تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب استنادا إلى OP Stack + EigenDA

١. المقدمة | الانتقال الطبقي لنموذج Crypto AI

تشكل البيانات والنماذج والقدرة الحاسوبية العناصر الأساسية الثلاثة للبنية التحتية للذكاء الاصطناعي، مما يعادل الوقود (البيانات) والمحرك (النموذج) والطاقة (القدرة الحاسوبية) التي لا غنى عنها. على غرار مسار تطور البنية التحتية للصناعة التقليدية للذكاء الاصطناعي، شهد مجال الذكاء الاصطناعي في العملات المشفرة أيضًا مراحل مماثلة. في أوائل عام 2024، هيمن سوق المشاريع اللامركزية للمعالجات الرسومية، مع التركيز بشكل عام على منطق النمو الواسع لـ "تجميع القدرات الحاسوبية". ومع دخول عام 2025، بدأت النقاط المحورية في الصناعة في الانتقال تدريجياً إلى نموذج البيانات، مما يدل على أن الذكاء الاصطناعي في مجال العملات المشفرة ينتقل من المنافسة على الموارد الأساسية إلى بناء أكثر استدامة وقيمة تطبيقية في الطبقة المتوسطة.

نموذج عام (LLM) مقابل نموذج متخصص (SLM)

تعتمد نماذج اللغة الكبيرة التقليدية (LLM) بشكل كبير على مجموعات البيانات الكبيرة والبنية الموزعة المعقدة، حيث يتراوح حجم المعلمات من 70B إلى 500B، وغالبًا ما تصل تكلفة التدريب لمرة واحدة إلى مئات الآلاف من الدولارات. بينما تُعتبر SLM (نموذج اللغة المتخصص) نموذجًا خفيف الوزن يعتمد على إعادة استخدام النماذج الأساسية، وعادة ما تكون مبنية على نماذج مفتوحة المصدر، حيث تجمع بين كمية صغيرة من البيانات المتخصصة عالية الجودة وتقنيات مثل LoRA، لبناء نماذج خبيرة تتمتع بمعرفة في مجالات معينة بسرعة، مما يقلل بشكل كبير من تكلفة التدريب وعتبة التقنية.

من الجدير بالذكر أن SLM لن يتم دمجه في أوزان LLM، بل سيتم تشغيله بالتعاون مع LLM من خلال استدعاء الهيكل Agent، نظام المكونات الإضافية للتوجيه الديناميكي، القابلية الإضافية لوحدات LoRA، و RAG (التوليد المعزز بالاسترجاع) وغيرها من الطرق. يحتفظ هذا الهيكل بالقدرة الشاملة لـ LLM، بينما يعزز الأداء المتخصص من خلال وحدات الضبط الدقيق، مما يشكل نظامًا ذكيًا مركبًا عالي المرونة.

قيمة وحدود الذكاء الاصطناعي في مستوى النموذج

مشاريع الذكاء الاصطناعي للعملات الرقمية صعبة في تحسين القدرات الأساسية لنماذج اللغة الكبيرة (LLM) بشكل مباشر، والسبب الرئيسي في ذلك هو

• العقبة التقنية مرتفعة للغاية: حجم البيانات، وموارد الحوسبة، والقدرة الهندسية المطلوبة لتدريب نموذج Foundation كبيرة جدًا، حاليًا فقط تمتلك شركات التكنولوجيا الكبرى مثل الولايات المتحدة والصين القدرة المناسبة.
• قيود النظام البيئي مفتوح المصدر: على الرغم من أن النماذج الأساسية الرئيسية قد تم فتح مصدرها، إلا أن المفتاح الحقيقي لدفع突破 النموذج لا يزال مركزًا في المؤسسات البحثية ونظم الهندسة المغلقة، مما يحد من مساحة المشاركة للمشاريع على السلسلة في مستوى النموذج الأساسي.

ومع ذلك، يمكن لمشروع Crypto AI أن يحقق قيمة مضافة من خلال ضبط نماذج اللغة المتخصصة (SLM) على نماذج الأساس مفتوحة المصدر، ودمج القابلية للتحقق وآليات التحفيز في Web3. كـ "طبقة واجهة محيطية" في سلسلة صناعة الذكاء الاصطناعي، يظهر ذلك في اتجاهين رئيسيين:

• طبقة التحقق الموثوق: من خلال تسجيل مسار توليد النموذج، ومساهمة البيانات واستخدامها على السلسلة، تعزز من إمكانية تتبع مخرجات الذكاء الاصطناعي ومقاومة التلاعب.
• آلية التحفيز: من خلال استخدام الرمز الأصلي، لتحفيز سلوكيات مثل رفع البيانات، استدعاء النماذج، تنفيذ الوكلاء، وبناء حلقة إيجابية لتدريب النماذج والخدمات.

تصنيف أنواع نماذج الذكاء الاصطناعي وتحليل ملاءمتها للبلوك تشين

من هنا، يمكن أن نرى أن النقاط القابلة للتطبيق لمشاريع Crypto AI من نوع النموذج تتركز بشكل رئيسي في تحسين خفة نموذج SLM الصغير، ودمج البيانات والتحقق من صحتها في بنية RAG على السلسلة، بالإضافة إلى نشر وتحفيز نماذج Edge محليًا. بال结合 مع قابلية التحقق من blockchain وآلية الرموز، يمكن أن توفر Crypto قيمة فريدة لمشاهد النماذج ذات الموارد المتوسطة والمنخفضة، مما يشكل قيمة مميزة في "طبقة الواجهة" لـ AI.

بناءً على بيانات ونموذج سلسلة الكتل AI، يمكن تسجيل مصادر مساهمة كل بيانات ونموذج بوضوح وبشكل غير قابل للتغيير على السلسلة، مما يعزز بشكل كبير من موثوقية البيانات وقابلية تتبع تدريب النموذج. في نفس الوقت، من خلال آلية العقود الذكية، يتم تنشيط توزيع المكافآت تلقائيًا عند استدعاء البيانات أو النموذج، مما يحول سلوك AI إلى قيمة قابلة للقياس والتداول من خلال الرموز، لبناء نظام تحفيز مستدام. بالإضافة إلى ذلك، يمكن لمستخدمي المجتمع أيضًا تقييم أداء النموذج من خلال التصويت بالرموز، والمشاركة في وضع القواعد والتكرار، وتحسين هيكل الحوكمة اللامركزية.

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-62B3FAe810F4772AABA3D91C74C1AA6)

ثانياً، نظرة عامة على المشروع | رؤية OpenLedger للذكاء الاصطناعي في السلسلة

OpenLedger هو واحد من المشاريع القليلة في سوق blockchain AI التي تركز على آليات تحفيز البيانات والنماذج. لقد طرح أولاً مفهوم "Payable AI" ، الذي يهدف إلى بناء بيئة تشغيل AI عادلة وشفافة وقابلة للتجميع ، لتحفيز المساهمين في البيانات ومطوري النماذج وبناة تطبيقات AI على التعاون على نفس المنصة والحصول على عائدات على السلسلة بناءً على المساهمات الفعلية.

OpenLedger تقدم سلسلة مغلقة كاملة من "توفير البيانات" إلى "نشر النماذج" ثم إلى "استدعاء الأرباح"، وتشمل وحداتها الأساسية:

• مصنع النموذج: دون الحاجة إلى برمجة، يمكنك استخدام LORA لتدريب وتعديل النماذج المخصصة ونشرها بناءً على LLM مفتوح المصدر؛
• OpenLoRA: يدعم التعايش بين آلاف النماذج، التحميل الديناميكي حسب الحاجة، مما يقلل بشكل كبير من تكاليف النشر؛
• PoA (إثبات النسبة): من خلال استدعاءات السلسلة على السجل لتحقيق قياس المساهمة وتوزيع المكافآت؛
• Datanets：شبكات بيانات هيكلية موجهة نحو السيناريوهات العمودية، تم بناؤها والتحقق منها من قبل التعاون المجتمعي؛
• منصة اقتراح النماذج (Model Proposal Platform): سوق نماذج على السلسلة يمكن تجميعها واستدعاؤها ودفعها.

من خلال الوحدات السابقة، أنشأت OpenLedger "البنية التحتية للاقتصاد الذكي" المدفوعة بالبيانات والقابلة للتجميع، مما يعزز التحول الرقمي لسلسلة قيمة الذكاء الاصطناعي.

وفي اعتماد تقنية البلوكشين، قامت OpenLedger باستخدام OP Stack + EigenDA كأساس، لإنشاء بيئة تشغيل بيانات وعقود عالية الأداء ومنخفضة التكلفة وقابلة للتحقق لنماذج الذكاء الاصطناعي.

• مبني على OP Stack: مبني على تقنية Optimism، يدعم التنفيذ عالي الإنتاجية ومنخفض التكلفة؛
• تسوية على الشبكة الرئيسية للإيثريوم: ضمان أمان المعاملات وسلامة الأصول؛
• متوافق مع EVM: يسهل على المطورين نشر وتوسيع بسرعة استنادًا إلى Solidity؛
• EigenDA يوفر دعم توافر البيانات: يقلل بشكل كبير من تكلفة التخزين، ويضمن قابلية التحقق من البيانات.

بالمقارنة مع NEAR التي تركز أكثر على المستوى الأساسي وتستهدف سيادة البيانات و"عوامل الذكاء الاصطناعي على BOS"، تركز OpenLedger أكثر على بناء سلسلة خاصة بالذكاء الاصطناعي موجهة نحو تحفيز البيانات والنماذج، وتسعى لجعل تطوير النماذج واستدعائها على السلسلة قابلة للتتبع، وقابلة للتجميع، ومستدامة. إنها البنية التحتية لتحفيز النماذج في عالم Web3، تجمع بين استضافة النماذج بطريقة HuggingFace، وفوترة الاستخدام بطريقة Stripe، وواجهة تجميع على السلسلة بطريقة Infura، وتدفع نحو تحقيق "النموذج كأصل".

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-19C2276FCCC616CCF9260FB7E35C9C24)

ثلاثة، المكونات الأساسية و بنية التقنية لـ OpenLedger

3.1 نموذج المصنع،无需代码模型工厂

ModelFactory هو منصة لتدريب نماذج اللغة الكبيرة (LLM) تحت نظام OpenLedger. على عكس إطارات التخصيص التقليدية، يوفر ModelFactory واجهة رسومية بالكامل، دون الحاجة إلى أدوات سطر الأوامر أو تكامل واجهة برمجة التطبيقات. يمكن للمستخدمين تخصيص النماذج استنادًا إلى مجموعات البيانات التي تم تفويضها ومراجعتها على OpenLedger. وقد تم تحقيق سير العمل المتكامل لتفويض البيانات وتدريب النماذج ونشرها، حيث تشمل العمليات الأساسية ما يلي:

• التحكم في وصول البيانات: يقوم المستخدم بتقديم طلب بيانات، ويقوم المزود بمراجعته والموافقة عليه، ويتم الاتصال بالبيانات تلقائيًا بواجهة تدريب النموذج.
• اختيار النموذج وتكوينه: يدعم LLM الشائعة، من خلال واجهة المستخدم الرسومية لتكوين المعلمات الفائقة.
• تقليل الوزن الدقيق: محرك LoRA / QLoRA المدمج، يعرض تقدم التدريب في الوقت الحقيقي.
• تقييم النموذج ونشره: أدوات تقييم مدمجة، تدعم تصدير النشر أو مشاركة استدعاء النظام البيئي.
• واجهة تحقق تفاعلية: توفر واجهة محادثة، لتسهيل اختبار قدرة النموذج على الإجابة.
• RAG توليد تتبع: إجابات مع اقتباسات المصدر، لتعزيز الثقة وقابلية التدقيق.

يتكون هيكل نظام Model Factory من ستة وحدات، تغطي المصادقة على الهوية، صلاحيات البيانات، ضبط النماذج، تقييم النشر وRAG التتبع، لإنشاء منصة خدمات نماذج متكاملة آمنة وقابلة للتحكم، تفاعلية في الوقت الفعلي، وقابلة للتسويق المستدام.

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F23F47F09226573B1FCACEBDCFB8c1f3)

جدول ملخص قدرات نماذج اللغة الكبيرة المدعومة حاليًا من ModelFactory كالتالي:

• سلسلة LLaMA: الأكثر انتشارًا في النظام البيئي، مجتمع نشط، أداء عام قوي، وهي واحدة من النماذج الأساسية مفتوحة المصدر الأكثر شيوعًا حاليًا.
• Mistral: هيكل فعال، أداء استدلال ممتاز، مناسب للنشر المرن، والسيناريوهات ذات الموارد المحدودة.
• Qwen: قدرة شاملة قوية، مناسبة للاختيار الأول للمطورين المحليين.
• ChatGLM: التأثيرات المحادثة باللغة الصينية بارزة، مناسبة لخدمة العملاء المتخصصة والمشاهد المحلية.
• Deepseek: يتميز بأدائه الممتاز في توليد الشفرات والاستدلال الرياضي، مناسب لأدوات دعم التطوير الذكي.
• Gemma: نموذج خفيف الوزن تم إطلاقه من قبل Google، هيكل واضح، سهل الاستخدام والتجربة بسرعة.
• Falcon: كانت معيار الأداء، مناسبة للبحث الأساسي أو اختبارات المقارنة، لكن نشاط المجتمع قد انخفض.
• BLOOM: دعم متعدد اللغات قوي، ولكن أداء الاستدلال ضعيف، مناسب للأبحاث التي تغطي اللغات.
• GPT-2: نموذج كلاسيكي مبكر، مناسب فقط للأغراض التعليمية والتحقق، لا يُنصح باستخدامه في النشر الفعلي.

على الرغم من أن مجموعة نماذج OpenLedger لا تحتوي على أحدث نماذج MoE عالية الأداء أو النماذج متعددة الوسائط، إلا أن استراتيجيتها ليست عتيقة، بل هي تكوين "الأولوية العملية" المبني على القيود الواقعية للنشر على السلسلة (تكاليف الاستدلال، توافق RAG، توافق LoRA، بيئة EVM).

Model Factory كأداة بدون كود، تحتوي جميع النماذج على آلية إثبات المساهمة المدمجة، لضمان حقوق المساهمين في البيانات ومطوري النماذج، وتتميز بانخفاض العتبة، وقابلية التحويل، وإمكانية التكامل، مقارنة بأدوات تطوير النماذج التقليدية:

• للمطورين: تقديم مسار كامل لنموذج الحضانة والتوزيع والدخل؛
• بالنسبة للمنصة: تشكيل تدفق الأصول النموذجية وبيئة التركيب؛
• بالنسبة للمستخدمين: يمكن استخدام النماذج أو الوكلاء بشكل مجمع كما لو كنت تستدعي API.

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ moments-909dc3f796ad6aa44a1c97a51ade4193)

3.2 OpenLoRA، الأصول على السلسلة لنموذج التعديل

LoRA (التكيف منخفض الرتبة) هي طريقة فعالة لضبط المعلمات، من خلال إدراج "مصفوفة منخفضة الرتبة" في نموذج كبير تم تدريبه مسبقًا لتعلم مهام جديدة، دون تعديل معلمات النموذج الأصلي، مما يقلل بشكل كبير من تكاليف التدريب واحتياجات التخزين. عادةً ما تحتوي نماذج اللغة الكبيرة التقليدية على عشرات المليارات أو حتى مئات المليارات من المعلمات. لاستخدامها في مهام محددة، يجب إجراء ضبط (تدريب إضافي). الاستراتيجية الأساسية لـ LoRA هي: "تجميد معلمات النموذج الكبير الأصلي، وتدريب مصفوفة المعلمات الجديدة المدخلة فقط."، مما يجعلها فعالة من حيث المعلمات، وسريعة التدريب، ومرنة في النشر، وهي الطريقة الرئيسية الأنسب لنشر نماذج Web3 واستدعاءها بشكل مركب.

OpenLoRA هو إطار استدلال خفيف الوزن تم بناؤه بواسطة OpenLedger ومصمم لنشر نماذج متعددة ومشاركة الموارد. الهدف الرئيسي منه هو حل المشكلات الشائعة المرتبطة بنشر نماذج الذكاء الاصطناعي الحالية مثل التكلفة العالية، وعدم إعادة الاستخدام، وهدر موارد وحدة المعالجة الرسومية، وتعزيز تنفيذ "الذكاء الاصطناعي القابل للدفع".

OpenLoRA نظام معمارية المكونات الأساسية، يعتمد على تصميم معياري، يغطي تخزين النماذج، تنفيذ الاستدلال، توجيه الطلبات وغيرها من المراحل الأساسية، لتحقيق نشر واستدعاء متعدد النماذج بكفاءة وبتكلفة منخفضة:

• وحدة تخزين LoRA Adapter: يتم استضافة LoRA adapter الذي تم ضبطه في OpenLedger، مما يتيح التحميل حسب الطلب، وتجنب تحميل جميع النماذج مسبقًا في ذاكرة الوصول العشوائي، مما يوفر الموارد.
• استضافة النموذج وطبقة الدمج الديناميكية: تشترك جميع نماذج التعديل في نموذج كبير أساسي، أثناء الاستدلال، يتم دمج محول LoRA ديناميكيًا، ويدعم الاستدلال المشترك لعدة محولات (ensemble)، مما يعزز الأداء.
• محرك الاستدلال: يتضمن تحسينات متعددة مثل Flash-Attention وPaged-Attention وSGMV وغيرها من تحسينات CUDA.