OpenLedger строит экономику агентов: платформа на основе модели данных OP Stack и EigenDA

2025-07-16 05:43:47

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

Один. Введение | Переход модели Crypto AI

Данные, модели и вычислительная мощность являются тремя основными компонентами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель) и энергии (вычислительная мощность) – все три элемента необходимы. Подобно эволюционному пути инфраструктуры традиционной индустрии ИИ, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок в значительной степени контролировался децентрализованными GPU-проектами, которые акцентировали внимание на логике грубого роста «конкуренции вычислительной мощности». Однако с наступлением 2025 года внимание отрасли постепенно смещается к уровням моделей и данных, что знаменует переход Crypto AI от конкуренции за базовые ресурсы к более устойчивому и ценностному построению на среднем уровне.

Универсальная большая модель (LLM) против специализированной модели (SLM)

Традиционные большие языковые модели (LLM) сильно зависят от больших наборов данных и сложной распределенной архитектуры, размер параметров составляет от 70B до 500B, а стоимость одной тренировки часто достигает нескольких миллионов долларов. SLM (Специализированная языковая модель) как легковесный подход к тонкой настройке переиспользуемой базовой модели обычно основывается на открытых моделях, сочетая небольшое количество высококачественных специализированных данных и технологии, такие как LoRA, для быстрого создания экспертных моделей, обладающих знаниями в определенной области, что значительно снижает стоимость обучения и технические барьеры.

Следует отметить, что SLM не будет интегрирован в веса LLM, а будет работать в сотрудничестве с LLM через архитектуру Agent, динамическую маршрутизацию в системе плагинов, горячую замену модулей LoRA и RAG (усиленная генерация с помощью поиска). Эта архитектура сохраняет широкую охватимость LLM и одновременно усиливает профессиональные показатели через модули тонкой настройки, создавая высоко гибкую комбинированную интеллектуальную систему.

Ценность и границы Crypto AI на уровне модели

Крипто AI проекты по сути трудно напрямую улучшить основные возможности больших языковых моделей (LLM), основной причиной является

Слишком высокий технический порог: объем данных, вычислительные ресурсы и инженерные способности, необходимые для обучения Foundation Model, чрезвычайно велики, в настоящее время только такие технологические гиганты, как США и Китай, обладают соответствующими возможностями.
Ограничения открытой экосистемы: хотя такие основные модели, как LLaMA и Mixtral, уже открыты, настоящая ключевая роль в прорыве моделей по-прежнему сосредоточена в научных учреждениях и закрытых инженерных системах, а участие цепочных проектов на уровне основных моделей ограничено.

Тем не менее, 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 стимулов Web3. В качестве «периферийного интерфейсного слоя» AI цепочки поставок, это проявляется в двух основных направлениях:

Достоверный уровень проверки: через записи в блокчейне пути генерации модели, данные о вкладе и использовании, усиливается прослеживаемость и защита AI вывода от подделки.
Механизм стимулов: с помощью нативного токена, используемого для стимуляции загрузки данных, вызова моделей и выполнения действий агентами (Agent), построение положительного цикла обучения модели и предоставления услуг.

Классификация типов AI моделей и анализ применимости блокчейна

Таким образом, можно увидеть, что целевая точка моделей типа Crypto AI в основном сосредоточена на легкомасштабной тонкой настройке малых SLM, подключении и верификации данных на блокчейне с использованием архитектуры RAG, а также на локальном развертывании и стимулировании Edge моделей. В сочетании с верифицируемостью блокчейна и токеномикой, Crypto может предоставить уникальную ценность для этих сценариев с низкими и средними ресурсами, создавая дифференцированную ценность "интерфейсного слоя" AI.

Блокчейн AI цепь на основе данных и моделей может обеспечить четкую, неизменяемую запись источника вклада каждой данные и модели в блокчейне, значительно повышая доверие к данным и прослеживаемость обучения модели. В то же время, с помощью механизма умных контрактов автоматически инициируется распределение вознаграждений при обращении к данным или модели, превращая действия AI в измеримую, торгуемую токенизированную ценность и создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели, принимая участие в голосовании с помощью токенов, участвовать в разработке и итерации 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 | AI цепочная визия OpenLedger

OpenLedger является одним из немногих проектов блокчейн AI на рынке, сосредоточенных на механизмах стимулирования данных и моделей. Он первым предложил концепцию «Payable AI», с целью создания справедливой, прозрачной и комбинируемой среды для работы AI, стимулируя вкладчиков данных, разработчиков моделей и создателей AI приложений сотрудничать на одной платформе и получать доход в цепочке в зависимости от фактического вклада.

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

Модельный завод: без программирования вы можете использовать LoRA для тонкой настройки, обучения и развертывания пользовательских моделей на основе открытого LLM;
OpenLoRA: поддержка совместного использования тысяч моделей, динамическая загрузка по мере необходимости, значительно снижает стоимость развертывания;
PoA (Доказательство Атрибуции): измерение вклада и распределение вознаграждений осуществляется через записи вызовов в блокчейне;
Datanets: структурированная сеть данных, ориентированная на вертикальные сценарии, построенная и проверенная сообществом;
Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый и оплачиваемый рынок моделей на блокчейне.

С помощью вышеуказанных модулей OpenLedger создала «инфраструктуру экономики агентов», основанную на данных и комбинируемых моделях, способствующую онлайнизации цепочки ценности ИИ.

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

Построено на основе OP Stack: основано на технологии Optimism, поддерживает высокую пропускную способность и низкие затраты на выполнение;
Расчёт в основной сети Эфириум: 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.

В отличие от NEAR, который больше ориентирован на базовый уровень и акцентирует внимание на суверенитете данных и архитектуре «AI Agents on BOS», OpenLedger более сосредоточен на создании специализированной цепи блоков для ИИ, ориентированной на стимулы для данных и моделей, стремясь обеспечить возможность отслеживания, комбинирования и устойчивого замыкания ценности в разработке и вызове моделей на блокчейне. Это инфраструктура для стимулов моделей в мире Web3, которая сочетает в себе размещение моделей, выставление счетов за использование и интерфейсы для комбинирования на блокчейне, продвигая путь реализации «модели как актива».

Три, основные компоненты и технологическая архитектура OpenLedger

3.1 Модельный завод, безкодовая модельная фабрика

ModelFactory является крупной платформой для дообучения языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков для дообучения, ModelFactory предоставляет чисто графический интерфейс для работы, без необходимости использования командной строки или интеграции API. Пользователи могут дообучать модели на основе данных, прошедших авторизацию и аудит на OpenLedger. Реализован интегрированный рабочий процесс, включающий авторизацию данных, обучение моделей и развертывание, основной процесс включает в себя:

Контроль доступа к данным: Пользователь отправляет запрос на данные, провайдер проверяет и одобряет, данные автоматически подключаются к интерфейсу обучения модели.
Выбор и настройка модели: поддержка основных LLM (таких как LLaMA, Mistral), настройка гиперпараметров через GUI.
Легкая настройка: Встроенный движок LoRA / QLoRA, демонстрирующий процесс обучения в реальном времени.
Оценка и развертывание модели: встроенные инструменты оценки, поддержка экспорта для развертывания или экосистемного совместного использования.
Интерфейс проверки взаимодействия: Предоставляет чат-интерфейс, удобный для прямого тестирования способности модели отвечать на вопросы.
Генерация RAG-источников: Ответы с ссылками на источники, повышающие доверие и проверяемость.

Системная архитектура Model Factory включает шесть основных модулей, охватывающих аутентификацию личности, управление данными, тонкую настройку моделей, оценку и развертывание, а также отслеживание RAG, создавая интегрированную платформу моделирования с безопасным и контролируемым, интерактивным в реальном времени и устойчивым к монетизации.

Модельный завод в настоящее время поддерживает следующие возможности крупных языковых моделей:

LLaMA серия: самая широкая экосистема, активное сообщество, высокая универсальная производительность, одна из самых популярных открытых базовых моделей на сегодняшний день.
Mistral: Архитектура эффективна, производительность вывода отличная, подходит для гибкого развертывания в условиях ограниченных ресурсов.
Qwen：中文 задача показывает отличные результаты, обладает высокими комплексными способностями, подходит для предпочтительных вариантов отечественных разработчиков.
ChatGLM: выдающееся качество китайского диалога, подходит для специализированного обслуживания клиентов и локализованных сценариев.
Deepseek: превосходит в генерации кода и математическом выводе, подходит для инструментов интеллектуальной разработки.
Gemma: легкая модель, выпущенная Google, с четкой структурой, легко освоить и экспериментировать.
Falcon: Ранее был эталоном производительности, подходит для базовых исследований или сравнительных тестов, но активность сообщества снизилась.
BLOOM: поддержка нескольких языков довольно сильная, но производительность вывода слабая, подходит для исследований с охватом языков.
GPT-2: классическая ранняя модель, подходит только для учебных и проверочных целей, не рекомендуется для практического развертывания.

Хотя модельный набор OpenLedger не включает в себя последние высокопроизводительные модели MoE или мультимодальные модели, его стратегия не устарела, а основана на «приоритетах практичности», исходя из реальных ограничений развертывания на блокчейне (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).

Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, который обеспечивает права данных участников и разработчиков моделей, обладает низким входным 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 и объединения активов.
Для пользователей: можно комбинировать использование моделей или Агентов, как при вызове API.

3.2 OpenLoRA, активизация цепочных активов модели дообучения

LoRA (Low-Rank Adaptation) — это эффективный метод тонкой настройки параметров, который позволяет обучать новые задачи путем вставки «низкоранговых матриц» в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и потребность в хранении. Традиционные большие языковые модели (такие как LLaMA, GPT-3) обычно имеют десятки миллиардов, а иногда и триллионы параметров. Чтобы использовать их для конкретных задач (например, юридические консультации, медицинские консультации), требуется тонкая настройка (fine-tuning). Основная стратегия LoRA заключается в следующем: «заморозить параметры оригинальной большой модели, обучая только вставленные новые параметры матриц». Этот метод эффективен по параметрам, быстро обучается и гибко разворачивается, что делает его наиболее подходящим для развертывания моделей Web3 и комбинированных вызовов.

OpenLoRA — это легковесный фреймворк для вывода, разработанный OpenLedger, специально предназначенный для развертывания нескольких моделей и совместного использования ресурсов. Его основная цель — решить распространенные проблемы, возникающие при развертывании AI моделей, такие как высокая стоимость, низкая степень повторного использования, расточительство ресурсов GPU и т.д., способствуя реализации «оплачиваемого ИИ» (Payable AI).

OpenLoRA системная архитектура ключевых компонентов, основанная на модульном дизайне, охватывающая хранение моделей, выполнение вывода, маршрутизацию запросов и другие ключевые этапы, реализующая эффективные и недорогие возможности развертывания и вызова нескольких моделей:

Модуль хранения LoRA Adapter (LoRA Adapters Storage): дообученные адаптеры LoRA размещаются на OpenLedger, что позволяет загружать их по мере необходимости, избегая предзагрузки всех моделей в видеопамять и экономя ресурсы.
Моделирование хостинга и уровень динамического объединения (Model Hosting & Adapter Merging Layer): Все доработанные модели используют общую базовую модель (base model), во время вывода динамический адаптер LoRA.

OP-0.77%

Посмотреть Оригинал

На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .

14 Лайков