OpenLedger Kedalaman Riset: Membangun ekonomi agen yang didorong oleh data dan dapat digabungkan modelnya dengan OP Stack+EigenDA sebagai dasar.

I. Pendahuluan | Lompatan lapisan model Crypto AI

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

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

Model bahasa besar tradisional (LLM) sangat bergantung pada kumpulan data besar dan arsitektur terdistribusi yang kompleks, dengan skala parameter sering kali mencapai 70B hingga 500B, dan biaya untuk satu kali pelatihan sering kali mencapai jutaan dolar. Sementara itu, SLM (Model Bahasa Spesialis) sebagai paradigma penyetelan ringan model dasar yang dapat digunakan kembali, biasanya berbasis pada model sumber terbuka, menggabungkan sejumlah kecil data profesional berkualitas tinggi dan teknologi seperti LoRA, dengan cepat membangun model ahli yang memiliki pengetahuan khusus di bidang tertentu, secara signifikan mengurangi biaya pelatihan dan ambang teknis.

Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, melainkan beroperasi sama dengan LLM melalui panggilan arsitektur Agent, sistem plugin untuk routing dinamis, hot-plug modul LoRA, dan RAG (generasi yang ditingkatkan dengan pencarian). Arsitektur ini mempertahankan kemampuan cakupan luas LLM sekaligus meningkatkan kinerja profesional melalui modul fine-tuning, membentuk sistem cerdas kombinasi yang sangat fleksibel.

Crypto AI pada tingkat model nilai dan batasan

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

• Ambang teknis terlalu tinggi: Skala data, sumber daya komputasi, dan kemampuan rekayasa yang diperlukan untuk melatih Model Dasar sangat besar, saat ini hanya perusahaan teknologi besar di Amerika Serikat dan China yang memiliki kemampuan tersebut.
• Keterbatasan ekosistem sumber terbuka: Meskipun model dasar utama telah sumber terbuka, kunci untuk mendorong terobosan model tetap terpusat pada lembaga penelitian dan sistem rekayasa tertutup, proyek di blockchain memiliki ruang partisipasi yang terbatas pada lapisan model inti.

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

• Lapisan Verifikasi yang Dapat Dipercaya: Meningkatkan kemampuan pelacakan dan ketahanan terhadap manipulasi output AI melalui pencatatan jalur generasi model, kontribusi data, dan penggunaan di dalam rantai.
• Mekanisme insentif: Dengan menggunakan Token asli, untuk mendorong perilaku seperti unggahan data, pemanggilan model, dan eksekusi agen, membangun siklus positif pelatihan model dan layanan.

Analisis Klasifikasi Tipe Model AI dan Kesesuaian Blockchain

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

Blockchain AI chain yang berbasis pada data dan model dapat mencatat sumber kontribusi dari setiap data dan model secara jelas dan tidak dapat diubah, secara signifikan meningkatkan kredibilitas data dan keterlacakan pelatihan model. Pada saat yang sama, melalui mekanisme kontrak pintar, ketika data atau model digunakan, secara otomatis memicu distribusi penghargaan, 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 token, berpartisipasi dalam perumusan aturan dan iterasi, serta memperbaiki struktur pemerintahan terdesentralisasi.

Dua, Ringkasan Proyek | Visi Rantai AI OpenLedger

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

OpenLedger menyediakan rantai tertutup lengkap dari "penyediaan data" hingga "penempatan model" dan "pemanggilan pembagian keuntungan", dengan modul inti yang mencakup:

• Model Factory: Tanpa perlu pemrograman, Anda dapat menggunakan LoRA untuk pelatihan dan penyebaran model kustom yang disesuaikan berdasarkan LLM sumber terbuka;
• OpenLoRA: mendukung coexistensi ribuan model, memuat secara dinamis sesuai kebutuhan, secara signifikan mengurangi biaya penerapan;
• PoA (Proof of Attribution): 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 membangun "infrastruktur ekonomi agen cerdas" yang didorong oleh data dan dapat digabungkan modelnya, mendorong on-chain dari rantai nilai AI.

Dan dalam penerapan 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 dalam pelaksanaan;
• Settling di jaringan utama Ethereum: Memastikan keamanan transaksi dan integritas aset;
• Kompatibel EVM: Memudahkan pengembang untuk dengan cepat mengimplementasikan 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 rantai khusus AI yang ditujukan untuk insentif data dan model, berkomitmen untuk mewujudkan pengembangan dan pemanggilan model yang dapat ditelusuri, dapat dikombinasikan, dan memiliki nilai yang berkelanjutan di atas rantai. Ini adalah infrastruktur insentif model dalam dunia Web3, menggabungkan hosting model, penagihan penggunaan, dan antarmuka yang dapat dikombinasikan di atas rantai, mendorong jalur pencapaian "model sebagai aset".

Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger

3.1 Model Factory, tanpa kode model pabrik

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

• Kontrol akses data: Pengguna mengajukan permintaan data, penyedia meninjau dan menyetujui, data 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 panggilan berbagi ekosistem.
• Antarmuka verifikasi interaktif: Menyediakan antarmuka berbasis obrolan, memudahkan pengujian langsung kemampuan tanya jawab model.
• RAG menghasilkan jejak: Menyediakan kutipan sumber, meningkatkan kepercayaan dan dapat diaudit.

Arsitektur sistem Model Factory terdiri dari enam modul, mencakup otentikasi identitas, izin data, penyetelan model, evaluasi penerapan, dan pelacakan RAG, menciptakan platform layanan model terintegrasi yang aman dan terkontrol, interaksi waktu nyata, dan dapat menghasilkan pendapatan berkelanjutan.

Tabel singkat kemampuan model bahasa besar yang saat ini didukung oleh ModelFactory adalah sebagai berikut:

• Seri LLaMA: Ekosistem yang paling luas, komunitas yang aktif, dan kinerja umum yang kuat, merupakan salah satu model dasar sumber terbuka yang paling mainstream saat ini.
• Mistral: Arsitektur yang efisien, kinerja inferensi yang sangat baik, cocok untuk diterapkan dalam skenario yang fleksibel dan sumber daya terbatas.
• Qwen：Tugas dalam bahasa Mandarin menunjukkan kinerja yang luar biasa, memiliki kemampuan yang kuat, cocok sebagai pilihan utama bagi pengembang dalam negeri.
• ChatGLM: Efek percakapan dalam bahasa Mandarin sangat menonjol, cocok untuk layanan pelanggan vertikal dan skenario lokal.
• Deepseek: Unggul dalam pembuatan kode dan penalaran matematis, cocok untuk alat bantu pengembangan cerdas.
• Gemma: Struktur yang jelas, mudah untuk cepat dipahami dan dicoba.
• Falcon: Pernah menjadi tolok ukur kinerja, cocok untuk penelitian dasar atau pengujian perbandingan, tetapi tingkat aktivitas komunitas telah menurun.
• BLOOM: Dukungan multi-bahasa yang kuat, tetapi kinerja inferensi cenderung lemah, cocok untuk penelitian yang mencakup banyak bahasa.
• GPT-2: Model klasik awal, hanya cocok untuk tujuan 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 yang diterapkan di blockchain (biaya inferensi, adaptasi RAG, kompatibilitas LoRA, lingkungan EVM).

Model Factory sebagai rantai alat tanpa kode, semua model dilengkapi dengan mekanisme bukti kontribusi, memastikan hak data kontributor 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 aliran aset model dan ekosistem kombinasi;
• Untuk pengguna: Anda dapat menggabungkan model atau Agent 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 biasanya memiliki puluhan miliar bahkan ratusan miliar parameter. Untuk menggunakannya dalam tugas tertentu, penyesuaian 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, adalah metode penyesuaian utama yang paling cocok untuk penerapan dan pemanggilan kombinasi model Web3 saat ini.

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

Komponen inti arsitektur sistem OpenLoRA, berdasarkan desain modular, mencakup penyimpanan model, pelaksanaan inferensi, pengalihan permintaan, dan aspek-aspek kunci 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 grafis, menghemat sumber daya.
• Hosting model dan lapisan fusi dinamis: Semua model yang disesuaikan berbagi model besar dasar, saat inferensi adapter LoRA digabungkan secara dinamis, mendukung inferensi gabungan beberapa adapter, meningkatkan kinerja.
• Mesin inferensi: Mengintegrasikan berbagai teknologi optimasi CUDA seperti Flash-Attention, Paged-Attention, dan SGMV.
• Modul routing permintaan dan output streaming: Router dinamis ke adapter yang benar berdasarkan model yang diperlukan dalam permintaan, melalui optimasi kernel untuk mewujudkan streaming tingkat token.