OpenLedger Kedalaman Laporan Penelitian: Membangun ekonomi agen yang didorong oleh data dan dapat dikombinasikan model menggunakan OP Stack+EigenDA sebagai dasar

I. Pendahuluan | Lompatan lapisan model Crypto AI

Data, model, dan daya komputasi adalah tiga elemen inti infrastruktur AI, yang dapat dianalogikan sebagai bahan bakar (data), mesin (model), dan energi (daya komputasi) yang tidak dapat dipisahkan. Mirip dengan jalur evolusi infrastruktur industri AI tradisional, bidang Crypto AI juga telah melalui tahap yang serupa. Pada awal 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi, yang secara umum menekankan logika pertumbuhan kasar "menggabungkan daya komputasi". Namun, memasuki tahun 2025, fokus industri secara bertahap beralih ke lapisan model dan data, menandakan bahwa Crypto AI sedang bertransisi dari persaingan sumber daya dasar menuju pembangunan lapisan menengah yang lebih berkelanjutan dan memiliki nilai aplikasi.

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

Model bahasa besar tradisional (LLM) sangat bergantung pada dataset besar dan arsitektur terdistribusi yang kompleks, dengan ukuran parameter sering mencapai 70B～500B, biaya pelatihan sekali mencapai jutaan dolar. Sementara itu, SLM (Model Bahasa Khusus) sebagai paradigma fine-tuning ringan yang dapat digunakan kembali dari model dasar, biasanya didasarkan pada model sumber terbuka, menggabungkan sedikit data profesional berkualitas tinggi dan teknologi seperti LoRA, dengan cepat membangun model ahli yang memiliki pengetahuan di bidang tertentu, secara signifikan mengurangi biaya pelatihan dan ambang teknologi.

Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, melainkan berkolaborasi dengan LLM melalui pemanggilan arsitektur Agent, sistem plugin untuk rute dinamis, hot-plug modul LoRA, RAG (generasi yang ditingkatkan dengan pencarian), dan metode lainnya. Arsitektur ini mempertahankan kemampuan jangkauan luas LLM, sekaligus meningkatkan kinerja profesional melalui modul yang disesuaikan, membentuk sistem cerdas kombinasi yang sangat fleksibel.

Nilai dan batas AI Crypto di lapisan model

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

• Ambang teknologi terlalu tinggi: Skala data, sumber daya komputasi, dan kemampuan rekayasa yang dibutuhkan untuk melatih Model Fondasi sangat besar, saat ini hanya ada raksasa teknologi seperti Amerika Serikat dan Tiongkok yang memiliki kemampuan tersebut.
• Keterbatasan ekosistem sumber terbuka: Meskipun model dasar utama telah menjadi sumber terbuka, kunci untuk mendorong terobosan model tetap terpusat pada lembaga penelitian dan sistem rekayasa tertutup, proyek on-chain memiliki ruang partisipasi yang terbatas di tingkat model inti.

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

• Lapisan Verifikasi Tepercaya: Meningkatkan keterlacakan dan ketahanan terhadap manipulasi keluaran AI melalui pencatatan model jalur generasi, kontribusi data, dan penggunaan di atas rantai.
• Mekanisme insentif: Memanfaatkan Token asli, digunakan untuk menginspirasi unggahan data, pemanggilan model, pelaksanaan agen (Agent), dan membangun siklus positif pelatihan model dan layanan.

Klasifikasi Tipe Model AI dan Analisis Kesesuaian Blockchain

Dari sini, dapat dilihat bahwa titik fokus yang dapat dilakukan dari proyek Crypto AI berbasis model terutama terletak pada penyetelan ringan SLM kecil, akses dan verifikasi data on-chain dari arsitektur RAG, serta penerapan dan insentif model Edge secara lokal. Menggabungkan verifikasi blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model sumber daya menengah ke bawah ini, menciptakan nilai diferensiasi untuk "lapisan antarmuka" AI.

Blockchain AI chain berbasis data dan model dapat mencatat sumber kontribusi setiap data dan model secara jelas dan tidak dapat diubah, secara signifikan meningkatkan kredibilitas data dan keterlacakan pelatihan model. Selain itu, melalui mekanisme kontrak pintar, saat data atau model dipanggil, distribusi hadiah secara otomatis diaktifkan, mengubah perilaku AI menjadi nilai tokenisasi yang terukur dan dapat diperdagangkan, membangun sistem insentif yang berkelanjutan. Selain itu, pengguna komunitas juga dapat mengevaluasi kinerja model melalui pemungutan suara dengan token, berpartisipasi dalam penetapan dan iterasi aturan, serta menyempurnakan struktur tata kelola terdesentralisasi.

Dua, Ringkasan Proyek | Visi Rantai AI OpenLedger

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

OpenLedger menyediakan rangkaian lengkap dari "penyediaan data" hingga "penempatan model" dan "memanggil pembagian keuntungan", dengan modul inti termasuk:

• Model Factory: Tanpa perlu pemrograman, Anda dapat menggunakan LoRA untuk pelatihan penyetelan mikro dan menyebarkan model kustom berdasarkan LLM sumber terbuka;
• OpenLoRA: mendukung keberadaan ribuan model, memuat secara dinamis sesuai kebutuhan, secara signifikan mengurangi biaya penyebaran;
• PoA (Bukti Attribusi): Mengukur kontribusi dan mendistribusikan 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 digabungkan, dipanggil, dan dibayar.

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

Dalam adopsi teknologi blockchain, OpenLedger menggunakan OP Stack + EigenDA sebagai dasar, untuk 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 throughput tinggi dan biaya rendah untuk eksekusi;
• Settling di jaringan utama Ethereum: Memastikan keamanan transaksi dan integritas aset;
• Kompatibel EVM: Memudahkan pengembang untuk dengan cepat menerapkan dan memperluas berdasarkan Solidity;
• EigenDA menyediakan dukungan ketersediaan data: secara signifikan mengurangi biaya penyimpanan, menjamin verifikasi data.

Dibandingkan dengan NEAR yang lebih berfokus pada lapisan dasar, menekankan kedaulatan data dan arsitektur "AI Agents on BOS", OpenLedger lebih fokus pada pembangunan rantai khusus AI yang berorientasi pada insentif data dan model, berkomitmen untuk mewujudkan pengembangan dan pemanggilan model di atas rantai dengan nilai yang dapat dilacak, dapat dikombinasikan, dan berkelanjutan. Ini adalah infrastruktur insentif model dalam dunia Web3, menggabungkan hosting model seperti HuggingFace, penagihan penggunaan seperti Stripe, dan antarmuka komposabel di atas rantai seperti Infura, mendorong jalur realisasi "model sebagai aset".

Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger

3.1 Model Factory, tanpa kode model pabrik

ModelFactory adalah platform penyesuaian model bahasa besar (LLM) di bawah ekosistem OpenLedger. Berbeda dengan kerangka penyesuaian tradisional, ModelFactory menyediakan antarmuka grafis murni yang tidak 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, yang mencakup proses inti berikut:

• 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, melalui GUI untuk mengonfigurasi hyperparameter.
• Penyesuaian ringan: Mesin LoRA / QLoRA bawaan, menampilkan kemajuan pelatihan secara real-time.
• Evaluasi dan Penempatan Model: Alat evaluasi bawaan, mendukung ekspor penempatan atau pemanggilan berbagi ekosistem.
• Antarmuka verifikasi interaktif: Menyediakan antarmuka percakapan, memudahkan pengujian langsung kemampuan tanya jawab model.
• RAG menghasilkan jejak: Menjawab dengan kutipan sumber, meningkatkan kepercayaan dan dapat diaudit.

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

ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:

• Seri LLaMA: Ekosistem terluas, komunitas yang aktif, dan kinerja umum yang kuat, merupakan salah satu model dasar sumber terbuka yang paling populer saat ini.
• Mistral: Arsitektur efisien, kinerja inferensi sangat baik, cocok untuk penerapan yang fleksibel dan sumber daya terbatas.
• Qwen: Kemampuan komprehensif yang kuat, cocok sebagai pilihan utama bagi pengembang domestik.
• ChatGLM: Efek percakapan dalam bahasa Mandarin menonjol, cocok untuk layanan pelanggan spesifik dan skenario lokal.
• Deepseek: Unggul dalam pembangkitan kode dan penalaran matematis, cocok untuk alat bantu pengembangan cerdas.
• Gemma: Model ringan yang diluncurkan oleh Google, dengan struktur yang jelas, mudah untuk dipahami dan dicoba.
• Falcon：Dulu merupakan patokan kinerja, cocok untuk penelitian dasar atau pengujian perbandingan, tetapi tingkat aktivitas komunitas telah berkurang.
• BLOOM: Dukungan multibahasa cukup kuat, tetapi kinerja inferensi relatif lemah, cocok untuk penelitian yang mencakup berbagai bahasa.
• GPT-2: Model awal klasik, hanya cocok untuk tujuan pengajaran dan verifikasi, tidak disarankan untuk digunakan dalam penerapan praktis.

Meskipun kombinasi model OpenLedger tidak mencakup model MoE berkinerja tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan dibuat berdasarkan kendala nyata yang diterapkan di blockchain (biaya inferensi, adaptasi RAG, kompatibilitas LoRA, lingkungan EVM) dengan konfigurasi "prioritas praktis".

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 digabungkan, dibandingkan dengan alat pengembangan model tradisional:

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

3.2 OpenLoRA, aset on-chain model fine-tuning

LoRA (Low-Rank Adaptation) adalah metode penyesuaian parameter yang efisien, dengan cara 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 biasanya memiliki puluhan miliar bahkan ratusan miliar parameter. Untuk menggunakannya dalam tugas tertentu, 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 sesuai untuk penerapan dan pemanggilan model Web3 saat ini.

OpenLoRA adalah kerangka inferensi ringan yang dirancang khusus untuk penyebaran multi-model dan berbagi sumber daya yang dibangun oleh OpenLedger. Tujuan utamanya 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).

Komponen inti arsitektur sistem OpenLoRA, yang didasarkan pada desain modular, mencakup penyimpanan model, pelaksanaan inferensi, pengalihan permintaan, dan aspek penting lainnya, untuk mewujudkan kemampuan penyebaran dan pemanggilan multi-model yang efisien dan berbiaya rendah:

• Modul Penyimpanan LoRA Adapter: LoRA adapter yang telah disesuaikan dihosting di OpenLedger, memungkinkan pemuatan sesuai permintaan, menghindari pemuatan semua model ke dalam memori video, menghemat sumber daya.
• Pengelolaan model dan lapisan penggabungan dinamis: semua model penyesuaian bersama model besar dasar, saat inferensi adapter LoRA digabungkan secara dinamis, mendukung beberapa adapter untuk inferensi bersama (ensemble), meningkatkan kinerja.
• Mesin inferensi: mengintegrasikan Flash-Attention, Paged-Attention, optimasi SGMV, dan beberapa CUDA lainnya.