OpenLedger Derinlik Araştırması: OP Stack+EigenDA tabanlı, veri odaklı ve model birleştirilebilir bir akıllı varlık ekonomisi inşa etmek

Bir, Giriş | Crypto AI'nin model katmanındaki sıçrama

Veri, model ve hesaplama gücü, AI altyapısının üç ana çekirdek unsurudur; yakıt (veri), motor (model) ve enerji (hesaplama gücü) birbirini tamamlamadan olmaz. Geleneksel AI sektörünün altyapı evrimiyle benzer bir yol izleyen Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başında, piyasa merkeziyetsiz GPU projeleri tarafından bir süre yönlendirilmiş ve genellikle "hesaplama gücünü birleştirme" gibi yaygın bir büyüme mantığı vurgulanmıştır. 2025 yılına girerken, sektörün odak noktası yavaş yavaş model ve veri katmanlarına kaymaya başlamış, bu da Crypto AI’nın alt düzey kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta katman inşasına geçişini simgeler.

Genel Model (LLM) vs Spesifik Model (SLM)

Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setlerine ve karmaşık dağıtılmış mimarilere yüksek derecede bağımlıdır, parametre ölçekleri genellikle 70B–500B arasında değişmektedir, bir kez eğitim maliyeti genellikle milyonlarca dolara ulaşmaktadır. SLM (Özel Dil Modeli) ise, tekrar kullanılabilir temel modellerin hafif ince ayar paradigması olarak, genellikle açık kaynak modellerine dayanmaktadır, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi teknolojilerle birleştirilerek belirli alan bilgisine sahip uzman modellerin hızlı bir şekilde inşa edilmesine olanak tanır ve eğitim maliyetlerini ve teknik engelleri önemli ölçüde düşürür.

Dikkate değer bir nokta, SLM'nin LLM ağırlıkları içine entegre edilmeyeceği, bunun yerine Agent yapısı aracılığıyla çağrılacağı, eklenti sistemi dinamik yönlendirme, LoRA modülü sıcak takılması, RAG (Retrieve Augmented Generation) gibi yöntemlerle LLM ile işbirliği içinde çalışacağıdır. Bu yapı, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülü ile profesyonel performansı 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 artırmakta zordur, bunun temel nedeni şudur:

• Teknik engel çok yüksek: Foundation Model'ı eğitmek için gereken 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 atılımlarını 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 üzerinde, Crypto AI projeleri hala özel dil modellerini (SLM) ince ayar yaparak ve Web3'ün doğrulanabilirliği ve teşvik mekanizmasını birleştirerek değer uzatımı gerçekleştirebilir. AI endüstri zincirinin "kenar arayüz katmanı" olarak, iki temel yönde kendini göstermektedir:

• Güvenilir doğrulama katmanı: Model oluşturma yollarını, veri katkılarını ve kullanım durumlarını zincir üzerinde kaydederek, AI çıktılarının izlenebilirliğini ve değiştirilme direncini artırır.
• Teşvik mekanizması: Yerel Token'ı kullanarak veri yükleme, model çağırma, akıllı ajan (Agent) yürütme gibi davranışları teşvik etmek için model eğitimi ve hizmetinin olumlu döngüsünü oluşturmak.

AI model türleri sınıflandırması ve blok zinciri uygunluk analizi

Buna göre, model türü Crypto AI projelerinin uygulanabilir noktaları, esasen küçük SLM'lerin hafif ince ayarı, RAG mimarisinin zincir üzerindeki veri erişimi ve doğrulaması ile Edge modellerinin yerel dağıtımı ve teşviki üzerine yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizmasıyla birleştiğinde, Crypto, bu orta ve düşük kaynaklı model senaryolarına özgü bir değer sunarak AI "arayüz katmanı" için farklılaştırılmış bir değer oluşturabilir.

Veri ve model temelli blockchain AI zinciri, her bir veri ve modelin katkı kaynağını net ve değiştirilemez bir şekilde zincirleme kaydeder, veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırır. Ayrıca, akıllı sözleşme mekanizması sayesinde, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışını ölçülebilir ve ticarete konu olan token değerine dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirebilir, kuralların belirlenmesine ve yinelemeye katılabilir, merkeziyetsiz yönetişim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'ın AI Zincir Vizyonu

OpenLedger, mevcut pazarda veri ve model teşvik mekanizmalarına odaklanan az sayıdaki blockchain AI projesinden biridir. "Ödenebilir AI" kavramını ilk kez ortaya atarak, veri katkıcıları, model geliştiricileri ve AI uygulama oluşturucularının aynı platformda işbirliği yapmalarını teşvik eden adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı oluşturmayı hedefliyor ve gerçek katkılara göre zincir üzerindeki kazançları elde etmelerini sağlıyor.

OpenLedger, "veri sağlama"dan "model dağıtım"ına ve "dağıtım call"una kadar tam bir zincir kapama sunmaktadır; ana modülleri şunlardır:

• Model Fabrikası: Programlama gerektirmeden, açık kaynak LLM temelinde LoRA ince ayar eğitimi yaparak ve özel modelleri dağıtarak kullanabilirsiniz;
• OpenLoRA: Binlerce modelin aynı anda var olmasını destekler, ihtiyaç duyuldukça dinamik olarak yükler, dağıtım maliyetlerini önemli ölçüde azaltır;
• PoA (Atıf Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağıtımı sağlanır;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk işbirliği ile inşa edilip doğrulanmaktadır;
• Model Teklif Platformu (Model Proposal Platform): Kombinlenebilir, çağrılabilir ve ödenebilir zincir üzerindeki model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model kombinasyonuna sahip bir "akıllı ajan ekonomik altyapısı" inşa etti ve AI değer zincirinin zincir üzerindeki entegrasyonunu teşvik etti.

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

• OP Stack'a dayalı: Optimism teknoloji yığınına dayalı, yüksek işlem hacmi ve düşük maliyetli yürütmeyi destekler;
• Ethereum ana ağında hesaplama: İşlem güvenliği ve varlık bütünlüğünü sağlamak;
• EVM uyumlu: Geliştiricilerin Solidity tabanlı hızlı bir şekilde dağıtım ve genişletme yapmalarını sağlar;
• EigenDA, veri kullanılabilirliği desteği sunar: depolama maliyetlerini önemli ölçüde azaltır ve verilerin doğrulanabilirliğini güvence altına alır.

NEAR gibi daha çok temel katmana odaklanan, veri egemenliğini ve "AI Agents on BOS" mimarisini öne çıkaran genel AI blok zincirlerine kıyasla, OpenLedger daha çok veri ve model teşviklerine yönelik AI özel zincirleri inşa etmeye odaklanmaktadır. Amacı, modellerin geliştirilmesi ve çağrılmasının zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını sağlamaktır. Bu, Web3 dünyasında model teşvik altyapısıdır ve HuggingFace tarzında model barındırma, Stripe tarzında kullanım ücretlendirmesi ve Infura tarzında zincir üzerindeki birleştirilebilir arayüzleri bir araya getirerek "modelin varlık olarak" gerçekleştirilmesine yönelik bir yol sunmaktadır.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknoloji Mimarisi

3.1 Model Fabrikası, kod gerektirmeyen model fabrikası

ModelFactory, OpenLedger ekosisteminde yer alan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinden farklı olarak, ModelFactory tamamen grafik arayüzü ile işlem yapmayı sağlar; komut satırı araçlarına veya API entegrasyonlarına gerek yoktur. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve denetlenmiş veri setlerine dayanarak modellere ince ayar yapabilirler. Veri yetkilendirme, model eğitimi ve dağıtımının entegre bir iş akışını gerçekleştirmiştir; temel süreçler şunlardır:

• Veri erişim kontrolü: Kullanıcı veri talebi gönderir, sağlayıcı onaylar, veriler otomatik olarak model eğitim arayüzüne bağlanır.
• Model seçimi ve yapılandırması: Ana akım LLM'leri destekler, GUI aracılığıyla hiperparametreleri yapılandırır.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Dahili değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrısını destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneğini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG oluşturma izlenebilirliği: Kaynak atıfları ile yanıt verme, güveni ve denetlenebilirliği artırır.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkilendirmesi, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği ile entegre altı ana modülden oluşmaktadır. Güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir gelir elde etme imkanı sunan entegre bir model hizmeti platformu oluşturur.

ModelFactory şu anda desteklenen büyük dil modeli yeteneklerinin özeti aşağıdadır:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk ve güçlü genel performans ile şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Verimli bir mimariye sahip, mükemmel çıkarım performansı ile esnek dağıtım ve sınırlı kaynaklara sahip senaryolar için uygundur.
• Qwen: Kapsamlı yeteneklere sahip, yerli geliştiriciler için en iyi seçim.
• ChatGLM: Çince konuşma etkisi belirgin, dikey müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans gösterir, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Google tarafından sunulan hafif bir model, yapısı net, hızlı bir şekilde öğrenmek ve deney yapmak için kolay.
• Falcon: Bir zamanlar performans standartıydı, temel araştırmalar veya karşılaştırma testleri için uygundu, ancak topluluk aktivitesi azalmış durumda.
• BLOOM: Çok dilli destek güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken model, yalnızca öğretim ve doğrulama amaçları için uygundur, gerçek dağıtımda kullanılmasını önerilmez.

OpenLedger'ın model kombinasyonu en son yüksek performanslı MoE modelini veya çok modlu modelleri içermese de, stratejisi eski değil; aksine zincir üzerindeki dağıtımın gerçek kısıtlamaları (çıkarsama maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temelinde "pratik öncelikli" bir yapılandırma yapılmıştır.

Model Factory, bir kodsuz araç zinciri olarak, tüm modeller katkı kanıtlama mekanizması ile entegre edilmiştir ve veri katkı sağlayıcıları ile model geliştiricilerinin haklarını güvence altına alır. Düşük erişim engeli, nakde dönüştürülebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir ve geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtımı ve gelir için eksiksiz bir yol sunar;
• Platform için: model varlıklarının dolaşımını ve birleşim ekosistemini oluşturmak;
• Uygulayıcılar için: Modelleri veya Ajanları API çağrısı yapar gibi birleştirerek kullanabilirsiniz.

3.2 OpenLoRA, mikro ayar modelinin zincir üstü varlıklaştırılması

LoRA (Düşük Sıralı Uyarlama), önceden eğitilmiş büyük bir modele "düşük rütbeli matris" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden etkili bir parametre ince ayar yöntemidir ve böylece eğitim maliyetlerini ve depolama gereksinimlerini önemli ölçüde azaltır. Geleneksel büyük dil modelleri genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Onları belirli görevler için kullanmak için ince ayar yapılması gerekmektedir. LoRA'nın temel stratejisi şudur: "Orijinal büyük modelin parametrelerini dondur, yalnızca eklenen yeni parametre matrisini eğit." Bu, parametre verimliliği, hızlı eğitim ve esnek dağıtım sağlar ve günümüzde Web3 modeli dağıtımı ve birleşik çağrıları için en uygun ana akım ince ayar yöntemidir.

OpenLoRA, OpenLedger tarafından çoklu model dağıtımı ve kaynak paylaşımı için tasarlanmış hafif bir çıkarım çerçevesidir. Temel hedefi, mevcut AI model dağıtımında yaygın olan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "Ödenebilir AI"nın (Payable AI) uygulanmasını teşvik etmektir.

OpenLoRA sistem mimarisinin çekirdek bileşeni, modüler tasarıma dayanmaktadır ve model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsamaktadır. Verimli, düşük maliyetli çoklu model dağıtım ve çağrı yeteneği sağlamaktadır:

• LoRA Adaptörü Depolama Modülü: İnce ayar yapılmış LoRA adaptörü OpenLedger'de barındırılmakta, ihtiyaç duyulduğunda yüklenerek tüm modellerin ön bellek belleğine yüklenmesini önlemekte ve kaynak tasarrufu sağlamaktadır.
• Model barındırma ve dinamik entegrasyon katmanı: Tüm ince ayar modelleri ortak temel büyük modeli kullanır, çıkarım sırasında LoRA adaptörü dinamik olarak birleştirilir, birden fazla adaptörün birleşik çıkarımını (ensemble) destekler, performansı artırır.
• Çıkarım Motoru: Flash-Attention, Paged-Attention, SGMV optimizasyonu gibi bir dizi CUDA özelliğini entegre eder.