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 | Sự chuyển giao 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, không thể thiếu một trong ba. Tương tự như lộ trình tiến hóa cơ sở hạ tầng của ngành AI truyền thống, lĩnh vực Crypto AI cũng đã trải qua những giai đoạn tương tự. Đầu năm 2024, thị trường từng bị chi phối bởi các dự án GPU phi tập trung, nhấn mạnh logic tăng trưởng thô sơ "cạnh tranh sức mạnh tính toán". Tuy nhiên, vào năm 2025, sự chú ý của ngành dần chuyển lên các lớp mô hình và dữ liệu, đánh dấu việc Crypto AI đang chuyển mình từ cạnh tranh tài nguyên cơ sở hạ tầng sang xây dựng lớp giữa có tính bền vững và giá trị ứng dụng hơn.

Mô hình lớn tổng quát (LLM) so với mô hình chuyên biệt (SLM)

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

Điều đáng chú ý là SLM sẽ không được tích hợp vào trọng số LLM, mà hoạt động hợp tác với LLM thông qua kiến trúc Agent, hệ thống plugin định tuyến động, khả năng cắm nóng của mô-đun LoRA, RAG (tạo nội dung tăng cường tìm kiếm) và các phương thức khác. Kiến trúc này vừa bảo tồn khả năng bao phủ rộng rãi của LLM, vừa tăng cường hiệu suất chuyên môn thông qua các mô-đun tinh chỉnh, tạo thành một hệ thống thông minh kết hợp cực kỳ linh hoạt.

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

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

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

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

• Lớp xác thực 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 dữ liệu, gọi mô hình, thực hiện các hành động của tác nhân (Agent), xây dựng một vòng lặp tích cực cho việc huấn luyện và phục vụ mô hình.

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

Do đó, có thể thấy rằng điểm khả thi của các dự án Crypto AI loại mô hình chủ yếu tập trung vào việc tinh chỉnh nhẹ nhàng cho SLM nhỏ, việc kết nối và xác thực dữ liệu trên chuỗi theo kiến trúc RAG, cũng như việc 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 độc đáo cho những tình huống mô hình tài nguyên trung bình và thấp, tạo ra giá trị khác biệt cho "tầng giao diện" AI.

Dựa trên dữ liệu và mô hình blockchain AI, có thể ghi lại một cách rõ ràng và không thể thay đổi nguồn gốc đóng góp của từng dữ liệu và mô hình lên chuỗi, nâng cao đáng kể độ tin cậy của dữ liệu và khả năng truy xuất 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 một 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 và lặp lại quy tắc, hoàn thiện cấu trúc quản trị phi tập trung.

Hai, Tổng quan dự án | Tầm nhìn AI Chain của OpenLedger

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

OpenLedger cung cấp chuỗi khép kín từ "cung cấp dữ liệu" đến "triển khai mô hình" và sau đó là "gọi chia sẻ lợi nhuận", các mô-đun cốt lõi của nó bao gồm:

• Nhà máy mô hình: Không cần lập trình, có thể sử dụng LoRA để tinh chỉnh và đào tạo mô hình tùy chỉnh dựa trên LLM mã nguồn mở.
• OpenLoRA：hỗ trợ hàng nghìn mô hình đồng thời, tải động theo nhu cầu, giảm đáng kể chi phí triển khai;
• PoA (Bằng chứng về sự gán nhãn): Đo lường đóng góp và phân phối phần thưởng thông qua việc ghi lại các cuộc gọi trên chuỗi.
• Datanets：Mạng dữ liệu có cấu trúc hướng đến các kịch bản dọc, được xây dựng và xác minh 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, có thể thanh toán.

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

Và trong việc áp dụng công nghệ blockchain, OpenLedger 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 xác minh cho các mô hình AI.

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

So với các chuỗi AI tổng quát như NEAR, vốn tập trung vào các tầng thấp hơn và nhấn mạnh quyền sở hữu dữ liệu cùng kiến trúc «AI Agents on BOS», OpenLedger chú trọng vào việc xây dựng chuỗi chuyên dụng cho AI với các động lực dữ liệu và mô hình, nhằm đạt được sự phát triển và sử dụng mô hình với khả năng truy xuất, kết hợp và giá trị bền vững trên chuỗi. Nó là cơ sở hạ tầng động lực mô hình trong thế giới Web3, kết hợp lưu trữ mô hình, tính phí sử dụng và giao diện có thể kết hợp trên chuỗi, thúc đẩy con đường thực hiện «mô hình như tài sản».

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

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

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 hoặc tích hợp API. Người dùng có thể tinh chỉnh mô hình dựa trên các tập dữ liệu đã được cấp phép và phê duyệt trên OpenLedger. Đã thực hiện quy trình làm việc tích hợp cho việc cấp phép dữ liệu, đào tạo mô hình và triển khai, quy trình cốt lõi bao gồm:

• Kiểm soát truy cập dữ liệu: Người dùng gửi yêu cầu dữ liệu, nhà cung cấp phê duyệt, dữ liệu tự động kết nối với giao diện đào tạo mô hình.
• Lựa chọn và cấu hình mô hình: Hỗ trợ LLM phổ biến, cấu hình siêu tham số qua GUI.
• Tinh chỉnh nhẹ: Engine LoRA / QLoRA tích hợp, 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 gọi hệ sinh thái.
• Giao diện xác thực tương tác: Cung cấp giao diện trò chuyện, thuận tiện để kiểm tra trực tiếp khả năng hỏi đáp của mô hình.
• RAG tạo nguồn gốc: Trả lời có trích dẫn nguồn gốc, tăng cường sự tin cậy và khả năng kiểm toán.

Kiến trúc hệ thống Model Factory bao gồm sáu mô-đun, trải dài qua xác thực danh tính, quyền dữ liệu, tinh chỉnh mô hình, đánh giá triển khai và truy xuất RAG, tạo ra một nền tảng dịch vụ mô hình tích hợp an toàn, có thể kiểm soát, tương tác thời gian thực và có khả năng sinh lợi 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 cơ bản mã nguồn mở phổ biến nhất hiện nay.
• Mistral：Kiến trúc hiệu quả, hiệu suất suy luận tuyệt vời, phù hợp với các tình huống triển khai linh hoạt, tài nguyên hạn chế.
• Qwen：Thể hiện xuất sắc trong nhiệm vụ tiếng Trung, khả năng tổng hợp mạnh, phù hợp cho các nhà phát triển trong nước lựa chọn hàng đầu.
• ChatGLM: Hiệu quả 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 thế trong việc sinh mã và suy luận toán học, phù hợp với công cụ hỗ trợ phát triển thông minh.
• Gemma：Cấu trúc rõ ràng, dễ dàng để bắt đầu và thực nghiệm một cách nhanh chóng.
• Falcon：Đã từng là tiêu chuẩn hiệu suất, phù hợp cho nghiên cứu cơ bản hoặc thử nghiệm so sánh, nhưng mức độ hoạt động của cộng đồng đã giảm.
• BLOOM: Hỗ trợ đa ngôn ngữ khá mạnh, nhưng hiệu suất suy diễn yếu, phù hợp cho nghiên cứu bao phủ ngôn ngữ.
• GPT-2: Mô hình cổ điển sớm, chỉ phù hợp cho mục đích giảng dạy và xác thực, không được khuyến nghị sử dụng trong triển khai thực tế.

Mặc dù mô hình kết hợp của OpenLedger không bao gồm mô hình MoE hiệu suất cao mới nhất hoặc mô hình đa phương tiện, nhưng chiến lược của nó không lạc hậu, mà là sự cấu hình "ưu tiên thực dụng" dựa trên các ràng buộc thực tế của việc triển khai trên chuỗi (chi phí suy diễn, 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 ngưỡng thấp, có thể biến thành tiền và có thể kết hợp, so với các công cụ phát triển mô hình truyền thống:

• Đối với nhà phát triển: Cung cấp lộ trình hoàn chỉnh cho việc ươm tạo, phân phối và thu nhập mô hình;
• Đối với nền tảng: hình thành dòng chảy tài sản mô hình và sinh thái kết 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 trên 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 bậc thấp" vào mô hình lớn đã được huấn luyện trước để học các nhiệm vụ mới, mà không cần sửa đổi tham số của mô hình gốc, từ đó giảm thiểu đáng kể chi phí huấn luyện và nhu cầu lưu trữ. Các mô hình ngôn ngữ lớn truyền thống thường có hàng chục tỷ thậm chí hàng trăm tỷ tham số. Để sử dụng chúng cho các nhiệm vụ cụ thể, cần phải thực hiện tinh chỉnh. Chiến lược cốt lõi của LoRA là: "đóng băng tham số của mô hình lớn gốc, chỉ huấn luyện ma trận tham số mới được chèn vào.", với tham số hiệu quả, huấn luyện nhanh chóng, triển khai linh hoạt, đây 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 luận 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 trong việc triển khai mô hình AI hiện nay như chi phí cao, tái sử dụng thấp, lãng phí tài nguyên GPU, thúc đẩy việc thực hiện "AI có thể thanh toán" (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 khâu quan trọng khác, đạt được khả năng triển khai và gọi nhiều mô hình một cách hiệu quả và tiết kiệm chi phí:

• Mô-đun lưu trữ LoRA Adapter: LoRA adapter đã được tinh chỉnh được lưu trữ trên OpenLedger, thực hiện tải theo nhu cầu, tránh việc đưa tất cả mô hình vào bộ nhớ đệm, tiết kiệm tài nguyên.
• Lưu trữ mô hình và lớp tích hợp động: Tất cả các mô hình tinh chỉnh chia sẻ mô hình lớn cơ bản, trong khi suy diễn, bộ điều hợp LoRA được hợp nhất động, hỗ trợ suy diễn kết hợp nhiều bộ điều hợp, nâng cao hiệu suất.
• Công cụ suy luận: Tích hợp nhiều công nghệ tối ưu CUDA như Flash-Attention, Paged-Attention, SGMV.
• Mô-đun định tuyến yêu cầu và xuất luồng: Định tuyến động đến adapter chính xác theo mô hình cần thiết trong yêu cầu, thực hiện xuất luồng ở cấp độ token thông qua tối ưu hóa nhân.