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

Bir, Giriş | Crypto AI'nin model katmanındaki sıçrama

Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur; bunlar yakıt (veri), motor (model) ve enerji (hesaplama gücü) ile benzerlik gösterir ve birbirinden ayrılmaz. 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 ve genel olarak "hesaplama gücü yarıştırma" mantığına vurgu yapılmıştır. Ancak 2025'e girildiğinde, sektörün odak noktası yavaş yavaş model ve veri katmanına kaymış ve bu, Crypto AI'nın alt düzey kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta düzey yapılandırmaya geçişini işaret etmiştir.

Genel Amaçlı Model (LLM) vs Özelleşmiş Model (SLM)

Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setleri ve karmaşık dağıtık mimarilere yüksek ölçüde bağımlıdır; parametre ölçeği genellikle 70B ile 500B arasında değişmektedir ve bir kez eğitim maliyeti genellikle milyonlarca dolara ulaşmaktadır. SLM (Uzmanlaşmış Dil Modeli) ise yeniden kullanılabilir temel modelin hafif ince ayar paradigması olarak, genellikle açık kaynaklı modeller temel alınarak, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi teknolojilerle bir araya getirilerek, belirli alan bilgisine sahip uzman modellerin hızlı bir şekilde inşa edilmesini sağlar; bu da eğitim maliyetlerini ve teknik engelleri önemli ölçüde azaltır.

Dikkate değer bir nokta, SLM'nin LLM ağırlıklarına entegre edilmeyeceği, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirmeleri, LoRA modülü sıcak takılması, RAG (retrieve-enhanced generation) gibi yöntemlerle LLM ile işbirliği içinde çalıştığıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülü ile uzmanlık performansını artırarak yüksek derecede esnek bir kombinasyon akıllı sistem oluşturur.

Kripto AI'nin model katmanındaki değeri ve sınırları

Kripto AI projeleri esasen büyük dil modellerinin (LLM) temel yeteneklerini doğrudan artırmada zorluk yaşar, bunun temel nedeni şudur:

• Teknik engeller çok yüksek: Foundation Model'i eğitmek için gerekli veri ölçeği, hesaplama kaynakları ve mühendislik yetenekleri son derece büyük; şu anda yalnızca ABD ve Çin gibi teknoloji devleri bu yeteneklere sahip.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modeller açık kaynak olsa da, model sıçramalarını gerçekten destekleyen anahtar hala araştırma kurumları ve kapalı kaynak mühendislik sistemlerinde yoğunlaşmaktadır, zincir üzerindeki projelerin temel model katmanındaki katılım alanı sınırlıdır.

Ancak, açık kaynak temel modellerinin üzerine, Crypto AI projeleri hala özel dil modelleri (SLM) ile ince ayar yaparak ve Web3'ün doğrulanabilirliği ve teşvik mekanizmaları ile değer uzantısı sağlama imkanı sunmaktadır. AI endüstri zincirinin "kenar arayüz katmanı" olarak, iki ana yönde kendini göstermektedir:

• Güvenilir Doğrulama Katmanı: Modelin üretim yollarını, veri katkılarını ve kullanım durumlarını zincir üstü kaydederek, AI çıktılarının izlenebilirliğini ve değiştirilemezlik yeteneğini artırır.
• Teşvik Mekanizması: Yerel Token aracılığıyla, veri yükleme, model çağrısı, akıllı ajan (Agent) yürütme gibi eylemleri teşvik etmek için, model eğitimi ve hizmetleri arasında olumlu bir döngü oluşturma.

AI model türü sınıflandırması ve blok zinciri uygunluk analizi

Buradan anlaşılmaktadır ki, model türü Crypto AI projelerinin uygulanabilir noktaları esasen küçük SLM'nin hafif ayarlanması, RAG mimarisinin zincir üzerindeki veri entegrasyonu ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerinde yoğunlaşmaktadır. Blockchain'in doğrulanabilirliği ve token mekanizması ile birlikte, Crypto bu orta ve düşük kaynaklı model senaryolarına özgü bir değer sunarak AI "arayüz katmanı" için farklılaşmış bir değer oluşturabilir.

Veri ve model tabanlı bir blockchain AI ağı, her bir veri ve modelin katkı kaynaklarını net, değiştirilemez bir şekilde zincirleme kaydedebilir, veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması aracılığıyla, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışını ölçülebilir ve ticarete konu olabilen tokenleşmiş bir değere dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirebilir, kural belirleme ve iterasyona katılabilir, merkeziyetsiz yönetim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'ın AI Zincir Vizyonu

OpenLedger, veri ve model teşvik mekanizmalarına odaklanan mevcut pazardaki az sayıda blok zinciri AI projesinden biridir. "Ödenebilir AI" kavramını ilk olarak ortaya koyarak, veri katkıcıları, model geliştiricileri ve AI uygulama geliştiricilerinin aynı platformda iş birliği yapmalarını teşvik eden adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı oluşturmayı amaçlamaktadır ve gerçek katkılara göre zincir üzerindeki kazançları elde etmelerini sağlamaktadır.

OpenLedger, "veri sağlama"dan "model dağıtımına" ve ardından "kâr paylaşımını çağırmaya" kadar tam bir döngü sunmaktadır. Temel modülleri şunlardır:

• Model Factory: Programlama gerektirmeden, açık kaynak LLM temelinde LoRA ile ince ayar yaparak özelleştirilmiş modelleri eğitip dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin birlikte varlığını destekler, ihtiyaç duyuldukça dinamik olarak yükler, dağıtım maliyetlerini önemli ölçüde düşürür;
• PoA (Atıf Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağıtımı gerçekleştirir;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk iş birliği ile inşa edilir ve doğrulanır;
• Model Teklif Platformu (Model Proposal Platform): Birleştirilebilir, çağrılabilir ve ödeme yapılabilir zincir üzerindeki model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model birleştirilebilir bir "akıllı varlık ekonomi altyapısı" inşa etti ve AI değer zincirinin zincir üzerindeki dönüşümünü teşvik etti.

Ve blok zinciri teknolojisinin benimsenmesinde, OpenLedger OP Stack + EigenDA'yı temel alarak AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir veri ve sözleşme çalışma ortamı oluşturmuştur.

• OP Stack üzerine inşa: Optimism teknoloji yığınına dayalı, yüksek verim ve düşük maliyetli yürütmeyi destekler;
• Ethereum ana ağında hesaplama: İşlem güvenliği ve varlık bütünlüğünü sağlama;
• EVM uyumlu: Geliştiricilerin Solidity tabanlı hızlı dağıtım ve genişleme yapmalarını kolaylaştırır;
• EigenDA, veri kullanılabilirliği desteği sağlar: depolama maliyetlerini önemli ölçüde düşürür ve verilerin doğrulanabilirliğini güvence altına alır.

NEAR gibi daha çok temel katmana odaklanan, veri egemenliği ve "BOS'ta AI Ajansları" mimarisi sunan genel AI blok zincirlerine kıyasla, OpenLedger daha çok veriye ve model teşvikine yönelik AI özel zincirleri inşa etmeye odaklanmıştır. Modelin geliştirilmesi ve çağrılması sürecinin zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü sağlamasını amaçlamaktadır. Web3 dünyasında model teşvik altyapısı olarak işlev görür; model barındırma, kullanım ücreti ve zincir üzerindeki birleştirilebilir arayüzlerin entegrasyonunu sağlayarak "model varlık olarak" gerçekleştirme yolunu ilerletir.

Üç, OpenLedger'in Ana Bileşenleri ve Teknolojik Mimarisi

3.1 Model Fabrikası, kod gerektirmeyen model fabrikası

ModelFactory, OpenLedger ekosisteminde bulunan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinin aksine, ModelFactory tamamen grafik arayüzü işlemleri sunar, komut satırı araçlarına veya API entegrasyonuna ihtiyaç duyulmaz. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve gözden geçirilmiş veri setleri temelinde modellerini ince ayar yapabilirler. Veri yetkilendirme, model eğitimi ve dağıtımını sağlayan entegre bir iş akışı gerçekleştirilmiştir, ana süreçleri şunları içerir:

• Veri erişim kontrolü: Kullanıcı veri talebinde bulunur, sağlayıcı onaylar, veriler otomatik olarak model eğitim arayüzüne entegre edilir.
• Model Seçimi ve Konfigürasyonu: Ana akım LLM'leri destekler, hiperparametreleri GUI üzerinden yapılandırır.
• Hafifletilmiş ince ayar: Yerleşik LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Yerleşik değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrısını dışa aktarmayı destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneğini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG Üretim İzleme: Kaynak alıntısını yanıtla, güveni ve denetlenebilirliği artır.

Model Factory sistem mimarisi, kimlik doğrulama, veri izinleri, model ince ayarı, değerlendirme dağıtımı ve RAG izleme süreçlerini kapsayan altı ana modülden oluşmaktadır. Güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir gelir elde etme özelliklerine sahip entegre bir model hizmet platformu oluşturur.

ModelFactory şu anda desteklenen büyük dil modeli yetenekleri tablosu aşağıdadır:

• LLaMA Serisi: Ekosistemi en geniş, topluluğu aktif, genel performansı güçlüdür ve günümüzdeki en yaygın açık kaynak temel modellerden biridir.
• Mistral: Yapı verimli, çıkarım performansı son derece iyi, esnek dağıtım ve sınırlı kaynaklar için uygundur.
• Qwen: Çince görev performansı mükemmel, genel yetenekleri güçlü, yerel geliştiriciler için en iyi seçim.
• ChatGLM: Çince diyalog performansı öne çıkıyor, dikey müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans sergileyen, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Google tarafından sunulan hafif bir model, yapısı net, hızlı bir şekilde öğrenilmesi ve deney yapılması kolay.
• Falcon: Performans standardı olarak kabul edilen, temel araştırmalar veya karşılaştırmalı testler için uygun, ancak topluluk etkinliği azalmıştır.
• BLOOM: Çok dilli destek oldukça güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken dönem model, yalnızca öğretim ve doğrulama amaçları için uygundur, gerçek dağıtım için önerilmez.

OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi modası geçmiş değil, aksine zincir üstü dağıtımın gerçek kısıtlarına (çıkarsama maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) dayanan "pragmatik öncelik" konfigürasyonları yapmaktadır.

Model Factory, bir kodsuz araç zinciri olarak, tüm modeller katkı kanıtlama mekanizmasıyla entegre edilmiştir, bu da veri katkı sahiplerinin ve model geliştiricilerinin haklarını güvence altına alır. Düşük giriş engeli, nakde dönüştürülebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir ve geleneksel model geliştirme araçlarıyla karşılaştırıldığında:

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

3.2 OpenLoRA, modelin zincir üzerindeki varlıklaştırılması

LoRA (Düşük Sıralı Adaptasyon), önceden eğitilmiş büyük bir modele "düşük sıralı matris" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden verimli bir parametre ince ayar yöntemidir ve bu sayede eğitim maliyetlerini ve depolama gereksinimlerini büyük ölçüde azaltır. Geleneksel büyük dil modelleri genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Belirli görevler için kullanılmaları gerektiğinde, ince ayar yapılması gerekir. LoRA'nın temel stratejisi: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrisini eğitmek." Parametre verimliliği, hızlı eğitim ve esnek dağıtım sunan LoRA, şu anda Web3 model dağıtımı ve kombinasyon çağrıları için en uygun ana akım ince ayar yöntemidir.

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

OpenLoRA sistem mimarisi ana bileşeni, modüler tasarıma dayanarak, model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsar ve verimli, düşük maliyetli çoklu model dağıtımı ve çağrısı yeteneğini gerçekleştirir:

• LoRA Adaptör Depolama Modülü: İnce ayar yapılmış LoRA adaptörü, OpenLedger üzerinde barındırılmakta ve gerektiğinde yüklenmektedir. Bu, tüm modellerin belleğe önceden yüklenmesini önleyerek kaynak tasarrufu sağlar.
• Model barındırma ve dinamik entegrasyon katmanı: Tüm ince ayar modelleri temel büyük modelden ortak olarak faydalanır, çıkarım sırasında