OpenLedger Kedalaman Laporan Penelitian: Membangun Ekonomi Agen yang Didorong Data dan Dapat Dikombinasikan Model dengan OP Stack+EigenDA sebagai Dasar

I. Pendahuluan | Lompatan lapisan model Crypto AI

Data, model, dan kekuatan komputasi adalah tiga elemen inti dari infrastruktur AI, diibaratkan sebagai bahan bakar (data), mesin (model), dan energi (kekuatan komputasi) yang saling membutuhkan. Mirip dengan jalur evolusi infrastruktur industri AI tradisional, bidang Crypto AI juga mengalami tahap yang serupa. Di awal tahun 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi, yang umumnya menekankan logika pertumbuhan kasar "berkompetisi dalam kekuatan komputasi". Namun, memasuki tahun 2025, fokus industri secara bertahap beralih ke lapisan model dan data, yang menandakan bahwa Crypto AI sedang bertransisi dari kompetisi sumber daya dasar menuju pembangunan lapisan tengah yang lebih berkelanjutan dan memiliki nilai aplikasi.

Model Umum (LLM) vs Model Khusus (SLM)

Model bahasa besar tradisional (LLM) sangat bergantung pada dataset besar dan arsitektur terdistribusi yang kompleks, dengan ukuran parameter yang sering kali mencapai 70B hingga 500B, dan biaya untuk satu kali pelatihan sering kali mencapai jutaan dolar. Sementara itu, SLM (Model Bahasa Khusus) sebagai suatu paradigma penyesuaian ringan dari model dasar yang dapat digunakan kembali, biasanya didasarkan pada model sumber terbuka, menggabungkan sejumlah kecil data profesional berkualitas tinggi dan teknologi seperti LoRA, untuk dengan cepat membangun model ahli yang memiliki pengetahuan khusus dalam bidang tertentu, secara signifikan mengurangi biaya pelatihan dan ambang teknis.

Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, melainkan beroperasi bersama LLM melalui panggilan arsitektur Agent, sistem plugin untuk routing dinamis, hot-plug modul LoRA, dan RAG (Retrieval-Augmented Generation). Arsitektur ini mempertahankan kemampuan jangkauan luas LLM sekaligus meningkatkan performa profesional melalui modul fine-tuning, membentuk sistem pintar kombinatorial yang sangat fleksibel.

Nilai dan batas Crypto AI di lapisan model

Proyek Crypto AI pada dasarnya sulit untuk secara langsung meningkatkan kemampuan inti dari model bahasa besar (LLM), penyebab utamanya adalah

• Hambatan teknis terlalu tinggi: Skala data, sumber daya komputasi, dan kemampuan rekayasa yang dibutuhkan untuk melatih Model Dasar sangat besar, saat ini hanya perusahaan teknologi besar seperti Amerika Serikat dan China yang memiliki kemampuan tersebut.
• Keterbatasan ekosistem sumber terbuka: Meskipun model dasar arus utama telah sumber terbuka, kunci untuk mendorong terobosan model tetap terfokus pada lembaga penelitian dan sistem rekayasa tertutup, ruang partisipasi proyek di atas rantai pada lapisan model inti terbatas.

Namun, di atas model dasar open source, proyek Crypto AI masih dapat memperluas nilai melalui penyempurnaan model bahasa khusus (SLM), dan menggabungkan verifikasi dan mekanisme insentif Web3. Sebagai "lapisan antarmuka periferal" dari rantai industri AI, ini tercermin dalam dua arah inti:

• Lapisan Verifikasi Tepercaya: Meningkatkan kemampuan pelacakan dan ketahanan terhadap manipulasi keluaran AI dengan mencatat jalur pembangkitan model, kontribusi data, dan penggunaan di atas rantai.
• Mekanisme insentif: Menggunakan Token asli untuk mendorong perilaku seperti pengunggahan data, pemanggilan model, dan pelaksanaan agen, membangun siklus positif antara pelatihan model dan layanan.

Analisis Klasifikasi Tipe Model AI dan Kesesuaian Blockchain

Dari sini dapat dilihat bahwa titik keberhasilan proyek Crypto AI yang berbasis model terutama terfokus pada penyempurnaan ringan SLM kecil, akses dan verifikasi data on-chain dengan arsitektur RAG, serta penyebaran lokal dan insentif model Edge. Menggabungkan verifikasi blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model sumber daya menengah hingga rendah, membentuk nilai diferensiasi dari "lapisan antarmuka" AI.

Blockchain AI chain yang berbasis data dan model dapat mencatat sumber kontribusi dari setiap data dan model secara jelas dan tidak dapat diubah, secara signifikan meningkatkan kredibilitas data dan keterlacakan pelatihan model. Selain itu, melalui mekanisme kontrak pintar, ketika data atau model dipanggil, distribusi hadiah secara otomatis dipicu, mengubah perilaku AI menjadi nilai tokenisasi yang dapat diukur dan diperdagangkan, membangun sistem insentif yang berkelanjutan. Selain itu, pengguna komunitas juga dapat mengevaluasi kinerja model melalui pemungutan suara token, berpartisipasi dalam pembuatan dan iterasi aturan, serta menyempurnakan struktur tata kelola terdesentralisasi.

II. Ringkasan Proyek | Visi Rantai AI OpenLedger

OpenLedger adalah salah satu dari sedikit proyek AI blockchain yang fokus pada mekanisme insentif data dan model di pasar saat ini. Ini adalah yang pertama mengajukan konsep "Payable AI", yang bertujuan untuk membangun lingkungan operasi AI yang adil, transparan, dan dapat digabungkan, mendorong kontributor data, pengembang model, dan pembangun aplikasi AI untuk berkolaborasi di platform yang sama, dan mendapatkan keuntungan di blockchain berdasarkan kontribusi nyata.

OpenLedger menyediakan rantai tertutup penuh dari "penyediaan data" hingga "penempatan model" dan "panggilan pembagian keuntungan", dengan modul inti yang mencakup:

• Model Factory: Tanpa perlu pemrograman, dapat menggunakan LoRA untuk pelatihan fine-tuning dan penyebaran model kustom berdasarkan LLM sumber terbuka;
• OpenLoRA: Mendukung keberadaan ribuan model, memuat dinamis sesuai kebutuhan, secara signifikan mengurangi biaya penerapan;
• PoA (Proof of Attribution): Mengukur kontribusi dan distribusi hadiah melalui pencatatan panggilan di blockchain;
• Datanets: Jaringan data terstruktur yang diarahkan untuk skenario vertikal, dibangun dan divalidasi melalui kolaborasi komunitas;
• Platform Usulan Model (Model Proposal Platform): pasar model on-chain yang dapat digabungkan, dipanggil, dan dibayar.

Melalui modul-modul di atas, OpenLedger telah membangun sebuah "infrastruktur ekonomi agen pintar" yang didorong oleh data dan dapat dikombinasikan dengan model, mendorong pengalihan nilai rantai AI ke dalam blockchain.

Dan dalam adopsi teknologi blockchain, OpenLedger menggunakan OP Stack + EigenDA sebagai dasar untuk membangun lingkungan operasi data dan kontrak yang berkinerja tinggi, biaya rendah, dan dapat diverifikasi untuk model AI.

• Dibangun di atas OP Stack: Berdasarkan tumpukan teknologi Optimism, mendukung throughput tinggi dan eksekusi biaya rendah;
• Settling di jaringan utama Ethereum: Memastikan keamanan transaksi dan integritas aset;
• Kompatibel dengan EVM: Memudahkan pengembang untuk dengan cepat melakukan penyebaran dan perluasan berbasis Solidity;
• EigenDA menyediakan dukungan ketersediaan data: secara signifikan mengurangi biaya penyimpanan, menjamin verifikasi data.

Dibandingkan dengan NEAR yang lebih berfokus pada lapisan dasar, menekankan kedaulatan data dan arsitektur "AI Agents on BOS", OpenLedger lebih fokus pada pembangunan rantai khusus AI yang berorientasi pada insentif data dan model, berkomitmen untuk mewujudkan pengembangan dan pemanggilan model yang dapat dilacak, dapat dikombinasikan, dan berkelanjutan di atas rantai. Ini adalah infrastruktur insentif model di dunia Web3, menggabungkan hosting model, penagihan penggunaan, dan antarmuka kombinasi di atas rantai, mendorong jalur realisasi "model sebagai aset".

Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger

Model Pabrik 3.1, pabrik model tanpa kode

ModelFactory adalah platform penyesuaian model bahasa besar (LLM) di bawah ekosistem OpenLedger. Berbeda dengan kerangka penyesuaian tradisional, ModelFactory menyediakan antarmuka grafis murni untuk operasi, tanpa perlu alat baris perintah atau integrasi API. Pengguna dapat menyesuaikan model berdasarkan dataset yang telah disetujui dan diaudit di OpenLedger. Ini mewujudkan alur kerja terpadu untuk otorisasi data, pelatihan model, dan penyebaran, yang mencakup proses inti sebagai berikut:

• Kontrol akses data: Pengguna mengajukan permintaan data, penyedia meninjau dan menyetujui, data otomatis terhubung ke antarmuka pelatihan model.
• Pemilihan dan konfigurasi model: Mendukung LLM utama, melalui GUI untuk mengonfigurasi hyperparameter.
• Penyesuaian ringan: Mesin LoRA / QLoRA bawaan, menampilkan kemajuan pelatihan secara real-time.
• Evaluasi dan Penempatan Model: Alat evaluasi bawaan, mendukung ekspor penempatan atau panggilan berbagi ekosistem.
• Antarmuka verifikasi interaktif: Menyediakan antarmuka berbasis obrolan untuk memudahkan pengujian langsung kemampuan tanya jawab model.
• RAG menghasilkan jejak: Menjawab dengan kutipan sumber, meningkatkan kepercayaan dan kemampuan diaudit.

Model Factory arsitektur sistem terdiri dari enam modul, mencakup otentikasi identitas, hak akses data, penyesuaian model, evaluasi penerapan, dan pelacakan RAG, menciptakan platform layanan model terpadu yang aman, terkontrol, interaktif waktu nyata, dan dapat menghasilkan pendapatan secara berkelanjutan.

ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:

• Seri LLaMA: Ekosistem yang paling luas, komunitas yang aktif, dan kinerja umum yang kuat, merupakan salah satu model dasar sumber terbuka yang paling populer saat ini.
• Mistral: Arsitektur efisien, kinerja inferensi yang sangat baik, cocok untuk skenario yang fleksibel dan sumber daya terbatas.
• Qwen：Tugas dalam bahasa Mandarin menunjukkan kinerja yang sangat baik, dengan kemampuan komprehensif yang kuat, cocok sebagai pilihan utama bagi pengembang dalam negeri.
• ChatGLM: Efek percakapan dalam bahasa Mandarin menonjol, cocok untuk layanan pelanggan spesifik dan skenario lokalisasi.
• Deepseek: Unggul dalam penghasil kode dan penalaran matematis, cocok untuk alat bantu pengembangan cerdas.
• Gemma: Model ringan yang diluncurkan oleh Google, dengan struktur yang jelas, mudah untuk digunakan dan dieksplorasi dengan cepat.
• Falcon: Pernah menjadi tolok ukur kinerja, cocok untuk penelitian dasar atau pengujian perbandingan, tetapi aktivitas komunitas telah menurun.
• BLOOM: Dukungan multi-bahasa cukup kuat, tetapi kinerja inferensi lemah, cocok untuk penelitian cakupan bahasa.
• GPT-2: Model klasik awal, hanya cocok untuk tujuan pengajaran dan verifikasi, tidak disarankan untuk digunakan dalam penerapan nyata.

Meskipun kombinasi model OpenLedger tidak mencakup model MoE berkinerja tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan merupakan konfigurasi "prioritas praktis" yang dibuat berdasarkan batasan realitas yang diterapkan di on-chain (biaya inferensi, adaptasi RAG, kompatibilitas LoRA, lingkungan EVM).

Model Factory sebagai rantai alat tanpa kode, semua model dilengkapi dengan mekanisme bukti kontribusi, memastikan hak data kontributor dan pengembang model, memiliki keunggulan ambang rendah, dapat dimonetisasi, dan dapat digabungkan, dibandingkan dengan alat pengembangan model tradisional:

• Untuk pengembang: Menyediakan jalur lengkap untuk inkubasi model, distribusi, dan pendapatan;
• Untuk platform: membentuk sirkulasi aset model dan ekosistem kombinasi;
• Untuk pengguna: Anda dapat menggabungkan model atau Agen seperti memanggil API.

3.2 OpenLoRA, aset on-chain dari model fine-tuning

LoRA (Low-Rank Adaptation) adalah metode penyesuaian parameter yang efisien, yang belajar tugas baru dengan menyisipkan "matriks peringkat rendah" dalam model besar yang telah dilatih sebelumnya, tanpa mengubah parameter model asli, sehingga secara signifikan mengurangi biaya pelatihan dan kebutuhan penyimpanan. Model bahasa besar tradisional biasanya memiliki puluhan miliar bahkan ratusan miliar parameter. Untuk menggunakannya dalam tugas tertentu, penyesuaian diperlukan. Strategi inti LoRA adalah: "membekukan parameter model besar asli, hanya melatih matriks parameter baru yang disisipkan." Metode ini efisien dalam parameter, cepat dalam pelatihan, dan fleksibel dalam penerapan, menjadikannya metode penyesuaian arus utama yang paling cocok untuk penerapan dan pemanggilan kombinasi model Web3 saat ini.

OpenLoRA adalah kerangka inferensi ringan yang dibangun oleh OpenLedger, dirancang khusus untuk penyebaran multi-model dan berbagi sumber daya. Tujuan utamanya adalah untuk menyelesaikan masalah umum dalam penyebaran model AI saat ini, seperti biaya tinggi, rendahnya pemanfaatan kembali, dan pemborosan sumber daya GPU, serta mendorong pelaksanaan "AI yang dapat dibayar" (Payable AI).

Komponen inti arsitektur sistem OpenLoRA, yang didasarkan pada desain modular, mencakup penyimpanan model, eksekusi inferensi, dan pengaturan permintaan, untuk mewujudkan kemampuan penyebaran dan pemanggilan multi-model yang efisien dan biaya rendah:

• Modul Penyimpanan LoRA Adapter: LoRA adapter yang telah disesuaikan disimpan di OpenLedger, memungkinkan pemuatan sesuai permintaan, menghindari pemuatan semua model ke dalam memori grafik, menghemat sumber daya.
• Penempatan model dan lapisan penggabungan dinamis: semua model fine-tuning berbagi model besar dasar, saat inferensi