Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA
Один. Введение | Переход модели Crypto AI
Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель) и энергии (вычислительная мощность), которые необходимы друг другу. Подобно эволюционному пути инфраструктуры традиционной отрасли ИИ, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок был во многом поделен между децентрализованными GPU проектами ( какой-то вычислительной платформы, какой-то платформы рендеринга, какой-то сети и т. д. ), которые в основном подчеркивали логику грубого роста "борьбы за вычислительную мощность". Однако с началом 2025 года внимание отрасли постепенно переместилось на уровень моделей и данных, что знаменует собой переход Crypto AI от конкуренции за базовые ресурсы к более устойчивому и ценному для применения среднему уровню построения.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-62b3fa1e810f4772aaba3d91c74c1aa6)
Универсальные большие модели (LLM) против специализированных моделей (SLM)
Традиционные крупные языковые модели (LLM) сильно зависят от больших наборов данных и сложной распределенной архитектуры, масштаб параметров составляет от 70B до 500B, а стоимость однократного обучения часто достигает миллионов долларов. В то время как SLM (Специализированная языковая модель) является легковесной парадигмой тонкой настройки, которая может быть повторно использована на основе базовой модели, обычно основанной на открытых моделях, таких как LLaMA, Mistral, DeepSeek и т.д., в сочетании с небольшим количеством высококачественных специализированных данных и такими технологиями, как LoRA, быстро создаются экспертные модели, обладающие знаниями в определенной области, что значительно снижает стоимость обучения и технические барьеры.
Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет работать совместно с LLM через архитектуру Agent, динамическую маршрутизацию системы плагинов, горячую замену модулей LoRA, RAG (улучшенная генерация с извлечением) и другие способы. Эта архитектура сохраняет широкие возможности LLM, одновременно усиливая профессиональные показатели через модули тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.
Ценность и границы Crypto AI на уровне модели
Крипто AI проекты по сути сложно напрямую улучшить основные возможности больших языковых моделей (LLM), основная причина заключается в том, что
Высокий технический барьер: объем данных, вычислительных ресурсов и инженерных возможностей, необходимых для обучения Foundation Model, чрезвычайно велик, в настоящее время только такие технологические гиганты, как США (некоторые компании и др.) и Китай (некоторые компании и др.) обладают соответствующими возможностями.
Ограничения открытой экосистемы: хотя такие основные модели, как LLaMA и Mixtral, уже открыты, ключ к настоящему прорыву моделей все еще сосредоточен в научных учреждениях и закрытых инженерных системах, а участие цепочных проектов в области основных моделей ограничено.
Однако, на основе открытых моделей, проекты Crypto AI все еще могут реализовать расширение ценности с помощью тонкой настройки специализированных языковых моделей (SLM) и сочетания с проверяемостью и механизмами стимулов Web3. В качестве «периферийного интерфейсного слоя» AI цепочки поставок это проявляется в двух основных направлениях:
Достоверный уровень верификации: через запись на цепи пути генерации модели, данные о вкладе и использовании, усиливается возможность отслеживания и защита AI-выходов от подделки.
Механизм стимулов: с помощью родного токена для стимулирования поведения, такого как загрузка данных, вызов моделей и выполнение агентов, создается положительный цикл обучения моделей и обслуживания.
Классификация типов AI моделей и анализ применимости блокчейна
Таким образом, можно увидеть, что жизнеспособные точки применения моделей типа Crypto AI в основном сосредоточены на легкой настройке маломасштабных SLM, интеграции и верификации данных на блокчейне в архитектуре RAG, а также локальном развертывании и стимуляции Edge моделей. В сочетании с проверяемостью блокчейна и токеномикой, Crypto может предоставить уникальную ценность для этих сценариев моделей с низкими и средними ресурсами, формируя дифференцированную ценность «интерфейсного слоя» AI.
Блокчейн AI цепь на основе данных и моделей может обеспечить четкую и неизменяемую запись на блокчейне источника вклада каждой строки данных и модели, значительно повышая доверие к данным и прослеживаемость обучения модели. В то же время, через механизм умных контрактов, при вызове данных или модели автоматически инициируется распределение вознаграждений, превращая действия AI в измеримую, торгуемую токенизированную ценность, создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели с помощью голосования токенами, участвовать в разработке правил и их итерации, улучшая архитектуру децентрализованного управления.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-19c2276fccc616ccf9260fb7e35c9c24)
Два, Обзор проекта | Визия AI цепи OpenLedger
OpenLedger является одним из немногих проектов блокчейн AI на рынке, который сосредоточен на механизмах стимулирования данных и моделей. Он первым предложил концепцию «Payable AI», стремясь создать справедливую, прозрачную и комбинируемую среду для функционирования AI, стимулируя участников, таких как поставщики данных, разработчики моделей и создатели AI-приложений, сотрудничать на одной платформе и получать доходы на блокчейне в зависимости от их фактического вклада.
OpenLedger предоставляет полный замкнутый цикл от «предоставления данных» до «развертывания модели» и «вызова распределения прибыли», его ключевые модули включают:
Модельный завод：без программирования, можно использовать LoRA для тонкой настройки, обучения и развертывания пользовательских моделей на основе открытого LLM;
OpenLoRA: поддержка совместного использования тысяч моделей, динамическая загрузка по мере необходимости, значительное снижение затрат на развертывание;
PoA (Proof of Attribution): измерение вклада и распределение вознаграждений осуществляется через запись вызовов в цепочке;
Datanets: Структурированные сетевые данные, ориентированные на вертикальные сценарии, создаваемые и проверяемые сообществом;
Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый и оплачиваемый рынок моделей на блокчейне.
С помощью вышеуказанных модулей OpenLedger создала «инфраструктуру экономической базы интеллектуальных агентов», управляемую данными и комбинируемую по моделям, способствуя онлайнизации цепочки создания стоимости ИИ.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-f23f47f09226573b1fcacebdcfb8c1f3)
А в применении технологии блокчейн OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду выполнения данных и контрактов для моделей ИИ.
Построено на OP Stack: основано на технологии Optimism, поддерживает высокую пропускную способность и низкие затраты на выполнение;
Расчет в основной сети Ethereum: Обеспечение безопасности транзакций и целостности активов;
Совместимость с EVM: Упрощает разработчикам быструю развертку и расширение на основе Solidity;
EigenDA предоставляет поддержку доступности данных: значительно снижает затраты на хранение, обеспечивает проверяемость данных.
В отличие от таких публичных блокчейнов, которые скорее ориентированы на базовые уровни и подчеркивают суверенитет данных, как «AI Agents on BOS», OpenLedger больше сосредоточен на создании специализированного блокчейна для AI, направленного на стимулы для данных и моделей, стремясь сделать разработку и вызов моделей на блокчейне отслеживаемыми, комбинируемыми и устойчивыми по своей ценностной замкнутости. Это инфраструктура стимулов для моделей в мире Web3, которая объединяет функции хостинга моделей, подобные некоторой платформе для хостинга моделей, использование биллинга, как на некоторой платежной платформе, и интерфейсы для комбинирования на блокчейне, подобные некоторым инфраструктурным услугам, продвигая путь к реализации концепции «модель как актив».
Три, основные компоненты и технологическая архитектура OpenLedger
3.1 Модельный завод, не требуется кодовая модельная фабрика
ModelFactory является крупной платформой для дообучения языковой модели (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков дообучения, ModelFactory предоставляет чисто графический интерфейс, не требуя инструментов командной строки или интеграции API. Пользователи могут дообучать модели на основе датасетов, которые были авторизованы и проверены на OpenLedger. Это реализует интегрированный рабочий процесс авторизации данных, обучения моделей и их развертывания, ключевые этапы которого включают:
Контроль доступа к данным: Пользователь подает запрос на данные, провайдер проверяет и утверждает, данные автоматически подключаются к интерфейсу обучения модели.
Выбор и настройка модели: поддержка основных LLM (таких как LLaMA, Mistral), настройка гиперпараметров через GUI.
Легкая настройка: встроенный движок LoRA / QLoRA, отображающий прогресс обучения в реальном времени.
Оценка и развертывание моделей: встроенные инструменты оценки, поддержка экспорта развертывания или совместного использования в экосистеме.
Интерфейс верификации взаимодействия: предоставляет чат-интерфейс, удобный для непосредственного тестирования способностей модели к ответам на вопросы.
Генерация RAG для отслеживания: ответы с указанием источника, что повышает доверие и возможность аудита.
Архитектура системы Model Factory включает шесть основных модулей, охватывающих аутентификацию личности, управление данными, тонкую настройку моделей, оценку развертывания и RAG трассировку, создавая безопасную и контролируемую, интерактивную в реальном времени и устойчивую платформу для интегрированных модельных услуг.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-909dc3f796ad6aa44a1c97a51ade4193)
Модельная фабрика в настоящее время поддерживает следующие возможности больших языковых моделей:
Серия LLaMA: самая широкая экосистема, активное сообщество, высокая универсальная производительность, является одной из самых популярных открытых базовых моделей на сегодняшний день.
Mistral: Архитектура эффективна, производительность вывода отличная, подходит для гибкого развертывания в условиях ограниченных ресурсов.
Qwen: Продукт определенной компании, отлично справляется с китайскими задачами, обладает высокой综合能力, подходит для выбора отечественных разработчиков.
ChatGLM: выдающийся эффект диалога на китайском языке, подходит для специализированного обслуживания клиентов и локальных сценариев.
Deepseek: демонстрирует превосходство в генерации кода и математическом выводе, подходит для вспомогательных инструментов интеллектуальной разработки.
Gemma: легкая модель, разработанная одной компанией, с четкой структурой, легко осваивается и подходит для быстрого эксперимента.
Falcon: Ранее был эталоном производительности, подходит для базовых исследований или сравнительных тестов, но активность сообщества снизилась.
BLOOM: Поддержка нескольких языков довольно сильная, но производительность вывода слабая, подходит для исследований с охватом языков.
GPT-2: классическая ранняя модель, подходит только для учебных и верификационных целей, не рекомендуется для реального развертывания.
Хотя модельный набор OpenLedger не включает в себя последние высокопроизводительные модели MoE или многомодальные модели, его стратегия не устарела, а основана на «приоритетах практичности», обусловленных реальными ограничениями развертывания на блокчейне (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).
Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, обеспечивая права участников данных и разработчиков моделей, обладая низким порогом, возможностью монетизации и комбинирования, по сравнению с традиционными инструментами разработки моделей:
Для разработчиков: предоставление полного пути инкубации моделей, распространения и доходов;
Для платформы: формирование модели обращения активов и комбинированной экосистемы;
Для пользователей: можно комбинировать модели или агенты так же, как вы вызываете API.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-f49cfa5ea73fc0018250d04193b34b60)
3.2 OpenLoRA, токенизация on-chain активов модели дообучения
LoRA (Low-Rank Adaptation) — это эффективный метод настройки параметров, который позволяет обучать новые задачи, вставляя «низкоранговые матрицы» в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает стоимость обучения и требования к хранилищу. Традиционные большие языковые модели (такие как LLaMA, GPT-3) обычно имеют десятки миллиардов, а даже сотни миллиардов параметров. Чтобы использовать их для конкретных задач (например, юридических вопросов или медицинских консультаций), необходимо провести дообучение (fine-tuning). Основная стратегия LoRA заключается в следующем: «заморозить параметры оригинальной большой модели и обучать только вставленные новые матричные параметры». Она эффективна по параметрам, быстро обучается и гибко разворачивается, что делает ее наиболее подходящим методом дообучения для развертывания и комбинированного вызова моделей Web3.
OpenLoRA — это легковесный фреймворк для вывода, разработанный OpenLedger, специально предназначенный для развертывания нескольких моделей и совместного использования ресурсов. Его основная цель — решить распространенные проблемы, возникающие при развертывании AI моделей, такие как высокие затраты, низкая повторная используемость и неэффективное использование ресурсов GPU, способствуя внедрению «оплачиваемого AI» (Payable AI).
Основные компоненты архитектуры системы OpenLoRA, основанные на модульной конструкции
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
10 Лайков
Награда
10
6
Поделиться
комментарий
0/400
WhaleSurfer
· 11ч назад
Копировать домашнее задание действительно здорово
Посмотреть ОригиналОтветить0
GateUser-c802f0e8
· 12ч назад
Когда же экономика интеллектуальных агентов сможет реализоваться?
Посмотреть ОригиналОтветить0
ShadowStaker
· 12ч назад
мех... еще один L2, который пытается решить AI модными словами. покажите мне статистику MEV сначала, если честно.
Посмотреть ОригиналОтветить0
PrivateKeyParanoia
· 12ч назад
Экономика интеллектуальных агентов, действительно просто пустые разговоры VC.
OpenLedger создает платёжный ИИ: OP Stack + EigenDA базис для управления данными и экономикой моделей
Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA
Один. Введение | Переход модели Crypto AI
Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель) и энергии (вычислительная мощность), которые необходимы друг другу. Подобно эволюционному пути инфраструктуры традиционной отрасли ИИ, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок был во многом поделен между децентрализованными GPU проектами ( какой-то вычислительной платформы, какой-то платформы рендеринга, какой-то сети и т. д. ), которые в основном подчеркивали логику грубого роста "борьбы за вычислительную мощность". Однако с началом 2025 года внимание отрасли постепенно переместилось на уровень моделей и данных, что знаменует собой переход Crypto AI от конкуренции за базовые ресурсы к более устойчивому и ценному для применения среднему уровню построения.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-62b3fa1e810f4772aaba3d91c74c1aa6)
Универсальные большие модели (LLM) против специализированных моделей (SLM)
Традиционные крупные языковые модели (LLM) сильно зависят от больших наборов данных и сложной распределенной архитектуры, масштаб параметров составляет от 70B до 500B, а стоимость однократного обучения часто достигает миллионов долларов. В то время как SLM (Специализированная языковая модель) является легковесной парадигмой тонкой настройки, которая может быть повторно использована на основе базовой модели, обычно основанной на открытых моделях, таких как LLaMA, Mistral, DeepSeek и т.д., в сочетании с небольшим количеством высококачественных специализированных данных и такими технологиями, как LoRA, быстро создаются экспертные модели, обладающие знаниями в определенной области, что значительно снижает стоимость обучения и технические барьеры.
Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет работать совместно с LLM через архитектуру Agent, динамическую маршрутизацию системы плагинов, горячую замену модулей LoRA, RAG (улучшенная генерация с извлечением) и другие способы. Эта архитектура сохраняет широкие возможности LLM, одновременно усиливая профессиональные показатели через модули тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.
Ценность и границы Crypto AI на уровне модели
Крипто AI проекты по сути сложно напрямую улучшить основные возможности больших языковых моделей (LLM), основная причина заключается в том, что
Однако, на основе открытых моделей, проекты Crypto AI все еще могут реализовать расширение ценности с помощью тонкой настройки специализированных языковых моделей (SLM) и сочетания с проверяемостью и механизмами стимулов Web3. В качестве «периферийного интерфейсного слоя» AI цепочки поставок это проявляется в двух основных направлениях:
Классификация типов AI моделей и анализ применимости блокчейна
Таким образом, можно увидеть, что жизнеспособные точки применения моделей типа Crypto AI в основном сосредоточены на легкой настройке маломасштабных SLM, интеграции и верификации данных на блокчейне в архитектуре RAG, а также локальном развертывании и стимуляции Edge моделей. В сочетании с проверяемостью блокчейна и токеномикой, Crypto может предоставить уникальную ценность для этих сценариев моделей с низкими и средними ресурсами, формируя дифференцированную ценность «интерфейсного слоя» AI.
Блокчейн AI цепь на основе данных и моделей может обеспечить четкую и неизменяемую запись на блокчейне источника вклада каждой строки данных и модели, значительно повышая доверие к данным и прослеживаемость обучения модели. В то же время, через механизм умных контрактов, при вызове данных или модели автоматически инициируется распределение вознаграждений, превращая действия AI в измеримую, торгуемую токенизированную ценность, создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели с помощью голосования токенами, участвовать в разработке правил и их итерации, улучшая архитектуру децентрализованного управления.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-19c2276fccc616ccf9260fb7e35c9c24)
Два, Обзор проекта | Визия AI цепи OpenLedger
OpenLedger является одним из немногих проектов блокчейн AI на рынке, который сосредоточен на механизмах стимулирования данных и моделей. Он первым предложил концепцию «Payable AI», стремясь создать справедливую, прозрачную и комбинируемую среду для функционирования AI, стимулируя участников, таких как поставщики данных, разработчики моделей и создатели AI-приложений, сотрудничать на одной платформе и получать доходы на блокчейне в зависимости от их фактического вклада.
OpenLedger предоставляет полный замкнутый цикл от «предоставления данных» до «развертывания модели» и «вызова распределения прибыли», его ключевые модули включают:
С помощью вышеуказанных модулей OpenLedger создала «инфраструктуру экономической базы интеллектуальных агентов», управляемую данными и комбинируемую по моделям, способствуя онлайнизации цепочки создания стоимости ИИ.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-f23f47f09226573b1fcacebdcfb8c1f3)
А в применении технологии блокчейн OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду выполнения данных и контрактов для моделей ИИ.
В отличие от таких публичных блокчейнов, которые скорее ориентированы на базовые уровни и подчеркивают суверенитет данных, как «AI Agents on BOS», OpenLedger больше сосредоточен на создании специализированного блокчейна для AI, направленного на стимулы для данных и моделей, стремясь сделать разработку и вызов моделей на блокчейне отслеживаемыми, комбинируемыми и устойчивыми по своей ценностной замкнутости. Это инфраструктура стимулов для моделей в мире Web3, которая объединяет функции хостинга моделей, подобные некоторой платформе для хостинга моделей, использование биллинга, как на некоторой платежной платформе, и интерфейсы для комбинирования на блокчейне, подобные некоторым инфраструктурным услугам, продвигая путь к реализации концепции «модель как актив».
Три, основные компоненты и технологическая архитектура OpenLedger
3.1 Модельный завод, не требуется кодовая модельная фабрика
ModelFactory является крупной платформой для дообучения языковой модели (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков дообучения, ModelFactory предоставляет чисто графический интерфейс, не требуя инструментов командной строки или интеграции API. Пользователи могут дообучать модели на основе датасетов, которые были авторизованы и проверены на OpenLedger. Это реализует интегрированный рабочий процесс авторизации данных, обучения моделей и их развертывания, ключевые этапы которого включают:
Архитектура системы Model Factory включает шесть основных модулей, охватывающих аутентификацию личности, управление данными, тонкую настройку моделей, оценку развертывания и RAG трассировку, создавая безопасную и контролируемую, интерактивную в реальном времени и устойчивую платформу для интегрированных модельных услуг.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-909dc3f796ad6aa44a1c97a51ade4193)
Модельная фабрика в настоящее время поддерживает следующие возможности больших языковых моделей:
Хотя модельный набор OpenLedger не включает в себя последние высокопроизводительные модели MoE или многомодальные модели, его стратегия не устарела, а основана на «приоритетах практичности», обусловленных реальными ограничениями развертывания на блокчейне (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).
Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, обеспечивая права участников данных и разработчиков моделей, обладая низким порогом, возможностью монетизации и комбинирования, по сравнению с традиционными инструментами разработки моделей:
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-f49cfa5ea73fc0018250d04193b34b60)
3.2 OpenLoRA, токенизация on-chain активов модели дообучения
LoRA (Low-Rank Adaptation) — это эффективный метод настройки параметров, который позволяет обучать новые задачи, вставляя «низкоранговые матрицы» в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает стоимость обучения и требования к хранилищу. Традиционные большие языковые модели (такие как LLaMA, GPT-3) обычно имеют десятки миллиардов, а даже сотни миллиардов параметров. Чтобы использовать их для конкретных задач (например, юридических вопросов или медицинских консультаций), необходимо провести дообучение (fine-tuning). Основная стратегия LoRA заключается в следующем: «заморозить параметры оригинальной большой модели и обучать только вставленные новые матричные параметры». Она эффективна по параметрам, быстро обучается и гибко разворачивается, что делает ее наиболее подходящим методом дообучения для развертывания и комбинированного вызова моделей Web3.
OpenLoRA — это легковесный фреймворк для вывода, разработанный OpenLedger, специально предназначенный для развертывания нескольких моделей и совместного использования ресурсов. Его основная цель — решить распространенные проблемы, возникающие при развертывании AI моделей, такие как высокие затраты, низкая повторная используемость и неэффективное использование ресурсов GPU, способствуя внедрению «оплачиваемого AI» (Payable AI).
Основные компоненты архитектуры системы OpenLoRA, основанные на модульной конструкции