OpenLedger Глибина研报：з OP Stack+EigenDA як основою, побудувати економіку інтелектуальних агентів, що керується даними та є модульною

Одне. Вступ | Модельний рівень Crypto AI

Дані, моделі та обчислювальні потужності є трьома основними елементами інфраструктури AI, аналогічно паливу (дані), двигуну (моделі) та енергії (обчислювальні потужності) - жоден з них не може бути відсутнім. Подібно до еволюційного шляху інфраструктури традиційної AI-індустрії, галузь Crypto AI також пройшла через подібні етапи. На початку 2024 року ринок певний час був під контролем децентралізованих GPU проектів ( певна обчислювальна платформа, певна рендерингова платформа, певна мережа тощо ), які загалом наголошували на логіці грубого зростання «змагання обчислювальних потужностей». Проте з початку 2025 року увага в галузі поступово перемістилася на рівень моделей та даних, що знаменує перехід Crypto AI від конкуренції за базові ресурси до більш стійкого та цінного з точки зору застосування середнього рівня побудови.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-62b3fa1e810f4772aaba3d91c74c1aa6)

Загальний великий модель (LLM) проти спеціалізованої моделі (SLM)

Традиційні великі мовні моделі (LLM) під час навчання сильно залежать від великих наборів даних та складної розподіленої архітектури, обсяг параметрів може коливатися від 70B до 500B, а вартість одного навчання часто досягає кількох мільйонів доларів. Тим часом SLM (Спеціалізована мовна модель) є легковаговою парадигмою тонкого налаштування, що дозволяє повторно використовувати базову модель, зазвичай базується на відкритих моделях, таких як LLaMA, Mistral, DeepSeek та ін., у поєднанні з невеликою кількістю якісних спеціалізованих даних та технологією LoRA, що дозволяє швидко створювати експертні моделі з специфічними знаннями в певній області, значно знижуючи витрати на навчання та технологічний бар'єр.

Варто зазначити, що SLM не інтегрується в ваги LLM, а співпрацює з LLM через виклик архітектури Agent, динамічну маршрутизацію системи плагінів, гарячу підключення модулів LoRA та RAG (покращене генерування запитів). Ця архітектура зберігає широку охоплювальність LLM, одночасно покращуючи професійну продуктивність за рахунок модуля тонкого налаштування, формуючи високо гнучку комбіновану інтелектуальну систему.

Цінність і межі Crypto AI на рівні моделей

Проекти Crypto AI по суті важко безпосередньо підвищити основні можливості великих мовних моделей (LLM), основна причина в тому, що

• Технічний бар'єр занадто високий: масштаб даних, обчислювальні ресурси та інженерні можливості, необхідні для навчання Foundation Model, є надзвичайно великими. Наразі лише технологічні гіганти США (деякі компанії тощо) та Китаю (деякі компанії тощо) мають відповідні можливості.
• Обмеження відкритої екосистеми: хоча основні базові моделі, такі як LLaMA, Mixtral, були відкриті, справжніми рушійними силами прориву моделей все ще залишаються науково-дослідні установи та закриті інженерні системи, а участь проектів на ланцюгу на рівні основних моделей обмежена.

Проте, на основі відкритих базових моделей, проекти Crypto AI все ще можуть досягати розширення вартості шляхом тонкої настройки спеціалізованих мовних моделей (SLM) і поєднання з верифікацією та механізмами заохочення Web3. Як "периферійний інтерфейсний шар" в індустрії AI, це втілюється в двох основних напрямках:

• Достовірний шар верифікації: через запис на ланцюгу шляху генерації моделі, внесення даних та їх використання, підвищується можливість відстеження та стійкість до підробки виходу AI.
• Механізм стимулювання: за допомогою рідного токена, що використовується для стимулювання завантаження даних, виклику моделей, виконання агентів та інших дій, створення позитивного циклу навчання моделей та надання послуг.

Класифікація типів AI моделей та аналіз придатності для блокчейну

Отже, можна побачити, що реалізація моделей типу Crypto AI зосереджена в основному на легкому налаштуванні малих SLM, підключенні та верифікації даних на ланцюзі в архітектурі RAG, а також на місцевому розгортанні та стимулюванні моделей Edge. Поєднуючи перевірність блокчейну та механізм токенів, Crypto може надати унікальну цінність для цих сценаріїв моделей із середніми та низькими ресурсами, створюючи диференційовану цінність «інтерфейсного шару» AI.

Базуючись на даних та моделях, блокчейн AI ланцюг може забезпечити чітке, незмінне записування джерел внеску для кожного набору даних та моделі, значно підвищуючи надійність даних та відстежуваність навчання моделей. Водночас, через механізм смарт-контрактів, при виклику даних або моделей автоматично запускається розподіл нагород, перетворюючи поведінку AI на вимірювальну, торгову токенізовану цінність, що створює стійку систему стимулювання. Крім того, користувачі спільноти також можуть оцінювати продуктивність моделей за допомогою голосування токенами, брати участь у встановленні правил та їх ітерації, вдосконалюючи децентралізовану управлінську структуру.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-19c2276fccc616ccf9260fb7e35c9c24)

Два, огляд проекту | Візія AI ланцюга OpenLedger

OpenLedger є одним з небагатьох блокчейн AI проектів на ринку, який зосереджується на механізмах стимулювання даних та моделей. Він вперше запропонував концепцію «Payable AI», яка має на меті створення справедливого, прозорого та комбінованого середовища для роботи з AI, що стимулює співпрацю між постачальниками даних, розробниками моделей та творцями AI додатків на одній платформі, а також отримання доходів на ланцюгу відповідно до фактичного внеску.

OpenLedger пропонує повний ланцюг замкнутого циклу від «надання даних» до «впровадження моделей», а також до «виклику розподілу доходу», основні модулі якого включають:

• Модельна фабрика: без програмування можна використовувати LoRA для тонкого налаштування, навчання та розгортання користувацьких моделей на основі відкритих LLM;
• OpenLoRA: підтримує спільне існування тисяч моделей, динамічно завантажується за потребою, значно знижує витрати на розгортання;
• PoA (Proof of Attribution): реалізація вимірювання внеску та розподілу винагороди через виклики в ланцюзі;
• Datanets: структуровані мережі даних, спрямовані на вертикальні сценарії, що будуються та перевіряються спільнотою;
• Платформа пропозицій моделей (Model Proposal Platform): комбінований, викликаючий, платіжний ринковий модель на блокчейні.

За допомогою наведених вище модулів OpenLedger побудував «інфраструктуру економіки агентів», керовану даними та з можливістю комбінування моделей, що сприяє ланцюговій інтеграції вартості AI.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-f23f47f09226573b1fcacebdcfb8c1f3)

А в застосуванні технології блокчейн OpenLedger використовує OP Stack + EigenDA як основу, що створює високо продуктивне, низьковартісне та перевірене середовище для роботи з даними та контрактами для AI моделей.

• Побудовано на OP Stack: на базі технологічного стеку Optimism, що підтримує високу пропускну спроможність та низькі витрати на виконання;
• Розрахунок в основній мережі Ethereum: Забезпечення безпеки транзакцій та цілісності активів;
• EVM сумісність: зручно для розробників швидко розгортати та розширювати на основі Solidity;
• EigenDA надає підтримку доступності даних: значно знижує витрати на зберігання, забезпечуючи перевірність даних.

У порівнянні з деякими публічними блокчейнами, які більше орієнтовані на основу та акцентують увагу на суверенітеті даних і архітектурі «AI Agents on BOS», OpenLedger більшою мірою зосереджується на створенні спеціалізованого блокчейну для штучного інтелекту, орієнтованого на дані та моделі, прагнучи забезпечити відстежуваність, комбінованість та стійкість ціннісного замкнутого циклу для розробки та виклику моделей на блокчейні. Це інфраструктура стимулювання моделей у світі Web3, яка поєднує в собі функції платформи для хостингу моделей, аналогічної певній платформі для платежів, з обліком використання та певні інтерфейси комбінованих послуг на блокчейні, просуваючи шлях реалізації «моделі як актив».

Три. Основні компоненти та технологічна архітектура OpenLedger

3.1 Модельний завод, безкодова модельна фабрика

ModelFactory є великою платформою для доопрацювання мовних моделей (LLM) в екосистемі OpenLedger. На відміну від традиційних фреймворків доопрацювання, ModelFactory пропонує чисто графічний інтерфейс для роботи, без необхідності в командному рядку чи інтеграції API. Користувачі можуть доопрацьовувати моделі на основі наборів даних, авторизованих та перевірених на OpenLedger. Реалізовано інтегрований робочий процес авторизації даних, навчання моделей та їх розгортання, основні етапи якого включають:

• Контроль доступу до даних: Користувач подає запит на дані, постачальник перевіряє та затверджує, дані автоматично підключаються до інтерфейсу навчання моделі.
• Вибір та налаштування моделі: підтримка основних LLM (таких як LLaMA, Mistral), налаштування гіперпараметрів через GUI.
• Легкий мікронастройка: вбудований двигун LoRA / QLoRA, що демонструє прогрес навчання в реальному часі.
• Оцінка та розгортання моделі: вбудовані інструменти оцінки, що підтримують експорт для розгортання або спільного використання в екосистемі.
• Інтерфейс взаємодії для перевірки: надає чат-подібний інтерфейс, що полегшує безпосереднє тестування здатності моделі до відповідей на запитання.
• Генерація RAG для трасування: відповіді з посиланнями на джерела, що підвищують довіру та можливість аудиту.

Система архітектури Model Factory містить шість основних модулів, які охоплюють ідентифікацію, контроль доступу до даних, тонке налаштування моделей, оцінку впровадження та відстеження RAG, створюючи інтегровану платформу модульних послуг, що забезпечує безпечність, контрольованість, реальний взаємодію та стійку монетизацію.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-909dc3f796ad6aa44a1c97a51ade4193)

Модельний завод наразі підтримує такі можливості великих мовних моделей:

• Серія LLaMA: найбільша екосистема, активне співтовариство, універсальна продуктивність, є однією з найпопулярніших відкритих базових моделей на сьогодні.
• Mistral: архітектура ефективна, продуктивність висока, підходить для гнучкого розгортання в умовах обмежених ресурсів.
• Qwen: продукт певної компанії, показує відмінні результати в китайських завданнях, має високі загальні можливості, підходить для вибору розробників в Україні.
• ChatGLM: видатні результати для китайських розмов, підходить для нішевого обслуговування клієнтів та локалізованих сценаріїв.
• Deepseek: Відзначається перевагою в генерації коду та математичному мисленні, підходить для інструментів допомоги в розумному розвитку.
• Gemma: легка модель, випущена певною компанією, з чіткою структурою, що дозволяє швидко освоїтися та проводити експерименти.
• Falcon: колись був еталоном продуктивності, підходить для базових досліджень або порівняльного тестування, але активність спільноти зменшилася.
• BLOOM: підтримка багатьох мов є досить сильною, але продуктивність в інтерпретації є слабкою, підходить для досліджень, що охоплюють мови.
• GPT-2: класична рання модель, придатна лише для навчальних і перевірочних цілей, не рекомендується для фактичного розгортання.

Хоча модельний набір OpenLedger не містить останніх високопродуктивних моделей MoE або мультимодальних моделей, його стратегія не застаріла, а, скоріше, є «практичною» конфігурацією, яка базується на реальних обмеженнях, пов'язаних із розгортанням в ланцюгу (витрати на висновки, адаптація RAG, сумісність LoRA, середовище EVM).

Model Factory як безкодова інструментальна мережа, всі моделі мають вбудований механізм підтвердження внесків, що забезпечує права учасників внесків даних та розробників моделей, має низький поріг, можливість монетизації та комбінації, в порівнянні з традиційними інструментами розробки моделей:

• Для розробників: надає повний шлях до інкубації моделей, розповсюдження та доходів;
• Для платформи: формування моделі обігу активів та комбінованої екосистеми;
• Для користувачів: ви можете комбінувати моделі або агентів так само, як і викликати API.

! [Звіт про глибоке дослідження OpenLedger: Побудова керованої даними агентної економіки на основі OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменти-f49cfa5ea73fc0018250d04193b34b60)

3.2 OpenLoRA, активи на ланцюгу для доопрацювання моделі

LoRA (Low-Rank Adaptation) є ефективним методом тонкої настройки параметрів, який дозволяє навчатися новим завданням шляхом вставлення «низькорангових матриць» у попередньо навченої великій моделі без зміни параметрів оригінальної моделі, що суттєво знижує витрати на навчання та вимоги до зберігання. Традиційні великі мовні моделі (такі як LLaMA, GPT-3) зазвичай мають десятки мільярдів або навіть сотні мільярдів параметрів. Щоб використовувати їх для специфічних завдань (таких як юридичні запитання, медичні консультації), необхідно провести тонку настройку (fine-tuning). Основна стратегія LoRA полягає в наступному: «заморозити параметри оригінальної великої моделі, навчати лише вставлену нову матрицю параметрів». Це параметрично ефективно, швидко навчається та гнучко розгортається, що робить його найкращим методом тонкої настройки для розгортання та комбінації викликів моделей Web3.

OpenLoRA - це легковагова система висновків, створена OpenLedger, спеціально розроблена для розгортання декількох моделей та обміну ресурсами. Її основна мета - вирішити поширені проблеми високих витрат, низької повторної використання, витрат GPU та інші проблеми, які виникають під час розгортання AI моделей, сприяючи реалізації "доступного AI" (Payable AI).

Основні компоненти архітектури системи OpenLoRA, засновані на модульній структурі