OpenLedger Глибина дослідження: на основі OP Stack+EigenDA створити економіку агентів, що керується даними та є модульною.

Одне. Вступ | Модельний рівень Crypto AI

Дані, моделі та обчислювальна потужність є трьома основними елементами інфраструктури ШІ, аналогічно паливу (дані), двигуну (моделі) та енергії (обчислювальна потужність), без яких не обійтися. Подібно до еволюційного шляху інфраструктури традиційної індустрії ШІ, галузь Crypto AI також пройшла подібні етапи. На початку 2024 року ринок був під контролем децентралізованих GPU проектів, які загалом акцентували увагу на «змаганні обчислювальної потужності». А з початком 2025 року увага галузі поступово перемістилася на рівень моделей та даних, що свідчить про те, що Crypto AI переходить від конкуренції за базові ресурси до більш стійкого та цінного середнього будівництва.

Універсальна велика модель (LLM) проти спеціалізованої моделі (SLM)

Традиційні великі мовні моделі (LLM) вимагають великої залежності від масштабних наборів даних та складної розподіленої архітектури, обсяг параметрів коливається від 70B до 500B, а вартість тренування може сягати кількох мільйонів доларів. У той же час SLM (Спеціалізована мовна модель) є легким підходом до тонкого налаштування, що дозволяє використовувати базову модель повторно, зазвичай базується на відкритих моделях, поєднуючи невелику кількість якісних спеціалізованих даних та технології LoRA, швидко створюючи експертні моделі з конкретними знаннями в певній галузі, що суттєво знижує витрати на тренування та технологічний бар'єр.

Варто зазначити, що SLM не буде інтегровано в ваги LLM, а буде співпрацювати з LLM через архітектуру Agent, динамічну маршрутизацію через плагінову систему, гарячу заміну модулів LoRA, RAG (покращене генерування за допомогою пошуку) та інші способи. Ця архітектура зберігає широку охоплювальність LLM і одночасно покращує професійні показники через модулі тонкої налаштування, формуючи високо гнучку комбіновану інтелектуальну систему.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-62b3fa1e810f4772aaba3d91c74c1aa6)

Crypto AI вартість та межі на рівні моделі

Проекти Crypto AI в основному не можуть безпосередньо підвищити основні можливості великих мовних моделей (LLM), основна причина в тому,

• Технічний бар'єр занадто високий: обсяги даних, обчислювальні ресурси та інженерні можливості, необхідні для навчання Foundation Model, є надзвичайно великими; наразі лише такі технологічні гіганти, як США та Китай, мають відповідні можливості.
• Обмеження відкритої екосистеми: хоча основні базові моделі вже відкриті, справжніми рушійними силами прориву моделей все ще залишаються науково-дослідні установи та закриті інженерні системи, а участь проектів на блокчейні на рівні основних моделей обмежена.

Однак, на основі відкритих базових моделей, проєкти Crypto AI все ще можуть досягати розширення цінності шляхом тонкого налаштування спеціалізованих мовних моделей (SLM) та поєднання з перевірюваністю та механізмами заохочення Web3. Як "периферійний інтерфейсний шар" AI-індустрії, це проявляється в двох основних напрямках:

• Достовірний верифікаційний шар: шляхом запису на ланцюзі шляхів генерації моделей, внесків даних та їх використання, посилюється відстежуваність та стійкість до підробок виходу AI.
• Механізм стимулювання: за допомогою рідного токена, який використовується для стимулювання завантаження даних, виклику моделей, виконання агентами (Agent) та інших дій, створюється позитивний цикл навчання моделей та надання послуг.

Аналіз класифікації типів AI моделей та їх придатності для блокчейну

Отже, можна зробити висновок, що можливі точки реалізації моделей класу Crypto AI зосереджені переважно на легкій налаштуванні малих SLM, підключенні та верифікації даних на основі архітектури RAG, а також на локальному розгортанні та стимулюванні Edge моделей. Поєднуючи верифікацію блокчейну та механізм токенів, Crypto може надати унікальну цінність для цих сценаріїв з середніми та низькими ресурсами, формуючи диференційовану цінність «інтерфейсного шару» AI.

Блокчейн AI ланцюг на основі даних та моделей може забезпечити чіткий, незмінний запис джерела внеску кожного даних та моделі, що значно підвищує достовірність даних і відстежуваність навчання моделей. Одночасно, через механізм смарт-контрактів, автоматично активується розподіл винагороди під час виклику даних або моделей, перетворюючи дії AI в вимірювану, торгівельну токенізовану цінність, створюючи стійку систему стимулювання. Крім того, користувачі спільноти можуть оцінювати ефективність моделей за допомогою голосування токенами, брати участь у формуванні правил та ітерації, вдосконалюючи децентралізовану архітектуру управління.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-19c2276fccc616ccf9260fb7e35c9c24)

Два, огляд проекту | Візія AI Chain OpenLedger

OpenLedger є одним із небагатьох блокчейн AI проектів, які зараз зосереджені на механізмах стимулювання даних і моделей. Він вперше запропонував концепцію «Payable AI», яка має на меті створення справедливого, прозорого та комбінованого середовища для роботи AI, що стимулює співпрацю між постачальниками даних, розробниками моделей та творцями AI застосунків на одній платформі, а також отримання доходу в мережі залежно від фактичного внеску.

OpenLedger забезпечує повний замкнутий ланцюг від «надання даних» до «розгортання моделей» і «виклику розподілу прибутку», його основні модулі включають:

• Модельна фабрика: без програмування, можна використовувати LoRA для тонкої настройки, навчання та розгортання налаштованих моделей на основі відкритих LLM;
• OpenLoRA: підтримка спільного існування тисяч моделей, динамічна завантаження за потребою, значне зниження витрат на розгортання;
• PoA (Proof of Attribution): через виклики в ланцюгу реалізується вимірювання внеску та розподіл винагород;
• Datanets：мережа структурованих даних, зорієнтована на вертикальні сценарії, що будується та перевіряється за допомогою співпраці спільноти;
• Платформа пропозицій моделей (Model Proposal Platform): комбінований, викликаний, платіжний ринковий простір моделей на основі блокчейну.

Завдяки вищезгаданим модулям, OpenLedger побудував «інфраструктуру економіки агентів», що підпорядкована даним та комбінованим моделям, сприяючи онлайнізації ціннісного ланцюга AI.

А в застосуванні технології блокчейн OpenLedger використовує OP Stack + EigenDA як основу, створюючи високо продуктивне, низькоствольне, перевіряюче середовище для даних і виконання контрактів для AI моделей.

• Побудовано на OP Stack: на базі технологічного стеку Optimism, що підтримує високу пропускну здатність і низькі витрати на виконання;
• Розрахунок в мережі Ethereum: Забезпечення безпеки транзакцій та цілісності активів;
• EVM сумісність: зручність для розробників швидко розгортати та розширювати на основі Solidity;
• EigenDA надає підтримку доступності даних: значно знижує витрати на зберігання, забезпечуючи перевірність даних.

У порівнянні з такими блокчейнами, як NEAR, які більш орієнтовані на рівень нижче й акцентують увагу на суверенітеті даних, а також архітектурі «AI Agents on BOS», OpenLedger більше зосереджений на створенні спеціалізованих AI блокчейнів, орієнтованих на дані та моделі. Він прагне забезпечити можливість розробки та виклику моделей на блокчейні з можливістю відстеження, комбінування та сталого ціннісного циклу. Це інфраструктура стимулювання моделей у світі Web3, яка поєднує хостинг моделей, облік використання та комбіновані інтерфейси на блокчейні, сприяючи реалізації шляху «модель як актив».

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-f23f47f09226573b1fcacebdcfb8c1f3)

Три, основні компоненти та технологічна архітектура OpenLedger

3.1 Модельний завод, безкодова модельний завод

ModelFactory є великим платформою для тонкої настройки мовних моделей (LLM) в екосистемі OpenLedger. На відміну від традиційних рамок тонкої настройки, ModelFactory пропонує чистий графічний інтерфейс для роботи, без необхідності використовувати командний рядок або інтеграцію API. Користувачі можуть тонко налаштовувати моделі на основі наборів даних, які були авторизовані та перевірені в OpenLedger. Реалізовано інтегрований робочий процес авторизації даних, навчання моделей та їх розгортання, до якого входять основні етапи:

• Контроль доступу до даних: Користувач надсилає запит на дані, постачальник перевіряє та затверджує, дані автоматично інтегруються в інтерфейс навчання моделі.
• Вибір і налаштування моделі: підтримує основні LLM, налаштування гіперпараметрів через GUI.
• Легке налаштування: вбудований двигун LoRA / QLoRA, в режимі реального часу демонструє прогрес навчання.
• Оцінка та впровадження моделей: Вбудовані інструменти оцінки, що підтримують експорт для впровадження або спільного використання в екосистемі.
• Інтерфейс інтерактивної валідації: надає чат-інтерфейс, що полегшує безпосереднє тестування здатності моделі відповідати на запитання.
• Генерація RAG для простежуваності: Відповіді з посиланнями на джерела, що підвищують довіру та можливість аудиту.

Архітектура системи Model Factory містить шість основних модулів, які охоплюють ідентифікацію, права доступу до даних, тонке налаштування моделей, оцінку, розгортання та RAG трасування, створюючи інтегровану платформу послуг моделей, що забезпечує безпечний контроль, реальний інтерактивний зв'язок і стійке монетизування.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-909dc3f796ad6aa44a1c97a51ade4193)

Модельна фабрика наразі підтримує такі можливості великих мовних моделей:

• LLaMA серія: найбільша екосистема, активна спільнота, універсальна продуктивність, є однією з найбільш поширених відкритих базових моделей на сьогодні.
• Mistral: Архітектура ефективна, продуктивність висока, підходить для гнучкого розгортання та обмежених ресурсів.
• Qwen：Виконання завдань китайською мовою відмінне, комплексні можливості сильні, підходить для вибору вітчизняних розробників.
• ChatGLM: китайський діалог має видатні результати, підходить для вертикальних клієнтських послуг та локалізованих сценаріїв.
• Deepseek: Відзначається перевагою в генеруванні коду та математичному міркуванні, підходить для інструментів допомоги в розумному розвитку.
• Gemma: легка модель, випущена Google, з чіткою структурою, легка для швидкого освоєння та експериментування.
• Falcon: Колись був еталоном продуктивності, підходить для базових досліджень або порівняльних тестів, але активність спільноти зменшилася.
• BLOOM: Підтримка кількох мов досить сильна, але продуктивність в інтерпретації слабка, підходить для досліджень з покриття мов.
• GPT-2: класична рання модель, що підходить лише для навчальних та верифікаційних цілей, не рекомендується для фактичного розгортання.

Хоча модельний ансамбль OpenLedger не містить новітніх високоефективних моделей MoE або багатозадачних моделей, його стратегія не відстає, а базується на реальних обмеженнях розгортання в ланцюгу (вартість інференції, адаптація RAG, сумісність LoRA, середовище EVM), що робить "пріоритет практики" конфігурацію.

Model Factory як безкодова інструментальна ланцюг, усі моделі мають вбудований механізм доказу внеску, що забезпечує права учасників даних та розробників моделей, має низький бар'єр, можливість монетизації та комбінованість, у порівнянні з традиційними інструментами розробки моделей:

• Для розробників: надання повного шляху для інкубації, розповсюдження та доходу моделей;
• Для платформи: формування обігу моделей активів та екосистеми комбінацій;
• Для користувачів: можна комбінувати моделі або агентів так само, як виклик API.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-f49cfa5ea73fc0018250d04193b34b60)

3.2 OpenLoRA, активи моделі тонкого налаштування на блокчейні

LoRA (Низькорангова адаптація) є ефективним методом тонкого налаштування параметрів, який дозволяє навчатися новим завданням, вставляючи «низькореневі матриці» у попередньо навчену велику модель, не змінюючи параметри оригінальної моделі, що суттєво знижує витрати на навчання та вимоги до зберігання. Традиційні великі мовні моделі зазвичай мають десятки мільярдів, а то й сотні мільярдів параметрів. Для їх використання в конкретних завданнях необхідно провести тонке налаштування. Основна стратегія LoRA: «заморозити параметри оригінальної великої моделі, навчати лише нові матриці параметрів, вставлені в модель». Її параметри є ефективними, навчання відбувається швидко, а розгортання є гнучким, що робить її найпоширенішим методом тонкого налаштування, найбільш підходящим для розгортання та комбінованого виклику моделей Web3.

OpenLoRA є легковаговою інфраструктурною системою для розгортання декількох моделей та обміну ресурсами, створеною OpenLedger. Її основна мета – вирішити поширені проблеми, пов'язані з високими витратами, низькою повторюваністю та марнотратством ресурсів GPU у розгортанні AI моделей, сприяючи реалізації «платоспроможного AI» (Payable AI).

OpenLoRA системна архітектура, основні компоненти якої засновані на модульному дизайні, охоплюють зберігання моделей, виконання інференції, маршрутизацію запитів та інші ключові етапи, забезпечуючи ефективне та економічне розгортання та виклик багатомодельної системи:

• LoRA Adapter модуль зберігання: налаштований LoRA adapter розміщується на OpenLedger, що дозволяє завантажувати його за потребою, уникаючи попереднього завантаження всіх моделей у пам'ять, заощаджуючи ресурси.
• Модельне хостинг та динамічний злиття шарів: всі моделі тонкого налаштування використовують базову велику модель, під час інференції