OpenLedger Derinlik Araştırması: OP Stack+EigenDA temelinde, veri odaklı, model kombinasyonuna sahip bir akıllı ekonomi inşa etmek

Birinci Bölüm | Crypto AI'nın Model Katmanı Sıçraması

Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur; yakıt (veri), motor (model) ve enerji (hesaplama gücü) gibi birbirinden ayrılmazdır. Geleneksel AI endüstrisinin altyapı evrimi yoluna benzer şekilde, Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılı başlarında, piyasa merkeziyetsiz GPU projeleri tarafından bir süre yönetildi ve genel olarak "hesaplama gücünü birleştirme" üzerine kurulu yaygın bir büyüme mantığı vurgulandı. Ancak 2025 yılına girildiğinde, sektörün odak noktası yavaş yavaş model ve veri katmanına kaymaya başladı ve bu, Crypto AI'nın temel kaynak rekabetinden daha sürdürülebilir ve uygulama değeri yüksek olan orta katman yapılandırmasına geçiş yaptığını göstermektedir.

Genel Büyük Model (LLM) vs Spesifik Model (SLM)

Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setleri ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır, parametre ölçekleri genellikle 70B-500B arasındadır ve bir kez eğitim maliyeti genellikle milyonlarca dolara kadar çıkmaktadır. SLM (Uzman Dil Modeli) ise, tekrar kullanılabilir temel modellerin hafif ince ayar paradigması olarak, genellikle açık kaynaklı modeller temel alınarak, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi tekniklerle bir araya getirilerek belirli alan bilgisine sahip uzman modelleri hızlı bir şekilde oluşturmakta, eğitim maliyetlerini ve teknik engelleri önemli ölçüde azaltmaktadır.

Dikkate değer olan, SLM'nin LLM ağırlıkları ile entegre edilmeyeceği, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirmesi, LoRA modülü sıcak takılması ve RAG (retrieval-augmented generation) gibi yöntemlerle LLM ile işbirliği içinde çalışacağıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülü ile profesyonel performansı artırarak son derece esnek bir kombinasyon akıllı sistem oluşturur.

Kripto AI'nin model katmanındaki değer ve sınırları

Kripto AI projeleri esasen büyük dil modellerinin (LLM) temel yeteneklerini doğrudan artırmakta zordur, bunun temel nedeni ise

• Teknik engel çok yüksek: Foundation Model'i eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik yetenekleri son derece büyük, şu anda yalnızca Amerika ve Çin gibi teknoloji devleri bu yeteneklere sahip.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modellerin (LLaMA, Mixtral gibi) açık kaynak olmasına rağmen, modelin gerçekten ilerlemesini sağlayan 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 ile teşvik mekanizmalarını birleştirerek değer uzantısı gerçekleştirebilir. AI endüstri zincirinin "çevresel arayüz katmanı" olarak, iki ana yönde kendini göstermektedir:

• Güvenilir Doğrulama Katmanı: Modeli oluşturan yolları, veri katkılarını ve kullanım durumlarını blok zinciri üzerinde kaydederek, AI çıktılarının izlenebilirliğini ve değiştirilemezliğini artırır.
• Teşvik Mekanizması: Yerel Token kullanarak veri yükleme, model çağırma, ajan (Agent) yürütme gibi davranışları teşvik etmek ve model eğitimi ile hizmetin olumlu döngüsünü oluşturmak.

AI model türleri sınıflandırması ve blok zinciri uygulanabilirlik analizi

Bu nedenle, model türü Crypto AI projelerinin uygulanabilir noktaları, esasen küçük SLM'nin hafif ince ayarı, RAG mimarisinin zincir üzerindeki veri erişimi ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerinde yoğunlaşmaktadır. Blockchain'in doğrulanabilirliği ve token mekanizması ile birleştirildiğinde, Crypto bu orta ve düşük kaynaklı model senaryolarına özgü bir değer sunarak AI "arayüz katmanı" için farklılaştırılmış bir değer oluşturabilir.

Veri ve modellere dayalı blockchain AI zinciri, her bir veri ve modelin katkı kaynağını net, değiştirilemez bir şekilde zincire kaydedebilir, veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması aracılığıyla, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışını ölçülebilir, ticarete konu edilebilir tokenleşmiş bir değer haline dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları tokenlerle model performansını değerlendirebilir, kural belirleme ve iterasyona katılabilir, merkeziyetsiz yönetim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'in AI Zincir Vizyonu

OpenLedger, mevcut pazarda veri ve model teşvik mekanizmalarına odaklanan birkaç blockchain AI projesinden biridir. "Ödenebilir AI" kavramını ilk kez ortaya koyarak, verilerin katkı sağlayıcıları, model geliştiricileri ve AI uygulama oluşturucularının aynı platformda işbirliği yapmalarını teşvik etmek ve gerçek katkılarına dayalı olarak zincir üzerindeki kazançları elde etmek amacıyla adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı inşa etmeyi amaçlamaktadır.

OpenLedger, "veri sağlama"dan "model dağıtımına" ve ardından "kâr paylaşımının çağrılmasına" kadar tam bir zincir kapalı döngü sunmaktadır; temel modülleri şunlardır:

• Model Factory: Programlama gerektirmeden, açık kaynak LLM'ye dayalı olarak LoRA ile ince ayar yaparak eğitim ve özel modelleri dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin bir arada varlığını destekler, ihtiyaca göre dinamik olarak yüklenir, dağıtım maliyetlerini önemli ölçüde azaltır;
• PoA (Atıf Kanıtı): Zincir üstü çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağılımı sağlamak;
• Datanets: Dikey senaryolar için yapılandırılmış veri ağı, topluluk işbirliği ile inşa ve doğrulama yapılır;
• Model Teklif Platformu (Model Proposal Platform): Birleştirilebilir, çağrılabilir ve ödenebilir zincir üstü model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model olarak birleştirilebilir bir "akıllı varlık ekonomik altyapısı" inşa etti ve AI değer zincirinin zincir üzerindeki dönüşümünü teşvik etti.

Ve blok zinciri teknolojisi kullanımı açısından, 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 üzerine inşa edilmiş: Optimism teknoloji yığınına dayalı, yüksek işlem hacmi ve düşük maliyetli yürütmeyi destekler;
• Ethereum ana ağında yerleşim: İşlem güvenliğini ve varlık bütünlüğünü sağlamak;
• EVM uyumlu: Geliştiricilerin Solidity tabanlı hızlı dağıtım ve genişletme yapmasını kolaylaştırır;
• EigenDA veri kullanılabilirliği desteği sunar: depolama maliyetlerini önemli ölçüde azaltır, verilerin doğrulanabilirliğini garanti eder.

NEAR gibi daha çok alt katman odaklı, veri egemenliği ve "AI Agents on BOS" mimarisine sahip genel AI blockchain'lerine kıyasla, OpenLedger daha çok veri ve model teşvikine yönelik AI özel blockchain'leri inşa etmeye odaklanmaktadır. Model geliştirme ve çağırma süreçlerinin zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını sağlamaya çalışmaktadır. Web3 dünyasında model teşvik altyapısıdır; model barındırma, kullanım ücreti ve zincir üzerindeki birleştirilebilir arayüzleri bir araya getirerek "model varlık olarak" gerçekleştirme yolunu desteklemektedir.

Üç, OpenLedger'in Temel Bileşenleri ve Teknolojik Mimarisi

3.1 Model Fabrikası, kodsuz model fabrikası

ModelFactory, OpenLedger ekosisteminde yer alan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinin aksine, ModelFactory tamamen grafiksel bir arayüz sunar, komut satırı araçlarına veya API entegrasyonuna ihtiyaç duyulmaz. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve gözden geçirilmiş veri setlerine dayanarak modellerini ince ayar yapabilirler. Veri yetkilendirme, model eğitimi ve dağıtımının entegre bir iş akışını gerçekleştirmiştir; ana süreçleri şunları içerir:

• Veri Erişim Kontrolü: Kullanıcı veri talebi gönderir, sağlayıcı onaylar, veriler otomatik olarak model eğitim arayüzüne bağlanır.
• Model Seçimi ve Konfigürasyonu: Ana akım LLM'leri (örneğin LLaMA, Mistral) destekler, GUI aracılığıyla hiperparametreleri yapılandırır.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Yerleşik değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrısını destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneklerini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG oluşturma izleme: Kaynak atıflarını içeren yanıtlar, güveni ve denetlenebilirliği artırır.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkilendirme, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği dahil altı ana modülü içermektedir. Güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir bir şekilde gelir elde etme amacıyla entegre bir model hizmet platformu oluşturur.

ModelFactory şu anda desteklenen büyük dil model yeteneklerinin özeti aşağıdadır:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk, genel performans güçlü; mevcut en yaygın açık kaynak temel modellerden biridir.
• Mistral: Verimli bir mimari, mükemmel çıkarım performansı ile esnek dağıtım ve sınırlı kaynaklara sahip senaryolar için uygundur.
• Qwen: Çince görev performansı mükemmel, genel yetenekleri güçlü, yerli geliştiriciler için öncelikli tercih.
• ChatGLM: Çince diyalog performansı öne çıkıyor, 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 öğrenilmesi ve deney yapılması kolay.
• Falcon: Daha önce performans standardıydı, temel araştırma veya karşılaştırma testleri için uygundur, ancak topluluk etkinliği azalmıştır.
• BLOOM: Çok dilli destek oldukça güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken dönem modeli, yalnızca öğretim ve doğrulama amaçları için uygundur, gerçek kullanım için önerilmez.

OpenLedger'ın model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi çağdışı değil, aksine zincir üzerindeki dağıtımın gerçek kısıtları (çıkarsama maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temelinde yapılan "pratik öncelikli" konfigürasyondur.

Model Factory, bir kodsuz araç zinciri olarak, tüm modellerde veri katkıcıları ve model geliştiricilerin haklarını güvence altına alan bir katkı kanıtlama mekanizması ile entegre edilmiştir. Düşük giriş engeli, nakde çevrilebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir ve geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtımı ve gelir için tam bir yol sunar;
• Platform için: model varlık dolaşımı ve kombinasyon ekosistemi oluşturmak;
• Uygulayıcılar için: Modelleri veya Ajanı API çağrısı yapar gibi birleştirerek kullanabilirsiniz.

3.2 OpenLoRA, modelin zincir üzerindeki varlıklaştırılması için ince ayar

LoRA (Düşük Sıralı Adaptasyon), önceden eğitilmiş büyük bir modelin içine "düşük sıralı matrisler" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden eğitim maliyetlerini ve depolama gereksinimlerini büyük ölçüde azaltan etkili bir parametre ince ayar yöntemidir. Geleneksel büyük dil modelleri (örneğin, LLaMA, GPT-3) genellikle on milyarlarca hatta yüz milyar parametreye sahiptir. Onları belirli görevler (örneğin, hukuk soru-cevap, tıbbi danışmanlık) için kullanmak amacıyla ince ayar (fine-tuning) yapılması gerekir. LoRA'nın temel stratejisi şudur: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrisini eğitmek." Bu, parametre verimliliği, hızlı eğitim ve esnek dağıtım ile günümüzde Web3 model dağıtımı ve birleşik çağrılar 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" (Payable AI) uygulamalarını teşvik etmektir.

OpenLoRA sistem mimarisi ana bileşeni, modüler tasarıma dayanarak, model depolama, çıkarım yürütme, talep yönlendirme gibi kritik aşamaları kapsar ve etkili, düşük maliyetli çoklu model dağıtım ve çağırma yeteneği sağlar:

• LoRA Adaptör Depolama Modülü (LoRA Adaptörleri Depolama): İnce ayar yapılmış LoRA adaptörü OpenLedger'da barındırılmaktadır, böylece ihtiyaç duyulduğunda yüklenir ve tüm modellerin önceden belleğe yüklenmesini önleyerek kaynak tasarrufu sağlar.
• Model Barındırma ve Adaptör Birleştirme Katmanı (Model Hosting & Adapter Merging Layer): Tüm ince ayar modelleri temel büyük model (base model) ile paylaşılır, çıkarım sırasında LoRA adaptörü dinamik.