OpenLedger создает экосистему AI в блокчейне: OP Stack + EigenDA как основа для построения новой парадигмы экономики агентов

2025-07-12 14:37:53

Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA

Один. Введение | Модельный уровень Crypto AI

Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель), энергии (вычислительная мощность) – все они необходимы. Подобно эволюционному пути инфраструктуры традиционной индустрии ИИ, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок был временно под контролем децентрализованных GPU проектов, которые в основном подчеркивали логику грубого роста «состязания вычислительной мощности». Однако к 2025 году внимание отрасли постепенно переместилось на уровень моделей и данных, что означает, что Crypto AI переходит от конкуренции за базовые ресурсы к более устойчивому и имеющему прикладную ценность среднему уровню построения.

Общая модель (LLM) против специализированной модели (SLM)

Традиционные крупные языковые модели (LLM) сильно зависят от больших наборов данных и сложной распределенной архитектуры, размер параметров часто составляет от 70B до 500B, а стоимость одной тренировки может достигать нескольких миллионов долларов. В то время как SLM (Специализированная языковая модель) является легкой парадигмой тонкой настройки, основанной на повторно используемой базовой модели, обычно основанной на открытых моделях, с использованием небольшого количества высококачественных специализированных данных и технологий, таких как LoRA, для быстрого создания экспертных моделей с конкретными знаниями в определенной области, что значительно снижает стоимость обучения и технический порог.

Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет взаимодействовать с LLM через архитектуру Agent, динамическую маршрутизацию плагинов, горячую замену модулей LoRA, RAG (улучшенное генеративное извлечение) и другие способы. Эта архитектура сохраняет широкие возможности LLM, одновременно усиливая профессиональные показатели благодаря модулю тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.

Ценность и границы Crypto AI на уровне модели

Крипто AI проекты по своей сути сложно напрямую улучшить основные возможности больших языковых моделей (LLM), основная причина заключается в том, что

Технический барьер слишком высок: объем данных, вычислительные ресурсы и инженерные способности, необходимые для обучения базовой модели, крайне велики, в настоящее время только такие технологические гиганты, как США и Китай, обладают соответствующими возможностями.
Ограничения открытой экосистемы: Хотя основные модели открыты, настоящая движущая сила прорыва моделей по-прежнему сосредоточена в научных учреждениях и закрытых инженерных системах, и участие цепочных проектов на уровне основных моделей ограничено.

Однако, на основе открытых моделей, проект Crypto AI все еще может реализовать расширение ценности через тонкую настройку специализированных языковых моделей (SLM) и сочетание с проверяемостью и механизмами стимулирования Web3. В качестве «периферийного интерфейсного слоя» AI индустриальной цепочки это проявляется в двух основных направлениях:

Достоверный уровень верификации: через записи в цепочке о путях генерации моделей, вкладе данных и их использовании, усиливается прослеживаемость и устойчивость к подделкам выводов ИИ.
Механизм стимулов: С помощью родного токена, используемого для стимулирования загрузки данных, вызова моделей, выполнения агентов и других действий, создается положительная обратная связь между обучением моделей и предоставлением услуг.

Классификация типов AI моделей и анализ применимости блокчейна

Таким образом, можно увидеть, что жизнеспособные точки приложения модели типа Crypto AI в основном сосредоточены на легкой настройке малых SLM, подключении и проверке данных на блокчейне в архитектуре RAG, а также на локальном развертывании и стимуляции Edge моделей. В сочетании с верифицируемостью блокчейна и токеномикой, Crypto может предложить уникальную ценность для этих сцен с низкими и средними ресурсами, формируя дифференцированную ценность «интерфейсного слоя» AI.

Блокчейн AI цепь на основе данных и моделей может четко и неизменно записывать источник вклада каждой единицы данных и модели в блокчейн, что значительно повышает доверие к данным и прослеживаемость обучения модели. Одновременно, благодаря механизму смарт-контрактов, при вызове данных или модели автоматически инициируется распределение вознаграждений, что превращает поведение AI в измеримую и торгуемую токенизированную ценность, создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели, голосуя токенами, участвовать в разработке и итерациях правил, улучшая архитектуру децентрализованного управления.

! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-62b3fa1e810f4772aaba3d91c74c1aa6)

Два, Обзор проекта | Видение AI цепи OpenLedger

OpenLedger — это один из немногих блокчейн AI проектов на текущем рынке, сосредоточенных на механизмах стимулов для данных и моделей. Он впервые предложил концепцию «Payable AI», которая направлена на создание справедливой, прозрачной и комбинируемой среды для работы AI, стимулируя вкладчиков данных, разработчиков моделей и создателей AI приложений к сотрудничеству на одной платформе и получение доходов на цепочке в зависимости от фактического вклада.

OpenLedger предоставляет полный замкнутый цикл от «предоставления данных» до «развертывания модели», а затем до «вызова распределения прибыли», его основные модули включают:

Модельный завод: не требуется программирование, можно использовать LoRA для тонкой настройки, обучения и развертывания настраиваемых моделей на основе исходного LLM;
OpenLoRA: поддержка совместного использования тысяч моделей, динамическая загрузка по мере необходимости, что существенно снижает затраты на развертывание;
PoA (Доказательство атрибуции): реализация измерения вклада и распределения вознаграждений через записи вызовов на блокчейне;
Datanets: структурированная сеть данных, ориентированная на вертикальные сценарии, построенная и проверенная сообществом;
Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый, оплачиваемый онлайновый рынок моделей.

С помощью вышеуказанных модулей OpenLedger создала «инфраструктуру экономических агентов», основанную на данных и модели, которая способствует онлайнизации цепочки ценности AI.

А в применении технологии блокчейн OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду для выполнения данных и контрактов для AI моделей.

Построено на базе OP Stack: основано на технологии Optimism, поддерживает высокую пропускную способность и низкие затраты на выполнение;
Расчет на основной сети Ethereum: Обеспечение безопасности транзакций и целостности активов;
EVM совместимость: удобно для разработчиков быстро развертывать и расширять на основе Solidity;
EigenDA предоставляет поддержку доступности данных: значительно снижает затраты на хранение, обеспечивает проверяемость данных.

По сравнению с такими проектами, как NEAR, которые больше ориентированы на базовый уровень и подчеркивают суверенитет данных, а также архитектуру «AI Agents on BOS», OpenLedger более сосредоточен на создании специализированной цепочки для AI, ориентированной на стимулы данных и моделей, стремясь сделать разработку и вызов моделей на цепочке осуществимыми с возможностью отслеживания, комбинирования и устойчивого замкнутого цикла ценности. Это инфраструктура стимулов для моделей в мире Web3, объединяющая хостинг моделей в стиле HuggingFace, взимание платы за использование в стиле Stripe и интерфейсы для комбинаций на цепочке в стиле Infura, способствуя реализации концепции «модель как актив».

Три, основные компоненты и технологическая архитектура OpenLedger

3.1 Модельный завод,无需代码模型工厂

ModelFactory является крупной платформой по тонкой настройке языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков для тонкой настройки, ModelFactory предоставляет чисто графический интерфейс для работы, не требуя инструментов командной строки или интеграции API. Пользователи могут настраивать модели на основе наборов данных, которые были авторизованы и проверены на OpenLedger. Реализован интегрированный рабочий процесс, включающий авторизацию данных, обучение моделей и их развертывание; его ключевые этапы включают:

Контроль доступа к данным: Пользователь отправляет запрос на данные, поставщик проверяет и утверждает, данные автоматически подключаются к интерфейсу обучения модели.
Выбор и настройка модели: поддержка основных LLM, настройка гиперпараметров через GUI.
Легкая настройка: Встроенный движок LoRA / QLoRA, демонстрация прогресса обучения в реальном времени.
Оценка и развертывание моделей: встроенные инструменты оценки, поддерживающие экспорт развертывания или совместное использование в экосистеме.
Интерфейс проверки взаимодействия: предоставляет чат-интерфейс, удобный для прямого тестирования способности модели к ответам на вопросы.
Генерация отслеживания RAG: Ответы с ссылками на источники, повышающие доверие и аудируемость.

Система архитектуры Model Factory включает шесть основных модулей, охватывающих идентификацию, права доступа к данным, тонкую настройку моделей, оценку и развертывание, а также RAG отслеживание, создавая интегрированную платформу моделирования услуг с безопасностью и контролем, реальным взаимодействием и устойчивой монетизацией.

Краткое описание возможностей больших языковых моделей, поддерживаемых ModelFactory, представлено ниже:

Серия LLaMA: самый широкий экосистем, активное сообщество, высокая универсальная производительность, одна из самых популярных открытых базовых моделей на сегодняшний день.
Mistral: Архитектура эффективная, производительность вывода отличная, подходит для гибкого развертывания в условиях ограниченных ресурсов.
Qwen: Обширные возможности, подходит для выбора отечественными разработчиками.
ChatGLM: выдающееся качество диалога на китайском языке, подходит для специализированных служб поддержки и локализованных сценариев.
Deepseek: проявляет превосходство в генерации кода и математическом выводе, подходит для инструментов поддержки интеллектуальной разработки.
Gemma: легкая модель, разработанная Google, с четкой структурой, легко осваиваемая и подходящая для быстрого начала работы и экспериментов.
Falcon: Ранее был эталоном производительности, подходит для фундаментальных исследований или сравнительных тестов, но активность сообщества снизилась.
BLOOM: хорошая поддержка нескольких языков, но производительность вывода слабая, подходит для исследований с охватом языков.
GPT-2: Классическая ранняя модель, подходит только для учебных и верификационных целей, не рекомендуется для практического развертывания.

Хотя модельный состав OpenLedger не включает в себя последние высокопроизводительные модели MoE или мультимодальные модели, его стратегия не устарела, а основана на «приоритетной практичности» в условиях реальных ограничений, связанных с развертыванием на блокчейне (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).

Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, обеспечивая права участников данных и разработчиков моделей, обладает низким порогом, возможностью монетизации и комбинирования, по сравнению с традиционными инструментами разработки моделей:

Для разработчиков: предоставление полного пути к инкубации, распространению и доходам моделей;
Для платформы: формирование модели циркуляции активов и сочетания экосистемы;
Для пользователей: можно комбинировать использование модели или агента, как при вызове API.

3.2 OpenLoRA, активизация ончейн-активов модели донастройки

LoRA (Low-Rank Adaptation) — это эффективный метод тонкой настройки параметров, который позволяет обучать новые задачи, вставляя «низкоранговые матрицы» в предобученные большие модели, не модифицируя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранению. Традиционные большие языковые модели обычно имеют десятки миллиардов или даже сотни миллиардов параметров. Чтобы использовать их для конкретных задач, требуется тонкая настройка (fine-tuning). Основная стратегия LoRA заключается в следующем: «заморозить параметры оригинальной большой модели, обучая только вставленные новые матричные параметры». Этот метод эффективен по параметрам, быстро обучается и гибко разворачивается, что делает его наиболее подходящим для развертывания моделей Web3 и комбинированного вызова.

OpenLoRA — это легковесный фреймворк для вывода, созданный OpenLedger, специально разработанный для развертывания многомодельных систем и совместного использования ресурсов. Его основной целью является решение общих проблем, связанных с развертыванием AI моделей, таких как высокие затраты, низкая повторная использование и неэффективное использование ресурсов GPU, с целью содействия реализации «оплачиваемого AI» (Payable AI).

OpenLoRA система архитектуры ключевых компонентов, основанная на модульном дизайне, охватывающая хранение моделей, выполнение вывода, маршрутизацию запросов и другие ключевые этапы, обеспечивающая эффективное и низкозатратное развертывание и вызов нескольких моделей:

Модуль хранения LoRA адаптера: дообученный адаптер LoRA размещается на OpenLedger, что позволяет загружать его по мере необходимости, избегая предзагрузки всех моделей в видеопамять, экономя ресурсы.
Хостинг моделей и динамический слой слияния: все модели дообучения используют базовую большую модель, во время вывода LoRA адаптер динамически объединяется, поддерживает совместный вывод нескольких адаптеров (ансамбль), что повышает производительность.
Инференс-движок: интеграция Flash-Attention, Paged-Attention, оптимизация SGMV и другие CUDA улучшения.

OP-2.38%

Посмотреть Оригинал

This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.

9 Лайков