OpenLedger Derinlik Araştırması: OP Stack+EigenDA tabanlı, veri odaklı ve model birleştirilebilir bir akıllı ekonomi inşa etmek

I. Giriş | Crypto AI'nın model katmanı sıçraması

Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur, bunlardan biri olmadan diğeri olamaz. Geleneksel AI endüstrisinin altyapı evrimi yoluna benzer şekilde, Crypto AI alanı da benzer aşamalardan geçmiştir. 2024'ün başlarında, pazar bir süre merkeziyetsiz GPU projeleri tarafından yönlendirilmiş, genel olarak "hesaplama gücünü birleştirme" ilkesinin yaygın olarak vurgulandığı bir dönem yaşanmıştır. Ancak 2025'e girildiğinde, sektörün odak noktası yavaş yavaş model ve veri katmanına kaymaya başlamış, bu da Crypto AI'nın temel kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta katman inşasına geçişini simgeler.

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

Geleneksel büyük dil modelleri (LLM) eğitimi, büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır, parametre ölçekleri genellikle 70B ile 500B arasında değişir, bir kez eğitim maliyeti genellikle milyonlarca dolara ulaşır. Öte yandan, SLM (Özelleştirilmiş Dil Modeli) yeniden kullanılabilir temel bir modelin hafif ince ayar paradigması olarak, genellikle açık kaynak modellerine dayanır, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi tekniklerle bir araya gelerek belirli alan bilgisine sahip uzman modellerini hızlı bir şekilde inşa eder, eğitim maliyetlerini ve teknik engelleri önemli ölçüde azaltır.

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

Kripto AI'nin model katmanındaki değeri ve sınırları

Kripto AI projeleri esasen büyük dil modellerinin (LLM) temel yeteneklerini doğrudan artırmakta zorluk çekmektedir; bunun başlıca nedeni şudur:

• Teknik engel çok yüksek: Foundation Model'i eğitmek için gereken veri ölçeği, hesaplama gücü kaynakları ve mühendislik yetenekleri son derece büyük, şu anda yalnızca ABD ve Çin gibi teknoloji devlerinin ilgili yeteneklere sahip.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modeller açık kaynak olsa da, model atılımlarını gerçekten teşvik eden anahtar hala araştırma kurumları ve kapalı kaynak mühendislik sistemleri üzerinde yoğunlaşmaktadır, zincir üzerindeki projelerin temel model katmanındaki katılım alanı sınırlıdır.

Ancak, açık kaynaklı temel modellerin üzerine, Crypto AI projeleri hala özel dil modellerini (SLM) ince ayar yaparak ve Web3'ün doğrulanabilirlik ve teşvik mekanizmalarını birleştirerek değer uzantısı gerçekleştirebilir. AI endüstri zincirinin "kenar arayüz katmanı" olarak, iki temel yönde kendini göstermektedir:

• Güvenilir doğrulama katmanı: Modelin oluşturma yolunu, veri katkısını ve kullanım durumunu zincir üzerinde kaydederek AI çıktısının izlenebilirliğini ve değiştirilemezliğini artırır.
• Teşvik Mekanizması: Yerel Token kullanarak veri yükleme, model çağırma, akıllı ajan (Agent) yürütme gibi eylemleri teşvik etmek ve model eğitimi ile hizmeti arasında olumlu bir döngü oluşturmak.

AI model türleri sınıflandırması ve blok zinciri uygunluk analizi

Görüldüğü gibi, model türü Crypto AI projelerinin uygulanabilir noktaları esas olarak küçük SLM'nin hafif ince ayarı, RAG mimarisinin zincir üzerindeki veri entegrasyonu ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerinde yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile bir araya geldiğinde, Crypto bu düşük ve orta kaynaklı model senaryolarına benzersiz bir değer sunarak AI "arayüz katmanı"nın farklılaştırılmış değerini oluşturabilir.

Veri ve model tabanlı blockchain AI zinciri, her bir veri ve modelin katkı kaynağını net, değiştirilemez bir şekilde zincir üzerine kaydetmeye olanak tanır ve veri güvenilirliğini ile model eğitiminin izlenebilirliğini önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması sayesinde, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışlarını ölçülebilir, ticarete konu olabilen tokenleştirilmiş bir değer haline dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirmek, kuralları oluşturmak ve yinelemek için oy verebilir, merkeziyetsiz yönetim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'ın AI Zincir Vizyonu

OpenLedger, veri ve model teşvik mekanizmalarına odaklanan mevcut pazardaki birkaç blockchain AI projesinden biridir. "Payable AI" kavramını ilk olarak ortaya koymuştur ve adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı oluşturmayı amaçlamaktadır. Bu ortamda veri katkıda bulunanlar, model geliştiriciler ve AI uygulama geliştiricileri aynı platformda işbirliği yaparak, gerçek katkılara dayalı olarak zincir üzerindeki kazançlarını elde edebileceklerdir.

OpenLedger, "veri sağlama"dan "model dağıtımı"na ve ardından "kar paylaşımına çağrı"ya kadar tam bir zincir kapalı döngü sunar, ana modülleri şunlardır:

• Model Fabrikası: Programlama olmadan, açık kaynak LLM temelinde LoRA ile ince ayar yaparak eğitim ve özelleştirilmiş modelleri dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin aynı anda varlığını destekler, ihtiyaç duyulduğunda dinamik olarak yükler, dağıtım maliyetlerini önemli ölçüde düşürür;
• PoA (Atıf Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağıtımı sağlanır;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk işbirliği ile inşa edilir ve doğrulanır;
• Model Öneri Platformu (Model Proposal Platform): Birleştirilebilir, çağrılabilir ve ödenebilir zincir üstü model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model olarak birleştirilebilir bir "akıllı varlık ekonomisi altyapısı" kurdu ve AI değer zincirinin zincir üzerinde gerçekleşmesini sağladı.

Ve blok zinciri teknolojisinin benimsenmesinde, OpenLedger OP Stack + EigenDA ile bir altyapı oluşturarak AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir bir veri ve sözleşme çalışma ortamı inşa etmiştir.

• OP Stack üzerine inşa edilmiştir: Optimism teknoloji yığınına dayalı, yüksek işlem hacmi ve düşük maliyetli uygulamayı destekler;
• Ethereum ana ağında hesaplama: İşlem güvenliğini ve varlık bütünlüğünü sağlama;
• EVM uyumlu: Geliştiricilerin Solidity tabanlı hızlı dağıtım ve genişleme yapmasını kolaylaştırır;
• EigenDA veri kullanılabilirliği desteği sağlar: depolama maliyetlerini önemli ölçüde azaltır, veri doğrulanabilirliğini güvence altına alır.

NEAR gibi daha çok temel seviyede, veri egemenliğine ve "BOS üzerindeki AI Agentları" mimarisine odaklanan genel AI blok zincirlerine kıyasla, OpenLedger daha çok veri ve model teşvikine yönelik AI özel blok zincirleri inşa etmeye odaklanıyor. Model geliştirme ve çağırma süreçlerini zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü haline getirmeyi hedefliyor. Bu, Web3 dünyasındaki model teşvik altyapısıdır ve model barındırma, kullanım ücreti ve zincir üzerindeki birleştirilebilir arayüzleri birleştirerek "model varlık olarak" gerçekleştirme yolunu teşvik etmektedir.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknik 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 grafik arayüz ile işlem yapma imkanı sunar, komut satırı araçları veya API entegrasyonu gerekmez. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve onaylanmış veri setlerine dayanarak modellerini ince ayar yapabilirler. Veri yetkilendirme, model eğitimi ve dağıtımını içeren entegre bir iş akışını gerçekleştirmiştir; temel süreçleri şunlardır:

• Veri erişim kontrolü: Kullanıcı veri talebi gönderir, sağlayıcı inceleyip onaylar, veriler otomatik olarak model eğitim arayüzüne bağlanır.
• Model Seçimi ve Yapılandırması: Ana akım LLM'leri destekler, hiperparametreleri GUI üzerinden yapılandırır.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Dahili değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrısını destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneklerini doğrudan test etmek için sohbet tarzında bir arayüz sağlar.
• RAG oluşturma izleme: Kaynak alıntısı ile yanıt verin, güveni ve denetlenebilirliği artırın.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkilendirmesi, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği dahil olmak üzere altı ana modül içerir ve güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir gelir elde etme özelliklerine sahip entegre bir model hizmet platformu oluşturur.

ModelFactory şu anda desteklenen büyük dil modeli yetenekleri çizelgesi aşağıdaki gibidir:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk, genel performansı güçlüdür ve şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Verimli bir mimariye sahip, mükemmel çıkarım performansı ile esnek ve kaynakların sınırlı olduğu senaryolar için uygundur.
• Qwen: Çince görev performansı mükemmel, genel yetenekleri güçlü, yerli geliştiriciler için en iyi tercih.
• ChatGLM: Çince diyalog performansı öne çıkıyor, dikey müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod oluşturma ve matematiksel akıl yürütmede üstün bir performans sergiler, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Yapı net, hızlı bir şekilde kavramak ve denemek için kolay.
• Falcon: Bir zamanlar performans ölçütüydü, temel araştırmalar veya karşılaştırma testleri için uygundu, ancak topluluk etkinliği azaldı.
• BLOOM: Çok dilli destek güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken model, yalnızca öğretim ve doğrulama amaçları için uygundur, gerçek dağıtım için önerilmez.

OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modelini veya çok modlu modeli içermese de, stratejisi demode değil, aksine zincir üstü dağıtımın gerçek kısıtlamaları (çıkarım maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temelinde "pragmatik öncelikli" bir yapılandırma yapmıştır.

Model Factory, kodsuz bir araç zinciri olarak, tüm modeller katkı kanıtı mekanizması ile donatılmıştır ve veri katkıcıları ile model geliştiricilerinin haklarını güvence altına alır. Düşük giriş engeli, dönüştürülebilirlik 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 varlıklarının dolaşımını ve kombinasyon ekosistemini oluşturmak;
• Uygulayıcılar için: Modelleri veya Ajanı, bir API çağrısı yapar gibi bir araya getirebilirsiniz.

3.2 OpenLoRA, modelin zincir üzerindeki varlıklaşması için ince ayar.

LoRA (Düşük Sıralı Uyarlama), önceden eğitilmiş büyük modellerde "düşük rütbeli matrisler" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden kullanılan verimli bir parametre ince ayar yöntemidir. Geleneksel büyük dil modelleri genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Bunları belirli görevler için kullanmak için ince ayar yapılması gerekir. LoRA'nın temel stratejisi şudur: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrislerini eğitmek." Bu, parametre açısından verimli, hızlı eğitim ve esnek dağıtım sağlar ve şu anda Web3 model dağıtımı ve birlikte çağırma için en uygun ana akım ince ayar yöntemidir.

OpenLoRA, OpenLedger tarafından geliştirilen çoklu model dağıtımı ve kaynak paylaşımı için tasarlanmış hafif bir çıkarım çerçevesidir. Temel hedefi, mevcut AI modeli dağıtımında yaygın olan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "ödenebilir AI" (Payable AI) uygulamasını teşvik etmektir.

OpenLoRA sistem mimarisi çekirdek bileşeni, modüler tasarıma dayanarak, model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsayarak verimli, düşük maliyetli çoklu model dağıtım ve çağrı yeteneklerini gerçekleştirir:

• LoRA Adaptörü Depolama Modülü: İnce ayar yapılmış LoRA adaptörü, OpenLedger üzerinde barındırılır, talebe göre yüklenir, tüm modellerin önceden belleğe yüklenmesini önler ve kaynakları tasarruf sağlar.
• Model barındırma ve dinamik birleşim katmanı: Tüm ince ayar modelleri temel büyük modeli paylaşır, çıkarım sırasında LoRA adaptörü dinamik olarak birleştirilir, birden fazla adaptörün ortak çıkarımını destekler, performansı artırır.
• Çıkarım Motoru: Flash-Attention, Paged-Attention, SGMV optimizasyonu gibi birçok CUDA optimizasyon teknolojisini entegre eder.
• İstek yönlendirme ve akış modülü: İsteklerde ihtiyaç duyulan model doğrultusunda doğru adaptöre dinamik yönlendirme, token seviyesinde akış sağlamak için çekirdek optimizasyonu aracılığıyla gerçekleştirilir.