OpenLedger Kedalaman Riset: Membangun ekonomi agen yang didorong oleh data dan dapat dikombinasikan dengan model di atas OP Stack + EigenDA

I. Pendahuluan | Lompatan Lapisan Model Crypto AI

Data, model, dan kekuatan komputasi adalah tiga elemen inti dari infrastruktur AI, yang dapat dis类比 dengan bahan bakar (data), mesin (model), dan energi (kekuatan komputasi) yang tak bisa dipisahkan. Mirip dengan jalur evolusi infrastruktur industri AI tradisional, bidang Crypto AI juga telah mengalami tahap yang serupa. Pada awal tahun 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi yang secara umum menekankan logika pertumbuhan yang kasar ‘menggabungkan kekuatan komputasi’. Namun, memasuki tahun 2025, fokus industri perlahan-lahan berpindah ke lapisan model dan data, menandakan bahwa Crypto AI sedang bertransisi dari persaingan sumber daya dasar ke pembangunan lapisan menengah yang lebih berkelanjutan dan bernilai aplikasi.

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

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

Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, melainkan beroperasi bersama LLM melalui pemanggilan arsitektur Agent, sistem plugin untuk pengalihan dinamis, hot-plug modul LoRA, dan RAG (Generasi yang Ditingkatkan oleh Pencarian). Arsitektur ini mempertahankan kemampuan jangkauan luas LLM sekaligus meningkatkan kinerja profesional melalui modul pemfokusan, membentuk sistem cerdas komposit yang sangat fleksibel.

Nilai dan batasan Crypto AI di tingkat model

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

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

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

• Lapisan Verifikasi Tepercaya: Meningkatkan keterlacakan dan ketahanan terhadap manipulasi output AI dengan mencatat jalur generasi model, kontribusi data, dan penggunaan di blockchain.
• Mekanisme insentif: Dengan menggunakan Token asli, digunakan untuk mendorong perilaku seperti pengunggahan data, pemanggilan model, dan eksekusi agen (Agent), membangun siklus positif dari pelatihan model dan layanan.

Klasifikasi Tipe Model AI dan Analisis Kesesuaian Blockchain

Oleh karena itu, dapat dilihat bahwa titik fokus yang layak dari proyek Crypto AI berbasis model terutama terletak pada penyesuaian ringan SLM kecil, pengintegrasian dan verifikasi data on-chain dengan arsitektur RAG, serta penerapan lokal dan insentif model Edge. Dengan menggabungkan verifikasi blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model sumber daya menengah ke bawah, membentuk nilai diferensiasi dari "lapisan antarmuka" AI.

Blockchain AI chain berbasis data dan model dapat mencatat sumber kontribusi setiap data dan model secara jelas dan tidak dapat diubah di blockchain, secara signifikan meningkatkan kepercayaan data dan keterlacakan pelatihan model. Selain itu, melalui mekanisme kontrak pintar, saat data atau model dipanggil, distribusi hadiah akan secara otomatis dipicu, 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 menyempurnakan struktur pemerintahan terdesentralisasi.

Dua, Ringkasan Proyek | Visi AI Chain OpenLedger

OpenLedger adalah salah satu proyek AI blockchain yang fokus pada data dan mekanisme insentif model di pasar saat ini. Ini pertama kali mengusulkan konsep "Payable AI", bertujuan untuk membangun lingkungan operasi AI yang adil, transparan, dan dapat digabungkan, yang menginspirasi kontributor data, pengembang model, dan pembangun aplikasi AI untuk berkolaborasi di satu platform, dan mendapatkan imbalan di rantai berdasarkan kontribusi aktual.

OpenLedger menyediakan rantai penuh dari "penyediaan data" hingga "penempatan model" dan kemudian "panggilan pembagian keuntungan", dengan modul inti sebagai berikut:

• Model Factory: Tanpa perlu pemrograman, Anda dapat menggunakan LoRA untuk fine-tuning dan menerapkan model kustom berbasis LLM sumber terbuka;
• OpenLoRA: mendukung keberadaan seribu model secara bersamaan, memuat secara dinamis sesuai kebutuhan, secara signifikan mengurangi biaya penerapan;
• PoA (Proof of Attribution): Mengukur kontribusi dan mendistribusikan penghargaan melalui catatan pemanggilan 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 pintar" yang didorong oleh data dan dapat dikombinasikan dengan model, 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 eksekusi biaya rendah;
• Menyelesaikan 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, memastikan verifikasi data.

dibandingkan dengan NEAR, yang lebih fokus pada lapisan dasar dan menekankan kedaulatan data serta arsitektur "AI Agents on BOS", OpenLedger lebih fokus pada pembangunan rantai khusus AI yang berorientasi pada data dan insentif model, berkomitmen untuk membuat pengembangan dan pemanggilan model dapat ditelusuri, dapat digabungkan, dan menciptakan siklus nilai yang berkelanjutan di blockchain. Ini adalah infrastruktur insentif model di dunia Web3, menggabungkan pemeliharaan model ala HuggingFace, penagihan penggunaan ala Stripe, dan antarmuka kombinasi di blockchain ala 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 pemodelan bahasa besar (LLM) yang disesuaikan di bawah ekosistem OpenLedger. Berbeda dengan kerangka penyesuaian tradisional, ModelFactory menyediakan operasi antarmuka grafis murni, tanpa perlu 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 penyebaran, dengan proses inti yang meliputi:

• 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 (seperti LLaMA, Mistral), melalui GUI untuk mengonfigurasi hiperparameter.
• 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 kemampuan tanya jawab model secara langsung.
• RAG menghasilkan jejak: Menjawab dengan kutipan sumber, meningkatkan kepercayaan dan dapat diaudit.

Sistem arsitektur Model Factory terdiri dari enam modul, mencakup otentikasi identitas, hak akses data, penyesuaian model, evaluasi penerapan, dan pelacakan RAG, menciptakan platform layanan model terintegrasi yang aman, dapat dikendalikan, interaktif secara real-time, dan dapat menghasilkan pendapatan secara berkelanjutan.

ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:

• Seri LLaMA: dengan ekosistem terluas, komunitas yang aktif, dan performa umum yang kuat, merupakan salah satu model dasar sumber terbuka yang paling utama saat ini.
• Mistral: Arsitektur yang efisien, kinerja inferensi yang sangat baik, cocok untuk skenario dengan penyebaran yang fleksibel dan sumber daya yang terbatas.
• Qwen: Produk dari Alibaba, kinerja tugas dalam bahasa Mandarin sangat baik, kemampuan komprehensif kuat, cocok sebagai pilihan utama bagi pengembang domestik.
• ChatGLM: Efek percakapan dalam bahasa Mandarin sangat menonjol, cocok untuk layanan pelanggan vertikal dan skenario lokalisasi.
• Deepseek: Unggul dalam generasi kode dan penalaran matematis, cocok untuk alat bantu pengembangan cerdas.
• Gemma: Model ringan yang diluncurkan oleh Google, memiliki struktur yang jelas, mudah untuk dipahami dan diuji dengan cepat.
• Falcon: Pernah menjadi tolok ukur kinerja, cocok untuk penelitian dasar atau pengujian komparatif, tetapi tingkat aktivitas komunitas telah menurun.
• BLOOM: Dukungan multibahasa yang kuat, tetapi kinerja inferensi yang 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 berperforma tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan merupakan konfigurasi "prioritas praktis" yang dibuat berdasarkan batasan realitas yang diterapkan pada penyebaran di blockchain (biaya inferensi, penyesuaian RAG, kompatibilitas LoRA, lingkungan EVM).

Model Factory sebagai 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 aset model dan ekosistem kombinasi;
• Untuk pengguna: Anda dapat menggabungkan model atau Agen seperti memanggil API.

3.2 OpenLoRA, aset on-chain dari model fine-tuning

LoRA (Low-Rank Adaptation) adalah metode penyesuaian parameter yang efisien, yang belajar tugas baru dengan menyisipkan "matriks peringkat rendah" ke dalam model besar yang telah dilatih sebelumnya, tanpa mengubah parameter model asli, sehingga secara signifikan mengurangi biaya pelatihan dan kebutuhan penyimpanan. Model bahasa besar tradisional (seperti LLaMA, GPT-3) biasanya memiliki puluhan miliar bahkan ratusan miliar parameter. Untuk menggunakannya dalam tugas tertentu (seperti tanya jawab hukum, konsultasi medis), penyesuaian (fine-tuning) diperlukan. Strategi inti dari LoRA adalah: "membekukan parameter model besar asli dan hanya melatih matriks parameter baru yang disisipkan." Metode ini efisien dalam parameter, pelatihan cepat, dan fleksibel dalam penerapan, merupakan metode penyesuaian utama yang paling cocok untuk penerapan dan kombinasi 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 inti dari OpenLoRA 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".

Komponen inti arsitektur sistem OpenLoRA, berdasarkan desain modular, mencakup penyimpanan model, eksekusi inferensi, pengalihan permintaan, dan aspek-aspek kunci lainnya, untuk mewujudkan kemampuan penyebaran dan pemanggilan multi-model yang efisien dan biaya rendah:

• Modul Penyimpanan LoRA Adapter (LoRA Adapters Storage): LoRA adapter yang telah disesuaikan dikelola di OpenLedger, memungkinkan pemuatan sesuai kebutuhan, menghindari pemuatan semua model ke dalam memori grafis, dan menghemat sumber daya.
• Penempatan Model dan Pembiayaan Dinamis