OpenLedger Kedalaman Riset: Membangun ekonomi agen yang didorong oleh data dan dapat dikombinasikan dengan model menggunakan OP Stack+EigenDA sebagai fondasi

I. Pendahuluan | Lompatan lapisan model Crypto AI

Data, model, dan daya komputasi adalah tiga elemen inti infrastruktur AI, yang masing-masing dapat dianalogikan dengan bahan bakar (data), mesin (model), dan energi (daya komputasi) yang tidak bisa dipisahkan. Seperti halnya jalur evolusi infrastruktur di industri AI tradisional, bidang Crypto AI juga mengalami tahap yang serupa. Pada awal 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi ( beberapa platform lainnya ), yang secara umum menekankan logika pertumbuhan yang mengandalkan "daya komputasi". Namun, memasuki tahun 2025, fokus industri secara bertahap bergeser ke lapisan model dan data, menandakan bahwa Crypto AI sedang bertransisi dari persaingan sumber daya dasar menuju pembangunan lapisan menengah yang lebih berkelanjutan dan bernilai aplikasi.

Model Besar Umum (LLM) vs Model Khusus (SLM)

Model bahasa besar tradisional (LLM) sangat bergantung pada kumpulan data besar dan arsitektur terdistribusi yang kompleks, dengan ukuran parameter yang bisa mencapai antara 70B hingga 500B, dan biaya pelatihan sekali sering mencapai jutaan dolar. Sedangkan SLM (Model Bahasa Khusus) sebagai paradigma penyesuaian ringan model dasar yang dapat digunakan kembali, biasanya dibangun di atas model sumber terbuka seperti LLaMA, Mistral, DeepSeek, dengan menggabungkan sedikit data profesional berkualitas tinggi dan teknologi seperti LoRA, untuk dengan cepat membangun model pakar yang memiliki pengetahuan di bidang tertentu, secara signifikan mengurangi biaya pelatihan dan ambang teknis.

Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, tetapi akan beroperasi dengan LLM melalui arsitektur Agent, sistem plugin untuk routing dinamis, hot-plug modul LoRA, dan RAG (Generasi Ditingkatkan dengan Pencarian). Arsitektur ini mempertahankan kemampuan cakupan luas dari LLM, sekaligus meningkatkan kinerja profesional melalui modul penyempurnaan, membentuk sistem pintar kombinasi yang sangat fleksibel.

Crypto AI di lapisan model nilai dan batasan

Proyek Crypto AI pada dasarnya sulit untuk secara langsung meningkatkan kemampuan inti model bahasa besar (LLM), alasan utamanya adalah

• Hambatan teknis terlalu tinggi: Skala data, sumber daya komputasi, dan kemampuan rekayasa yang diperlukan untuk melatih Model Foundation sangat besar, saat ini hanya ada raksasa teknologi seperti Amerika Serikat (beberapa perusahaan, dll.) dan Tiongkok (beberapa perusahaan, dll.) yang memiliki kemampuan tersebut.
• Keterbatasan ekosistem sumber terbuka: Meskipun model dasar utama seperti LLaMA, Mixtral telah menjadi sumber terbuka, kunci untuk mendorong terobosan model tetap terpusat pada lembaga penelitian dan sistem rekayasa tertutup, dengan ruang partisipasi proyek berbasis blockchain pada lapisan model inti yang terbatas.

Namun, di atas model dasar sumber terbuka, proyek Crypto AI masih dapat memperluas nilai melalui penyesuaian model bahasa khusus (SLM), dan menggabungkan verifikasi dan mekanisme insentif dari Web3. Sebagai "lapisan antarmuka periferal" dari rantai industri AI, ini terwujud dalam dua arah inti:

• Lapisan verifikasi yang dapat dipercaya: Meningkatkan keterlacakan dan ketahanan terhadap manipulasi dari output AI dengan merekam jalur generasi model, kontribusi data, dan penggunaan melalui catatan di blockchain.
• Mekanisme insentif: Menggunakan Token asli untuk mendorong perilaku seperti pengunggahan data, pemanggilan model, dan eksekusi agen, membangun siklus positif pelatihan dan layanan model.

Klasifikasi Tipe Model AI dan Analisis Kesesuaian Blockchain

Dari sini dapat dilihat bahwa titik keberhasilan utama proyek Crypto AI yang berbasis model terutama terfokus pada penyempurnaan ringan SLM kecil, akses dan verifikasi data on-chain dengan arsitektur RAG, serta penyebaran dan insentif model Edge secara lokal. Menggabungkan ketahanan verifikasi blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model sumber daya menengah ke bawah ini, membentuk nilai diferensiasi dari "lapisan antarmuka" AI.

Blockchain AI chain berdasarkan data dan model dapat mencatat sumber kontribusi setiap data dan model dengan jelas dan tidak dapat diubah, secara signifikan meningkatkan kepercayaan data dan keterlacakan pelatihan model. Selain itu, melalui mekanisme kontrak pintar, ketika data atau model dipanggil, distribusi hadiah akan secara otomatis dipicu, mengubah perilaku AI menjadi nilai tokenisasi yang dapat diukur dan diperdagangkan, membangun sistem insentif yang berkelanjutan. Selain itu, pengguna komunitas juga dapat mengevaluasi kinerja model melalui voting token, berpartisipasi dalam perumusan aturan dan iterasi, serta menyempurnakan struktur tata kelola terdesentralisasi.

Dua, Gambaran Proyek | Visi Rantai AI OpenLedger

OpenLedger adalah salah satu dari sedikit proyek blockchain AI yang saat ini berfokus pada mekanisme insentif data dan model di pasar. Ini adalah yang pertama mengusulkan konsep "Payable AI", yang bertujuan untuk membangun lingkungan operasi AI yang adil, transparan, dan dapat digabungkan, mendorong kontributor data, pengembang model, dan pembangun aplikasi AI untuk berkolaborasi di platform yang sama, dan mendapatkan pendapatan on-chain berdasarkan kontribusi nyata.

OpenLedger menyediakan rantai tertutup penuh dari "penyediaan data" hingga "penempatan model" dan "panggilan pembagian keuntungan", dengan modul inti sebagai berikut:

• Model Factory: Tanpa perlu pemrograman, dapat menggunakan LoRA untuk pelatihan dan penyebaran model kustom berdasarkan LLM sumber terbuka;
• OpenLoRA: mendukung koeksistensi ribuan model, memuat secara dinamis sesuai kebutuhan, secara signifikan mengurangi biaya penyebaran;
• PoA (Proof of Attribution): Mengukur kontribusi dan distribusi hadiah melalui pencatatan panggilan di blockchain;
• Datanets: Jaringan data terstruktur yang ditujukan untuk skenario vertikal, dibangun dan divalidasi melalui kolaborasi komunitas;
• Platform Usulan Model (Model Proposal Platform): Pasar model on-chain yang dapat dikombinasikan, dipanggil, dan dibayar.

Melalui modul di atas, OpenLedger membangun "infrastruktur ekonomi agen cerdas" yang didorong oleh data dan dapat menggabungkan model, mendorong on-chain dari rantai nilai AI.

Dalam adopsi teknologi blockchain, OpenLedger menggunakan OP Stack + EigenDA sebagai dasar, membangun lingkungan operasi data dan kontrak yang berkinerja tinggi, biaya rendah, dan dapat diverifikasi untuk model AI.

• Dibangun di atas OP Stack: Berdasarkan tumpukan teknologi Optimism, mendukung eksekusi dengan throughput tinggi dan biaya rendah;
• Settlement di jaringan utama Ethereum: Memastikan keamanan transaksi dan integritas aset;
• Kompatibilitas EVM: Memudahkan pengembang untuk dengan cepat menerapkan dan memperluas berdasarkan Solidity;
• EigenDA menyediakan dukungan ketersediaan data: secara signifikan mengurangi biaya penyimpanan, memastikan verifikasi data.

Dibandingkan dengan NEAR yang lebih berfokus pada lapisan dasar, mengedepankan kedaulatan data dan arsitektur "AI Agents on BOS", OpenLedger lebih fokus pada pembangunan blockchain khusus AI yang berorientasi pada insentif data dan model, berkomitmen untuk membuat pengembangan dan pemanggilan model di blockchain dapat dilacak, dapat digabungkan, dan menciptakan nilai yang berkelanjutan. Ini adalah infrastruktur insentif model di dunia Web3, menggabungkan beberapa platform untuk hosting model, beberapa platform untuk penagihan penggunaan, dan beberapa antarmuka komposabel di blockchain, mendorong jalur realisasi "model sebagai aset".

Ketiga, komponen inti dan arsitektur teknis OpenLedger

3.1 Model Factory, tanpa kode model pabrik

ModelFactory adalah sebuah platform penyesuaian model bahasa besar (LLM) di ekosistem OpenLedger. Berbeda dengan kerangka penyesuaian tradisional, ModelFactory menyediakan antarmuka grafis murni, tanpa memerlukan alat baris perintah atau integrasi API. Pengguna dapat melakukan penyesuaian model berdasarkan dataset yang telah disetujui dan diaudit di OpenLedger. Ini mewujudkan alur kerja terintegrasi untuk otorisasi data, pelatihan model, dan penerapan, dengan proses inti yang meliputi:

• Kontrol akses data: Pengguna mengajukan permintaan data, penyedia meninjau dan menyetujui, data secara otomatis terhubung ke antarmuka pelatihan model.
• Pemilihan dan konfigurasi model: Mendukung LLM utama (seperti LLaMA, Mistral), mengkonfigurasi hiperparameter melalui GUI.
• Penyesuaian ringan: Mesin LoRA / QLoRA bawaan, menampilkan kemajuan pelatihan secara real-time.
• Evaluasi dan Penempatan Model: Alat evaluasi bawaan, mendukung ekspor penempatan atau berbagi panggilan ekosistem.
• Antarmuka verifikasi interaktif: Menyediakan antarmuka seperti obrolan, memudahkan pengujian langsung kemampuan tanya jawab model.
• RAG menghasilkan jejak: Menjawab dengan kutipan sumber, meningkatkan kepercayaan dan kemampuan diaudit.

Arsitektur sistem Model Factory terdiri dari enam modul, mencakup otentikasi identitas, hak akses data, penyempurnaan model, evaluasi dan penyebaran, serta pelacakan RAG, menciptakan platform layanan model terintegrasi yang aman, terkontrol, interaktif secara waktu nyata, dan dapat menghasilkan pendapatan secara berkelanjutan.

ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:

• Seri LLaMA: Ekosistem terluas, komunitas aktif, kinerja umum yang kuat, adalah salah satu model dasar sumber terbuka yang paling utama saat ini.
• Mistral: Arsitektur efisien, kinerja inferensi sangat baik, cocok untuk skenario yang fleksibel dan sumber daya terbatas.
• Qwen: Produk dari suatu perusahaan, menunjukkan kinerja yang sangat baik dalam tugas berbahasa Mandarin, memiliki kemampuan yang kuat, cocok sebagai pilihan utama bagi pengembang domestik.
• ChatGLM: Efek percakapan dalam bahasa Mandarin sangat menonjol, cocok untuk layanan pelanggan spesifik dan skenario lokalisasi.
• Deepseek: Unggul dalam penghasil kode dan penalaran matematis, cocok untuk alat bantu pengembangan cerdas.
• Gemma: Model ringan yang diluncurkan oleh sebuah perusahaan, dengan struktur yang jelas, mudah untuk dipahami dan dieksperimen.
• Falcon：Dulunya merupakan patokan kinerja, cocok untuk penelitian dasar atau pengujian perbandingan, tetapi aktivitas komunitas telah berkurang.
• BLOOM: Dukungan multibahasa cukup kuat, tetapi kinerja inferensinya lemah, cocok untuk penelitian yang mencakup berbagai bahasa.
• GPT-2: Model klasik awal, hanya cocok untuk penggunaan pengajaran dan verifikasi, tidak disarankan untuk digunakan dalam penerapan nyata.

Meskipun kombinasi model OpenLedger tidak mencakup model MoE berkinerja tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan merupakan konfigurasi "prioritas praktis" yang dibuat berdasarkan batasan realitas dari penerapan on-chain (biaya inferensi, adaptasi RAG, kompatibilitas LoRA, lingkungan EVM).

Model Factory sebagai rantai alat tanpa kode, semua model dilengkapi dengan mekanisme bukti kontribusi, memastikan hak-hak kontributor data dan pengembang model, memiliki keunggulan ambang rendah, dapat dimonetisasi, dan dapat dikombinasikan, dibandingkan dengan alat pengembangan model tradisional:

• Untuk pengembang: Menyediakan jalur lengkap untuk inkubasi, distribusi, dan pendapatan model;
• Untuk platform: membentuk sirkulasi aset model dan ekosistem kombinasi;
• Untuk pengguna: Anda dapat menggabungkan penggunaan model atau Agen seperti memanggil API.

3.2 OpenLoRA, aset on-chain dari model fine-tuning

LoRA (Low-Rank Adaptation) adalah metode penyesuaian parameter yang efisien, dengan menyisipkan "matriks peringkat rendah" ke dalam model besar yang telah dilatih sebelumnya untuk mempelajari tugas baru, tanpa mengubah parameter model asli, sehingga secara signifikan mengurangi biaya pelatihan dan kebutuhan penyimpanan. Model bahasa besar tradisional (seperti LLaMA, GPT-3) biasanya memiliki puluhan miliar bahkan ratusan miliar parameter. Untuk menggunakan mereka pada tugas tertentu (seperti tanya jawab hukum, konsultasi medis), penyesuaian (fine-tuning) diperlukan. Strategi inti LoRA adalah: "membekukan parameter model besar asli, hanya melatih matriks parameter baru yang disisipkan." Metode ini efisien dalam parameter, cepat dalam pelatihan, dan fleksibel dalam penerapan, menjadikannya metode penyesuaian utama yang paling cocok untuk penerapan dan pemanggilan kombinasi model Web3 saat ini.

OpenLoRA adalah rangkaian kerangka inferensi ringan yang dirancang khusus untuk penyebaran multi-model dan berbagi sumber daya yang dibangun oleh OpenLedger. Tujuan inti adalah untuk mengatasi masalah umum dalam penyebaran model AI saat ini seperti biaya tinggi, rendahnya penggunaan kembali, dan pemborosan sumber daya GPU, serta mendorong pelaksanaan "AI yang dapat dibayar" (Payable AI).

OpenLoRA sistem arsitektur komponen inti, berbasis desain modular, mencakup penyimpanan model, eksekusi inferensi, pengalihan permintaan dan langkah kunci lainnya, untuk mewujudkan kemampuan penyebaran dan pemanggilan multi-model yang efisien dan biaya rendah:

• Modul Penyimpanan LoRA Adapter (LoRA Adapters Storage): LoRA adapter yang telah disesuaikan disimpan di OpenLedger, memungkinkan pemuatan sesuai permintaan, menghindari pemuatan semua model secara pra.