OpenLedger Derinlik Araştırması: OP Stack+EigenDA'yı temel alarak veri odaklı, model kombinlenebilir bir akıllı ekonomi inşa etmek

Bir, Giriş | Crypto AI'nin model katman atlaması

Veri, model ve hesaplama gücü, AI altyapısının üç ana çekirdek unsurudur; bunlar yakıt (veri), motor (model) ve enerji (hesaplama gücü) gibi birbirine bağlıdır. Geleneksel AI endüstrisinin altyapı evrimi ile benzer bir yol izleyen Crypto AI alanı da benzer aşamalardan geçmiştir. 2024'ün başlarında, piyasa bir süre merkeziyetsiz GPU projeleri tarafından domine edildi ( bazı hesaplama platformları, bazı render platformları, bazı ağlar vb. ), genel olarak "hesaplama gücünü bir araya getirme" temalı büyüme mantığını vurgulamıştır. 2025 yılına gelindiğinde, sektörün dikkat noktası yavaş yavaş model ve veri katmanlarına kaymaya başlamış, bu da Crypto AI'nın temel kaynak rekabetinden daha sürdürülebilir ve uygulama değeri yüksek bir orta katman yapılandırmasına geçtiğini göstermiştir.

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

Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır; parametre ölçekleri genellikle 70B ile 500B arasında değişmektedir ve bir eğitim sürecinin maliyeti genellikle milyonlarca dolara ulaşmaktadır. Öte yandan, SLM (Özelleşmiş Dil Modeli), tekrar kullanılabilir temel modellerin hafif ince ayar paradigması olarak, genellikle LLaMA, Mistral, DeepSeek gibi açık kaynak modellerine dayanmakta, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi tekniklerle birleştirilmektedir. Bu sayede belirli alan bilgisine sahip uzman modeller hızla inşa edilmekte, eğitim maliyeti ve teknik engeller önemli ölçüde azaltılmaktadır.

Dikkate değer olan, SLM'nin LLM ağırlıklarına entegre edilmeyeceği, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirme, LoRA modül sıcak takibi, RAG (retrieve-augmented generation) gibi yöntemlerle LLM ile işbirliği içinde çalışacağıdır. Bu mimari, LLM'nin geniş kapsama alanını korurken, ince ayar modülleriyle uzmanlık performansını artırarak son derece esnek bir kombinasyon akıllı sistem oluşturur.

Crypto AI'nin model katmanındaki değeri ve sınırları

Kripto AI projeleri esasen büyük dil modellerinin (LLM) temel yeteneklerini doğrudan artırmakta zordur, bunun başlıca nedeni

• Teknik engeller çok yüksek: Temel Modeli eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik yetenekleri son derece büyük, şu anda yalnızca ABD'deki (bazı şirketler vb.) ve Çin'deki (bazı şirketler vb.) teknoloji devlerinin bu yeterliliklere sahip olduğu görülüyor.
• Açık kaynak ekosisteminin sınırlamaları: LLaMA, Mixtral gibi ana akım temel modeller açık kaynak olmasına rağmen, model atılımlarını gerçekten ilerleten anahtar hala araştırma kurumları ve kapalı kaynak mühendislik sistemleri üzerinde yoğunlaşmaktadır, zincir üzerindeki projelerin temel model katmanında katılım alanı sınırlıdır.

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

• Güvenilir Doğrulama Katmanı: Model oluşturma yollarını, veri katkılarını ve kullanım durumlarını zincir üzerindeki kayıtlar aracılığıyla kaydederek, AI çıktılarının izlenebilirliğini ve değiştirilemezlik yeteneğini artırır.
• Teşvik Mekanizması: Yerel Token kullanılarak veri yükleme, model çağrısı, akıllı ajan (Agent) gerçekleştirme gibi eylemleri teşvik etmek ve model eğitimi ile hizmetleri arasında pozitif bir döngü oluşturmak.

AI model türleri sınıflandırması ve blok zinciri uygulanabilirlik analizi

Bundan görülebileceği gibi, Crypto AI projeleri için model türünün uygulanabilir noktaları esas olarak küçük SLM'lerin hafif ayarları, RAG mimarisinin zincir üzerindeki veri erişimi ve doğrulaması ile Edge modellerinin yerel dağıtımı ve teşvikleri üzerinde yoğunlaşmaktadır. Blockchain'in doğrulanabilirliği ve token mekanizması ile bir araya geldiğinde, Crypto bu orta ve düşük kaynaklı model senaryolarına özel bir değer sunarak AI "arayüz katmanı"nın farklılaştırılmış değerini oluşturabilir.

Veri ve model tabanlı bir blockchain AI zinciri, her bir veri ve modelin katkı kaynağının net, değiştirilemez bir şekilde zincire kaydedilmesini sağlar, veri güvenilirliğini ve model eğitiminde izlenebilirliği önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması aracılığıyla, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışını ölçülebilir, ticarete konu olabilen tokenleştirilmiş bir değere dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirmek, kuralların belirlenmesi ve iterasyonuna katılmak için oy verebilir, merkeziyetsiz yönetim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'in AI Zincir Vizyonu

OpenLedger, veri ve model teşvik mekanizmalarına odaklanan mevcut pazardaki az sayıdaki blok zinciri AI projesinden biridir. "Ödenebilir AI" kavramını ilk kez ortaya atarak, veri katkı sağlayıcıları, model geliştiricileri ve AI uygulama inşaatçılarını aynı platformda işbirliği yapmaya teşvik eden, adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı oluşturmayı amaçlamaktadır ve gerçek katkılara dayanarak zincir üzerindeki kazançları elde etmelerini sağlamaktadır.

OpenLedger, "veri sağlama"dan "model dağıtımına" ve ardından "komisyon paylaşımına" kadar tam bir zincir kapama sunar. Temel modülleri şunları içerir:

• Model Fabrikası: Programlama gerektirmeden, açık kaynak LLM temelinde LoRA ince ayar eğitimi yaparak ve özelleştirilmiş modelleri dağıtarak kullanabilirsiniz;
• OpenLoRA: Binlerce modelin birlikte varlığını destekler, talebe göre dinamik yükleme yapar, dağıtım maliyetlerini önemli ölçüde düşürür;
• PoA (Atıf Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağıtımını gerçekleştirme;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağları, topluluk iş birliği ile inşa edilir ve doğrulanır;
• Model Öneri Platformu (Model Proposal Platform): Kombinlenebilir, çağrılabilir, ödenebilir zincir üstü model pazarı.

Yukarıdaki modül aracılığıyla, OpenLedger veri odaklı, model kombinlenebilir bir "akıllı ajan ekonomi altyapısı" oluşturdu ve AI değer zincirinin zincir üstüne taşınmasını sağladı.

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

• OP Stack üzerine inşa edilmiş: Optimism teknoloji yığınına dayanarak, yüksek işlem hacmi ve düşük maliyetli yürütme desteği sağlar;
• Ethereum ana ağı üzerinde hesaplama: İşlem güvenliğini ve varlık bütünlüğünü sağlamak;
• EVM uyumlu: Geliştiricilerin Solidity temelli hızlı bir şekilde dağıtım ve genişletme yapmasını kolaylaştırır;
• EigenDA, veri kullanılabilirliği desteği sağlar: depolama maliyetlerini önemli ölçüde azaltır, verilerin doğrulanabilirliğini garanti eder.

Belirli bir genel blok zincirine kıyasla, daha çok alt seviyeye odaklanan, veri egemenliğini vurgulayan ve "AI Agents on BOS" mimarisine sahip genel amaçlı AI zinciri, OpenLedger daha çok veri ve model teşviklerine yönelik AI özel zinciri inşa etmeye odaklanmaktadır. Modelin geliştirilmesi ve çağrılması süreçlerinin zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü sağlamayı amaçlamaktadır. Bu, Web3 dünyasındaki model teşvik altyapısıdır ve belirli bir model barındırma platformunun model barındırma hizmeti, belirli bir ödeme platformunun kullanım ücretlendirmesi ve belirli bir altyapı hizmetinin zincir üzerindeki birleştirilebilir arayüzü ile bir araya gelerek "model varlık olarak" gerçekleştirme yolunu desteklemektedir.

Üç, OpenLedger'in 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 çerçevelerinden farklı olarak, ModelFactory tamamen grafiksel bir arayüz sunar ve komut satırı araçlarına veya API entegrasyonuna ihtiyaç duymaz. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve onaylanmış veri setlerine dayanarak modeli ince ayar yapabilirler. Veri yetkilendirmesi, model eğitimi ve dağıtımını birleştiren entegre bir iş akışı gerçekleştirmiştir; temel süreçleri şunlardır:

• Veri erişim kontrolü: Kullanıcı veri talebi gönderir, sağlayıcı onaylar, veriler otomatik olarak model eğitim arayüzüne entegre edilir.
• Model seçimi ve yapılandırması: Ana akım LLM'leri (örneğin LLaMA, Mistral) destekler, GUI aracılığıyla hiperparametreleri yapılandırır.
• Hafif ayarlama: Yerleşik LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Yerleşik değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrılarını dışa aktarmayı destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneğini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG oluşturma izleme: Kaynak alıntısıyla yanıt verme, güveni ve denetlenebilirliği artırma.

Model Factory sistem mimarisi, kimlik doğrulama, veri izinleri, model ince ayar, değerlendirme dağıtımı ve RAG izleme dahil olmak üzere altı ana modül içerir ve güvenli, kontrollü, gerçek zamanlı etkileşimli, sürdürülebilir bir gelir elde etme entegre model hizmet platformu oluşturur.

ModelFactory'nın şu anda desteklediği büyük dil modeli yeteneklerinin özeti aşağıdaki gibidir:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk, genel performans güçlüdür, şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Verimli mimari, mükemmel çıkarım performansı, esnek dağıtım ve sınırlı kaynaklar için uygundur.
• Qwen: Belirli bir şirket tarafından üretilmiştir, Çince görevlerde başarılı, genel yetenekleri güçlü, yerli geliştiriciler için ilk tercihtir.
• ChatGLM: Çince konuşma etkisi belirgin, dikey müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans gösterir, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Bir şirketin piyasaya sürdüğü hafif model, yapısı net, hızlı bir şekilde kavranıp deney yapılmasına olanak tanır.
• Falcon: Performans standardıydı, temel araştırmalar veya karşılaştırma testleri için uygundu, ancak topluluk aktivitesi azaldı.
• BLOOM: Çok dilli desteği güçlü, ancak çıkarım performansı zayıf, dil kapsama odaklı araştırmalar için uygundur.
• GPT-2: Klasik erken dönem model, yalnızca öğretim ve doğrulama amaçları için uygundur, gerçek dağıtım kullanımı önerilmez.

OpenLedger'ın model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi eski değildir; aksine, zincir üzerindeki dağıtımın gerçek kısıtlamaları (çıkarsama maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temel alınarak "pratik öncelikli" bir yapılandırma yapılmıştır.

Model Factory, bir kodsuz araç zinciri olarak, tüm modeller katkı kanıtı mekanizması ile entegre edilmiş olup, veri katkıda bulunanların ve model geliştiricilerin haklarını güvence altına alır. Düşük giriş engeli, nakde çevrilebilirlik ve birleştirilebilirlik avantajlarına sahiptir; geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtımı ve geliri için tam bir yol sunar;
• Platform için: model varlık dolaşımı ve kombinasyon ekosistemi oluşturma;
• Uygulayıcılar için: Modelleri veya Ajanları API çağrısı yapar gibi bir araya getirebilirsiniz.

3.2 OpenLoRA, modelin zincir üzerindeki varlıklaştırılması

LoRA (Düşük-Rank Adaptasyonu), önceden eğitilmiş büyük modellere "düşük ranklı matrisler" ekleyerek yeni görevleri öğrenen verimli bir parametre ince ayar yöntemidir, bu sayede orijinal model parametrelerini değiştirmeden eğitim maliyetlerini ve depolama gereksinimlerini büyük ölçüde azaltır. Geleneksel büyük dil modelleri (örneğin LLaMA, GPT-3) genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Bunları belirli görevler için (örneğin hukuk soruları, tıbbi danışma) kullanabilmek için ince ayar yapılması gerekmektedir. LoRA'nın temel stratejisi şudur: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrisini eğitmek." Parametre verimliliği, hızlı eğitimi ve esnek dağıtımı ile şu anda Web3 model dağıtımı ve kombinasyon çağrıları 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 olarak karşılaşılan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "ödenebilir AI" (Payable AI) uygulamasını teşvik etmektir.

OpenLoRA sistem mimarisi ana bileşeni, modüler tasarıma dayalıdır.