OpenLedgerĐộ sâu研报：以OP Stack+EigenDA为底座，构建一个数据驱动、模型可组合的智能体经济

Một, Giới thiệu | Bước nhảy mô hình của Crypto AI

Dữ liệu, mô hình và sức mạnh tính toán là ba yếu tố cốt lõi của cơ sở hạ tầng AI, tương tự như nhiên liệu (dữ liệu), động cơ (mô hình), năng lượng (sức mạnh tính toán) không thể thiếu. Tương tự như con đường tiến hóa cơ sở hạ tầng của ngành AI truyền thống, lĩnh vực Crypto AI cũng đã trải qua các giai đoạn tương tự. Đầu năm 2024, thị trường một thời bị các dự án GPU phi tập trung chi phối, nhấn mạnh logic tăng trưởng thô về "sức mạnh tính toán". Tuy nhiên, bước vào năm 2025, điểm chú ý của ngành dần dần nâng lên cấp độ mô hình và dữ liệu, đánh dấu sự chuyển mình của Crypto AI từ cạnh tranh tài nguyên cơ bản sang xây dựng cấp trung bền vững hơn và có giá trị ứng dụng.

Mô hình lớn tổng quát (LLM) vs Mô hình chuyên biệt (SLM)

Các mô hình ngôn ngữ lớn truyền thống (LLM) thường phụ thuộc vào các tập dữ liệu quy mô lớn và kiến trúc phân tán phức tạp, quy mô tham số thường từ 70B đến 500B, và chi phí cho một lần huấn luyện thường lên tới hàng triệu đô la. Trong khi đó, SLM (Mô hình ngôn ngữ chuyên biệt) như một phương thức tinh chỉnh nhẹ với mô hình cơ sở có thể tái sử dụng, thường dựa trên các mô hình mã nguồn mở, kết hợp với một lượng nhỏ dữ liệu chuyên nghiệp chất lượng cao và các công nghệ như LoRA, để nhanh chóng xây dựng các mô hình chuyên gia có kiến thức trong lĩnh vực cụ thể, giảm đáng kể chi phí huấn luyện và rào cản kỹ thuật.

Điều đáng chú ý là SLM sẽ không được tích hợp vào trọng số LLM, mà sẽ hợp tác với LLM thông qua các cách gọi kiến trúc Agent, hệ thống plugin định tuyến động, cắm nóng mô-đun LoRA, RAG (tạo sinh tăng cường truy vấn) và các phương thức khác. Kiến trúc này vừa giữ lại khả năng bao phủ rộng rãi của LLM, vừa tăng cường hiệu suất chuyên môn thông qua các mô-đun tinh chỉnh, hình thành hệ thống thông minh kết hợp linh hoạt cao.

Giá trị và ranh giới của Crypto AI ở cấp độ mô hình

Dự án Crypto AI về bản chất khó có thể trực tiếp nâng cao khả năng cốt lõi của mô hình ngôn ngữ lớn (LLM), nguyên nhân cốt lõi là

• Rào cản kỹ thuật quá cao: Quy mô dữ liệu, tài nguyên tính toán và khả năng kỹ thuật cần thiết để đào tạo Mô hình Cơ sở là vô cùng khổng lồ, hiện tại chỉ có các ông lớn công nghệ như Mỹ và Trung Quốc mới có khả năng tương ứng.
• Hạn chế của hệ sinh thái mã nguồn mở: Mặc dù các mô hình cơ bản chính đã được mã nguồn mở, nhưng chìa khóa để thúc đẩy sự đột phá của mô hình vẫn tập trung vào các tổ chức nghiên cứu và hệ thống kỹ thuật khép kín, không gian tham gia của các dự án trên chuỗi ở cấp độ mô hình cốt lõi hạn chế.

Tuy nhiên, trên nền tảng của mô hình cơ sở mã nguồn mở, các dự án Crypto AI vẫn có thể mở rộng giá trị thông qua việc tinh chỉnh các mô hình ngôn ngữ chuyên biệt (SLM), kết hợp với tính khả thi và cơ chế khuyến khích của Web3. Là "tầng giao diện xung quanh" của chuỗi công nghiệp AI, điều này thể hiện ở hai hướng cốt lõi:

• Tầng xác minh đáng tin cậy: Thông qua việc ghi lại trên chuỗi đường đi của mô hình, đóng góp dữ liệu và tình trạng sử dụng, tăng cường khả năng truy xuất nguồn gốc và khả năng chống giả mạo của đầu ra AI.
• Cơ chế khuyến khích: Sử dụng Token gốc để khuyến khích việc tải lên dữ liệu, gọi mô hình, thực hiện hành vi của tác nhân (Agent), xây dựng vòng lặp tích cực cho đào tạo và dịch vụ mô hình.

Phân loại loại mô hình AI và phân tích tính ứng dụng của blockchain

Như vậy, có thể thấy rằng điểm khả thi của các dự án Crypto AI kiểu mô hình chủ yếu tập trung vào việc tinh chỉnh nhẹ nhàng SLM nhỏ, truy cập và xác minh dữ liệu trên chuỗi của kiến trúc RAG, cũng như triển khai và khuyến khích mô hình Edge tại chỗ. Kết hợp tính khả thi xác minh của blockchain và cơ chế token, Crypto có thể cung cấp giá trị đặc thù cho các tình huống mô hình tài nguyên trung bình và thấp, tạo ra giá trị khác biệt cho "tầng giao diện" AI.

Chuỗi AI dựa trên dữ liệu và mô hình blockchain có thể ghi lại rõ ràng và không thể thay đổi nguồn gốc đóng góp của mỗi dữ liệu và mô hình lên chuỗi, nâng cao đáng kể độ tin cậy của dữ liệu và khả năng truy nguyên của việc huấn luyện mô hình. Đồng thời, thông qua cơ chế hợp đồng thông minh, khi dữ liệu hoặc mô hình được gọi, sẽ tự động kích hoạt việc phân phối phần thưởng, biến hành vi AI thành giá trị token hóa có thể đo lường và giao dịch, xây dựng hệ thống khuyến khích bền vững. Ngoài ra, người dùng trong cộng đồng cũng có thể thông qua việc bỏ phiếu bằng token để đánh giá hiệu suất mô hình, tham gia vào việc xây dựng quy tắc và lặp lại, hoàn thiện cấu trúc quản trị phi tập trung.

Hai, Tóm tắt dự án | Tầm nhìn chuỗi AI của OpenLedger

OpenLedger là một trong số ít dự án AI blockchain tập trung vào cơ chế khuyến khích dữ liệu và mô hình trên thị trường hiện tại. Nó tiên phong đưa ra khái niệm "Payable AI", nhằm xây dựng một môi trường vận hành AI công bằng, minh bạch và có thể kết hợp, khuyến khích các nhà đóng góp dữ liệu, nhà phát triển mô hình và nhà xây dựng ứng dụng AI hợp tác trên cùng một nền tảng và nhận được lợi ích trên chuỗi dựa trên đóng góp thực tế.

OpenLedger cung cấp một chuỗi khép kín toàn diện từ "cung cấp dữ liệu" đến "triển khai mô hình" và "gọi phân chia lợi nhuận", các mô-đun cốt lõi của nó bao gồm:

• Model Factory：Không cần lập trình, có thể sử dụng LoRA để tinh chỉnh, đào tạo và triển khai mô hình tùy chỉnh dựa trên LLM mã nguồn mở;
• OpenLoRA：hỗ trợ hàng ngàn mô hình đồng tồn tại, tải động theo nhu cầu, giảm đáng kể chi phí triển khai;
• PoA（Proof of Attribution）：Thông qua việc gọi trên chuỗi để thực hiện đo lường đóng góp và phân phối thưởng;
• Datanets：Mạng dữ liệu có cấu trúc hướng đến các tình huống chuyên biệt, được xây dựng và xác thực bởi sự hợp tác của cộng đồng;
• Nền tảng Đề xuất Mô hình (Model Proposal Platform): Thị trường mô hình trên chuỗi có thể kết hợp, có thể gọi và có thể thanh toán.

Thông qua các mô-đun trên, OpenLedger đã xây dựng một "cơ sở hạ tầng kinh tế thông minh" dựa trên dữ liệu và có thể kết hợp mô hình, thúc đẩy việc chuỗi hóa giá trị AI.

Và trong việc áp dụng công nghệ blockchain, OpenLedger đã sử dụng OP Stack + EigenDA làm nền tảng, xây dựng môi trường chạy dữ liệu và hợp đồng có hiệu suất cao, chi phí thấp và có thể kiểm chứng cho các mô hình AI.

• Xây dựng trên OP Stack: Dựa trên công nghệ Optimism, hỗ trợ thông lượng cao và chi phí thấp khi thực hiện;
• Thanh toán trên mạng chính Ethereum: Đảm bảo tính an toàn của giao dịch và tính toàn vẹn của tài sản;
• Tương thích EVM: Tiện lợi cho các nhà phát triển nhanh chóng triển khai và mở rộng dựa trên Solidity;
• EigenDA cung cấp hỗ trợ khả năng sẵn có của dữ liệu: giảm đáng kể chi phí lưu trữ, đảm bảo tính xác minh của dữ liệu.

So với các chuỗi AI tổng quát như NEAR, tập trung vào quyền sở hữu dữ liệu và kiến trúc «AI Agents on BOS», OpenLedger chú trọng vào việc xây dựng chuỗi AI chuyên dụng hướng tới việc khuyến khích dữ liệu và mô hình, cam kết phát triển và gọi mô hình trên chuỗi để đạt được giá trị khép kín có thể truy xuất, có thể kết hợp và bền vững. Nó là cơ sở hạ tầng khuyến khích mô hình trong thế giới Web3, kết hợp việc lưu trữ mô hình kiểu HuggingFace, tính phí sử dụng kiểu Stripe và giao diện có thể kết hợp trên chuỗi kiểu Infura, thúc đẩy con đường hiện thực hóa «mô hình như tài sản».

Ba, Các thành phần cốt lõi và kiến trúc công nghệ của OpenLedger

Nhà máy mô hình 3.1, không cần mã mô hình nhà máy

ModelFactory là một nền tảng tinh chỉnh mô hình ngôn ngữ lớn (LLM) trong hệ sinh thái OpenLedger. Khác với các khung tinh chỉnh truyền thống, ModelFactory cung cấp giao diện đồ họa hoàn toàn, không cần công cụ dòng lệnh hay tích hợp API. Người dùng có thể tinh chỉnh mô hình dựa trên tập dữ liệu đã hoàn thành cấp phép và kiểm duyệt trên OpenLedger. Đã thực hiện quy trình công việc tích hợp cho cấp phép dữ liệu, đào tạo mô hình và triển khai, với các quy trình cốt lõi bao gồm:

• Kiểm soát truy cập dữ liệu: Người dùng gửi yêu cầu dữ liệu, nhà cung cấp xem xét và phê duyệt, dữ liệu tự động kết nối vào giao diện huấn luyện mô hình.
• Lựa chọn và cấu hình mô hình: Hỗ trợ LLM chính thống, cấu hình siêu tham số qua GUI.
• Tinh chỉnh nhẹ: Engine LoRA / QLoRA tích hợp sẵn, hiển thị tiến độ đào tạo theo thời gian thực.
• Đánh giá và triển khai mô hình: Công cụ đánh giá tích hợp sẵn, hỗ trợ xuất bản triển khai hoặc chia sẻ sinh thái.
• Giao diện xác thực tương tác: Cung cấp giao diện trò chuyện, thuận tiện cho việc thử nghiệm khả năng hỏi đáp của mô hình.
• RAG tạo nguồn gốc: Trả lời có trích dẫn nguồn, tăng cường độ tin cậy và khả năng kiểm toán.

Kiến trúc hệ thống Model Factory bao gồm sáu mô-đun, xuyên suốt xác thực danh tính, quyền dữ liệu, tinh chỉnh mô hình, đánh giá triển khai và truy xuất RAG, xây dựng nền tảng dịch vụ mô hình tích hợp an toàn, có thể kiểm soát, tương tác thời gian thực và biến đổi bền vững.

Bảng tóm tắt khả năng của các mô hình ngôn ngữ lớn mà ModelFactory hiện đang hỗ trợ như sau:

• Dòng LLaMA: Hệ sinh thái rộng nhất, cộng đồng năng động, hiệu suất tổng quát mạnh mẽ, là một trong những mô hình nền tảng mã nguồn mở phổ biến nhất hiện nay.
• Mistral: Kiến trúc hiệu quả, hiệu suất suy diễn tuyệt vời, phù hợp với các tình huống triển khai linh hoạt và tài nguyên hạn chế.
• Qwen：Năng lực tổng hợp mạnh, phù hợp với sự lựa chọn hàng đầu của các nhà phát triển trong nước.
• ChatGLM: Hiệu ứng đối thoại tiếng Trung nổi bật, phù hợp với dịch vụ khách hàng theo lĩnh vực và các tình huống địa phương.
• Deepseek：Thể hiện ưu việt trong việc sinh mã và suy luận toán học, phù hợp với công cụ hỗ trợ phát triển thông minh.
• Gemma: Mô hình nhẹ do Google phát triển, cấu trúc rõ ràng, dễ dàng để bắt đầu và thử nghiệm nhanh.
• Falcon：Từng là tiêu chuẩn hiệu suất, phù hợp cho nghiên cứu cơ bản hoặc thử nghiệm so sánh, nhưng độ hoạt động của cộng đồng đã giảm.
• BLOOM: Hỗ trợ nhiều ngôn ngữ mạnh, nhưng hiệu suất suy diễn yếu, phù hợp cho nghiên cứu bao phủ ngôn ngữ.
• GPT-2：Mô hình cổ điển đầu tiên, chỉ phù hợp cho mục đích giảng dạy và xác minh, không khuyến nghị sử dụng trong triển khai thực tế.

Mặc dù mô hình kết hợp của OpenLedger không bao gồm các mô hình MoE hiệu suất cao mới nhất hoặc các mô hình đa phương thức, nhưng chiến lược của nó không lạc hậu, mà là cấu hình "ưu tiên thực dụng" dựa trên các ràng buộc thực tế của việc triển khai trên chuỗi (chi phí suy luận, thích ứng RAG, tương thích LoRA, môi trường EVM).

Model Factory như một chuỗi công cụ không mã, tất cả các mô hình đều được tích hợp cơ chế chứng minh đóng góp, đảm bảo quyền lợi của người đóng góp dữ liệu và nhà phát triển mô hình, có những ưu điểm như rào cản thấp, có thể biến đổi và có thể kết hợp, so với các công cụ phát triển mô hình truyền thống:

• Đối với nhà phát triển: Cung cấp con đường hoàn chỉnh cho việc ươm tạo, phân phối, và thu nhập mô hình;
• Đối với nền tảng: hình thành lưu thông tài sản mô hình và sinh thái tổ hợp;
• Đối với người dùng: có thể kết hợp sử dụng mô hình hoặc Agent giống như gọi API.

3.2 OpenLoRA, tài sản hóa chuỗi của mô hình tinh chỉnh

LoRA (Low-Rank Adaptation) là một phương pháp tinh chỉnh tham số hiệu quả, thông qua việc chèn "ma trận hạng thấp" vào mô hình lớn đã được huấn luyện trước để học các nhiệm vụ mới, mà không thay đổi tham số của mô hình gốc, từ đó giảm đáng kể chi phí huấn luyện và nhu cầu lưu trữ. Các mô hình ngôn ngữ lớn truyền thống thường có hàng tỷ thậm chí hàng trăm tỷ tham số. Để sử dụng chúng cho các nhiệm vụ cụ thể, cần phải thực hiện tinh chỉnh (fine-tuning). Chiến lược cốt lõi của LoRA là: "đóng băng tham số của mô hình lớn ban đầu, chỉ huấn luyện các ma trận tham số mới được chèn vào." Phương pháp này hiệu quả về tham số, huấn luyện nhanh chóng, và triển khai linh hoạt, là phương pháp tinh chỉnh chính phù hợp nhất cho việc triển khai và gọi kết hợp mô hình Web3 hiện nay.

OpenLoRA là một khung suy diễn nhẹ được xây dựng bởi OpenLedger, được thiết kế đặc biệt cho việc triển khai nhiều mô hình và chia sẻ tài nguyên. Mục tiêu cốt lõi của nó là giải quyết các vấn đề phổ biến hiện nay trong việc triển khai mô hình AI như chi phí cao, khả năng tái sử dụng thấp và lãng phí tài nguyên GPU, thúc đẩy việc thực hiện "AI có thể trả tiền" (Payable AI).

OpenLoRA hệ thống kiến trúc thành phần cốt lõi, dựa trên thiết kế mô-đun, bao phủ lưu trữ mô hình, thực thi suy diễn, định tuyến yêu cầu và các khía cạnh quan trọng khác, đạt được khả năng triển khai và gọi nhiều mô hình hiệu quả, chi phí thấp:

• Mô-đun lưu trữ LoRA Adapter: LoRA adapter đã được tinh chỉnh được lưu trữ trên OpenLedger, cho phép tải theo yêu cầu, tránh việc tải tất cả các mô hình vào bộ nhớ đồ họa, tiết kiệm tài nguyên.
• Lưu trữ mô hình và lớp kết hợp động: Tất cả các mô hình tinh chỉnh chia sẻ mô hình lớn cơ sở, trong quá trình suy diễn, bộ điều hợp LoRA được kết hợp động, hỗ trợ nhiều bộ điều hợp suy diễn kết hợp (ensemble), nâng cao hiệu suất.
• Công cụ suy diễn: Tích hợp Flash-Attention, Paged-Attention, tối ưu hóa SGMV và nhiều CUDA khác.