Báo cáo nghiên cứu sâu OpenLedger: Dựa trên OP Stack + EigenDA, xây dựng một nền kinh tế tác nhân thông minh dựa trên dữ liệu và có thể kết hợp mô hình.

Một, Giới thiệu | Sự chuyển mình của mô hình 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 lộ trình 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 các dự án GPU phi tập trung chi phối, nhấn mạnh logic tăng trưởng thô sơ "cạnh tranh sức mạnh tính toán". Tuy nhiên, bước vào năm 2025, điểm chú ý 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 tầng có tính bền vững và giá trị ứng dụng hơn.

Mô hình lớn chung (LLM) vs Mô hình chuyên biệt (SLM)

Mô hình ngôn ngữ lớn (LLM) truyền thống thường phụ thuộc vào các tập dữ liệu quy mô lớn và cấu trúc phân tán phức tạp, với quy mô tham số dao động từ 70B đến 500B, và chi phí cho một lần đào tạo thường lên tới hàng triệu đô la. Trong khi đó, SLM (Mô hình Ngôn ngữ Chuyên biệt) như một phương pháp tinh chỉnh nhẹ sử dụng mô hình cơ bản có thể tái sử dụng, thường dựa trên mô hình mã nguồn mở, kết hợp 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 các lĩnh vực cụ thể, giảm đáng kể chi phí đào tạo và rào cản kỹ thuật.

Đáng chú ý là SLM sẽ không được tích hợp vào trọng số LLM, mà sẽ hợp tác với LLM thông qua kiến trúc Agent, định tuyến động của hệ thống plugin, cắm nóng module LoRA, RAG (tạo ra nâng cao bằng cách truy xuất) và các phương thức khác. Kiến trúc này vừa giữ lại khả năng bao quát rộng rãi của LLM, vừa tăng cường hiệu suất chuyên môn thông qua các module tinh chỉnh, tạo thành một hệ thống thông minh kết hợp linh hoạt cao.

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

Các dự án Crypto AI về cơ bản khó có thể nâng cao trực tiếp khả năng cốt lõi của các mô hình ngôn ngữ lớn (LLM), nguyên nhân cốt lõi là

• 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 cực kỳ khổng lồ, hiện chỉ có các gã khổng lồ công nghệ như Mỹ và Trung Quốc sở hữu khả năng tương ứng.
• Giới hạn của hệ sinh thái mã nguồn mở: Mặc dù các mô hình cơ bản chính đã được mã nguồn mở, nhưng chìa khóa thực sự thúc đẩy sự đột phá của mô hình vẫn tập trung vào các tổ chức nghiên cứu và hệ thống kỹ thuật khép kín, các dự án trên chuỗi có không gian tham gia hạn chế ở cấp độ mô hình cốt lõi.

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

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

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

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

Dựa trên dữ liệu và mô hình, chuỗi blockchain AI 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, hệ thống tự động kích hoạt việc phân phát phần thưởng, biến hành vi AI thành giá trị có thể đo lường và giao dịch được dưới dạng token, xây dựng hệ thống khuyến khích bền vững. Thêm vào đó, người dùng trong cộng đồng cũng có thể đánh giá hiệu suất mô hình thông qua việc bỏ phiếu bằng token, tham gia xây dựng quy tắc và cải tiến, hoàn thiện cấu trúc quản trị phi tập trung.

Hai, Tóm tắt dự án | Tầm nhìn chuỗi AI của OpenLedger

OpenLedger là một trong số ít dự án AI blockchain hiện tại tập trung vào cơ chế khuyến khích dữ liệu và mô hình trên thị trường. Nó đã tiên phong đưa ra khái niệm "Payable AI", nhằm xây dựng một môi trường vận hành AI công bằng, minh bạch và có thể kết hợp, khuyến khích các nhà 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 dựa vào những đóng góp thực tế.

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

• Model Factory：Không cần lập trình, có thể sử dụng LoRA để tinh chỉnh, huấn luyện và triển khai mô hình tùy chỉnh dựa trên LLM mã nguồn mở;
• OpenLoRA: Hỗ trợ hàng nghìn mô hình đồng tồn tại, tải động theo nhu cầu, giảm đáng kể chi phí triển khai;
• PoA (Bằng chứng về Tham gia): Đo lường đóng góp và phân phối phần thưởng thông qua việc ghi lại các cuộc gọi trên chuỗi;
• 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 chuỗi có thể kết hợp, có thể gọi và có thể thanh toán.

Thông qua các mô-đun trên, OpenLedger đã xây dựng một "hạ tầng kinh tế thông minh" có tính dữ liệu và có thể kết hợp các mô hình, thúc đẩy việc chuỗi hóa giá trị AI.

Và trong việc áp dụng công nghệ blockchain, OpenLedger sử dụng OP Stack + EigenDA làm nền tảng, đã xây dựng một môi trường hoạt động hợp đồng và dữ liệu có hiệu suất cao, chi phí thấp và có thể xác minh cho các mô hình AI.

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

So với các chuỗi AI tổng hợp như NEAR, vốn tập trung vào quyền dữ liệu và kiến trúc "AI Agents on BOS", OpenLedger tập trung hơn vào việc xây dựng chuỗi AI chuyên dụng hướng tới khuyến khích dữ liệu và mô hình, với mục tiêu biến việc phát triển và gọi mô hình thành một vòng giá trị có thể truy xuất, có thể kết hợp và bền vững trên chuỗi. Nó là cơ sở hạ tầng khuyến khích mô hình trong thế giới Web3, kết hợp với việc 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 thuần túy, không cần công cụ dòng lệnh hoặc tích hợp API. Người dùng có thể tinh chỉnh mô hình dựa trên các tập dữ liệu đã hoàn tất ủy quyền và kiểm tra trên OpenLedger. Nó đã thực hiện quy trình làm việc tích hợp cho 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 đào tạo mô hình.
• Lựa chọn và cấu hình mô hình: Hỗ trợ LLM phổ biến, cấu hình siêu tham số thông qua GUI.
• Tinh chỉnh nhẹ: Động cơ LoRA / QLoRA tích hợp, hiển thị tiến độ đào tạo theo thời gian thực.
• Đánh giá và triển khai mô hình: Công cụ đánh giá tích hợp sẵn, hỗ trợ xuất bản triển khai hoặc chia sẻ gọi trong hệ sinh thái.
• Giao diện xác thực tương tác: Cung cấp giao diện trò chuyện, thuận tiện cho việc kiểm tra khả năng hỏi đáp của mô hình.
• RAG tạo nguồn gốc: Trả lời kèm theo trích dẫn nguồn, tăng cường sự tin cậy và khả năng kiểm toán.

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

Mô hình ModelFactory hiện hỗ trợ bảng tóm tắt khả năng mô hình ngôn ngữ lớn như sau:

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

Mặc dù sự kết hợp mô hình 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 lỗi thời, mà được cấu hình "ưu tiên thực dụng" dựa trên các ràng buộc thực tế của triển khai trên chuỗi (chi phí suy diễn, thích ứng RAG, 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 người đóng góp dữ liệu và nhà phát triển mô hình, có ưu điểm là ngưỡng thấp, có thể chuyển đổi thành giá trị và có thể kết hợp, so với các công cụ phát triển mô hình truyền thống:

• Đối với nhà phát triển: Cung cấp mô hình ươm tạo, phân phối, và con đường doanh thu hoàn chỉnh;
• Đối với nền tảng: hình thành lưu thông tài sản mô hình và tổ hợp sinh thái;
• Đối với người sử dụng: có thể kết hợp sử dụng mô hình hoặc Agent như gọi API.

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

LoRA (Low-Rank Adaptation) là một phương pháp tinh chỉnh tham số hiệu quả, thông qua việc chèn "ma trận bậc 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 huấn luyện và yêu cầu lưu trữ. Các mô hình ngôn ngữ lớn truyền thống thường có hàng tỷ thậm chí hàng trăm tỷ tham số. Để sử dụng chúng cho các nhiệm vụ cụ thể, cần phải có sự tinh chỉnh. 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." Phương pháp này có hiệu quả cao về tham số, huấn luyện nhanh, và triển khai linh hoạt, là phương pháp tinh chỉnh chính phù hợp nhất cho việc triển khai và gọi kết hợp mô hình Web3 hiện nay.

OpenLoRA là một khung suy diễn nhẹ 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, tái sử dụng thấp, lãng phí tài nguyên GPU, và thúc đẩy việc thực hiện "AI có thể thanh toán" (Payable AI).

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

• Mô-đun lưu trữ LoRA Adapter: LoRA adapter đã được tinh chỉnh sẽ được lưu trữ trên OpenLedger, cho phép tải theo nhu cầu, tránh việc tải tất cả các mô hình vào bộ nhớ video, tiết kiệm tài nguyên.
• Lưu trữ mô hình và lớp hợp nhất động: Tất cả các mô hình điều chỉnh đều sử dụng chung mô hình lớn cơ sở, trong quá trình suy diễn.