payable AI).

Thành phần cốt lõi của kiến trúc hệ thống OpenLoRA, dựa trên thiết kế mô-đun, bao gồm lưu trữ mô hình, thực thi suy diễn, định tuyến yêu cầu và các khía cạnh quan trọng khác, đạt được khả năng triển khai và gọi nhiều mô hình một cách hiệu quả và chi phí thấp:

• Mô-đun lưu trữ LoRA Adapter (LoRA Adapters Storage): LoRA adapter đã được tinh chỉnh được lưu trữ trên OpenLedger, cho phép tải theo nhu cầu, tránh việc tải trước tất cả các mô hình vào bộ nhớ đồ họa, tiết kiệm tài nguyên.
• Mô hình lưu trữ và lớp hợp nhất động (Model Hosting & Adapter Merging Layer): Tất cả các mô hình tinh chỉnh đều chia sẻ mô hình lớn cơ sở (base model), trong quá trình suy diễn