OpenLedger Kedalaman Laporan Penelitian: Membangun Ekonomi Agen yang Didorong oleh Data dan Dapat Dikombinasikan Model dengan OP Stack+EigenDA sebagai Dasar

I. Pendahuluan | Lompatan lapisan model Crypto AI

Data, model, dan daya komputasi adalah tiga elemen inti dari infrastruktur AI, yang bisa dis类比 dengan bahan bakar (data), mesin (model), dan energi (daya komputasi), yang tidak dapat terpisahkan. Mirip dengan jalur evolusi infrastruktur industri AI tradisional, bidang Crypto AI juga telah mengalami tahap yang serupa. Pada awal tahun 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi, yang secara umum menekankan logika pertumbuhan kasar "berkompetisi dalam daya komputasi". Namun, memasuki tahun 2025, fokus industri perlahan-lahan bergeser ke lapisan model dan data, menandakan bahwa Crypto AI sedang bertransisi dari kompetisi sumber daya dasar ke pembangunan lapisan tengah yang lebih berkelanjutan dan bernilai aplikasi.

Model Umum (LLM) vs Model Khusus (SLM)

Model bahasa besar tradisional (LLM) sangat bergantung pada dataset besar dan arsitektur terdistribusi yang kompleks, dengan ukuran parameter mencapai 70B hingga 500B, dan biaya pelatihan sekali mencapai jutaan dolar. Sementara itu, SLM (Model Bahasa Khusus) sebagai paradigma fine-tuning ringan yang dapat digunakan kembali, biasanya didasarkan pada model open-source, menggabungkan sejumlah kecil data profesional berkualitas tinggi dan teknologi seperti LoRA, untuk dengan cepat membangun model ahli yang memiliki pengetahuan khusus bidang, secara signifikan mengurangi biaya pelatihan dan hambatan teknis.

Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, tetapi beroperasi secara kolaboratif dengan LLM melalui panggilan arsitektur Agent, sistem plugin untuk rute dinamis, modul LoRA yang dapat dipasang dan dicopot, serta RAG (Generasi yang Ditingkatkan dengan Pencarian). Arsitektur ini tidak hanya mempertahankan kemampuan jangkauan luas LLM, tetapi juga meningkatkan kinerja profesional melalui modul penyetelan halus, membentuk sistem cerdas kombinatorial yang sangat fleksibel.

Crypto AI di lapisan model nilai dan batasan

Proyek AI Crypto pada dasarnya sulit untuk secara langsung meningkatkan kemampuan inti dari model bahasa besar (LLM), alasan utamanya adalah

• Hambatan teknis terlalu tinggi: Skala data, sumber daya komputasi, dan kemampuan rekayasa yang diperlukan untuk melatih Model Dasar sangat besar, saat ini hanya raksasa teknologi yang memiliki kemampuan tersebut.
• Keterbatasan ekosistem sumber terbuka: Meskipun model dasar utama telah bersumber terbuka, kunci untuk mendorong terobosan model masih terfokus pada lembaga penelitian dan sistem teknik tertutup, proyek di blockchain memiliki ruang partisipasi yang terbatas di tingkat model inti.

Namun, di atas model dasar sumber terbuka, proyek Crypto AI masih dapat memperluas nilai melalui penyesuaian model bahasa khusus (SLM), dan menggabungkan verifikasi dan mekanisme insentif Web3. Sebagai "lapisan antarmuka periferal" dari rantai industri AI, ini tercermin dalam dua arah inti:

• Lapisan Verifikasi Tepercaya: Meningkatkan jejak dan ketahanan terhadap perubahan output AI dengan mencatat jalur generasi model, kontribusi data, dan penggunaan secara on-chain.
• Mekanisme insentif: Menggunakan Token asli untuk mendorong perilaku seperti pengunggahan data, pemanggilan model, dan eksekusi agen, membangun siklus positif antara pelatihan model dan layanan.

Analisis Klasifikasi Tipe Model AI dan Kesesuaian dengan Blockchain

Dari sini terlihat bahwa titik fokus kelayakan proyek Crypto AI kelas model terutama terletak pada penyempurnaan ringan SLM kecil, penghubungan dan verifikasi data on-chain dari arsitektur RAG, serta penyebaran dan insentif model Edge secara lokal. Dengan menggabungkan verifikasi blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model sumber daya menengah ke bawah ini, membentuk nilai diferensiasi dari "lapisan antarmuka" AI.

Blockchain AI chain berbasis data dan model dapat mencatat sumber kontribusi setiap data dan model secara jelas dan tidak dapat diubah di blockchain, secara signifikan meningkatkan kepercayaan data dan keterlacakan pelatihan model. Selain itu, melalui mekanisme kontrak pintar, penghargaan distribusi otomatis dipicu saat data atau model dipanggil, mengubah perilaku AI menjadi nilai tokenisasi yang terukur dan dapat diperdagangkan, membangun sistem insentif yang berkelanjutan. Selain itu, pengguna komunitas juga dapat mengevaluasi kinerja model melalui suara token, berpartisipasi dalam penetapan dan iterasi aturan, serta menyempurnakan struktur tata kelola terdesentralisasi.

Dua, Ringkasan Proyek | Visi Rantai AI OpenLedger

OpenLedger adalah salah satu dari sedikit proyek AI blockchain yang fokus pada mekanisme insentif data dan model di pasar saat ini. Ini menjadi yang pertama mengusulkan konsep "Payable AI", bertujuan untuk membangun lingkungan operasi AI yang adil, transparan, dan dapat dikombinasikan, mendorong kontributor data, pengembang model, dan pembangun aplikasi AI untuk berkolaborasi di platform yang sama, dan memperoleh pendapatan on-chain berdasarkan kontribusi nyata.

OpenLedger menyediakan rangkaian lengkap dari "penyediaan data" hingga "penempatan model" dan "panggilan pembagian keuntungan", dengan modul inti sebagai berikut:

• Model Factory: Tanpa perlu pemrograman, Anda dapat menggunakan LoRA untuk penyesuaian pelatihan dan penerapan model kustom berdasarkan LLM sumber terbuka;
• OpenLoRA: Mendukung koeksistensi ribuan model, memuat secara dinamis sesuai permintaan, secara signifikan mengurangi biaya penerapan;
• PoA (Proof of Attribution): Mengukur kontribusi dan mendistribusikan penghargaan melalui pencatatan panggilan di blockchain;
• Datanets: Jaringan data terstruktur yang ditujukan untuk skenario vertikal, dibangun dan diverifikasi melalui kolaborasi komunitas;
• Platform Usulan Model (Model Proposal Platform): pasar model on-chain yang dapat dikombinasikan, dipanggil, dan dibayar.

Melalui modul di atas, OpenLedger membangun "infrastruktur ekonomi agen cerdas" yang didorong oleh data dan dapat dikombinasikan modelnya, mendorong on-chain dari rantai nilai AI.

Dan dalam penerapan teknologi blockchain, OpenLedger menggunakan OP Stack + EigenDA sebagai fondasi, membangun lingkungan operasi data dan kontrak yang berkinerja tinggi, biaya rendah, dan dapat diverifikasi untuk model AI.

• Dibangun di atas OP Stack: Berdasarkan tumpukan teknologi Optimism, mendukung throughput tinggi dan biaya rendah untuk eksekusi;
• Settling di jaringan utama Ethereum: Memastikan keamanan transaksi dan integritas aset;
• EVM kompatibel: Memudahkan pengembang untuk dengan cepat menerapkan dan mengembangkan berdasarkan Solidity;
• EigenDA menyediakan dukungan ketersediaan data: secara signifikan mengurangi biaya penyimpanan, memastikan verifikasi data.

Dibandingkan dengan NEAR yang lebih berfokus pada lapisan dasar, mengutamakan kedaulatan data dan arsitektur "AI Agents on BOS", OpenLedger lebih fokus pada pembangunan rantai khusus AI yang ditujukan untuk insentif data dan model, berkomitmen untuk mewujudkan pengembangan dan pemanggilan model di blockchain yang dapat dilacak, dapat dipadukan, dan memiliki nilai berkelanjutan. Ini adalah infrastruktur insentif model dalam dunia Web3, menggabungkan hosting model, penagihan penggunaan, dan antarmuka yang dapat dipadukan di blockchain, mendorong jalur realisasi "model sebagai aset".

Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger

3.1 Model Factory, tidak perlu kode model pabrik

ModelFactory adalah platform penyesuaian model bahasa besar (LLM) di bawah ekosistem OpenLedger. Berbeda dengan kerangka penyesuaian tradisional, ModelFactory menyediakan antarmuka grafis murni, tanpa memerlukan alat baris perintah atau integrasi API. Pengguna dapat melakukan penyesuaian model berdasarkan dataset yang telah disetujui dan diaudit di OpenLedger. Ini mewujudkan alur kerja terintegrasi untuk otorisasi data, pelatihan model, dan penerapan, dengan proses inti termasuk:

• Kontrol akses data: Pengguna mengajukan permintaan data, penyedia meninjau dan menyetujui, data secara otomatis terhubung ke antarmuka pelatihan model.
• Pemilihan dan konfigurasi model: Mendukung LLM mainstream, melalui GUI untuk mengkonfigurasi hyperparameter.
• Penyesuaian ringan: Mesin LoRA / QLoRA bawaan, menampilkan kemajuan pelatihan secara real-time.
• Evaluasi dan Penempatan Model: Alat evaluasi bawaan, mendukung ekspor penempatan atau panggilan berbagi ekosistem.
• Antarmuka verifikasi interaktif: Menyediakan antarmuka berbasis obrolan, memudahkan pengujian kemampuan tanya jawab model secara langsung.
• RAG menghasilkan jejak: Menjawab dengan kutipan sumber, meningkatkan kepercayaan dan dapat diaudit.

Model Factory sistem arsitektur terdiri dari enam modul, mencakup otentikasi identitas, izin data, penyesuaian model, evaluasi penyebaran, dan RAG pelacakan, menciptakan platform layanan model terintegrasi yang aman dan terkendali, interaksi waktu nyata, dan dapat dimonetisasi secara berkelanjutan.

ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:

• Seri LLaMA: Ekosistem terluas, komunitas aktif, kinerja umum yang kuat, adalah salah satu model dasar sumber terbuka yang paling utama saat ini.
• Mistral: Arsitektur efisien, kinerja inferensi yang sangat baik, cocok untuk diterapkan dalam skenario yang fleksibel dan sumber daya terbatas.
• Qwen: Diproduksi oleh Alibaba, menunjukkan kinerja tugas yang sangat baik dalam bahasa Mandarin, memiliki kemampuan yang komprehensif, cocok sebagai pilihan utama untuk pengembang dalam negeri.
• ChatGLM: Efek percakapan dalam bahasa Mandarin sangat menonjol, cocok untuk layanan pelanggan spesifik dan skenario lokal.
• Deepseek: Unggul dalam penghasilan kode dan penalaran matematis, cocok untuk alat bantu pengembangan cerdas.
• Gemma: Model ringan yang diluncurkan oleh Google, memiliki struktur yang jelas dan mudah untuk digunakan serta dieksperimen.
• Falcon: Pernah menjadi tolok ukur kinerja, cocok untuk penelitian dasar atau pengujian perbandingan, tetapi aktivitas komunitas telah berkurang.
• BLOOM: Dukungan multi-bahasa cukup kuat, tetapi kinerja inferensinya lemah, cocok untuk penelitian yang mencakup beragam bahasa.
• GPT-2: Model klasik awal, hanya cocok untuk tujuan pengajaran dan verifikasi, tidak disarankan untuk penggunaan penerapan nyata.

Meskipun kombinasi model OpenLedger tidak mencakup model MoE berkinerja tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan merupakan konfigurasi "praktis pertama" yang dibuat berdasarkan kendala nyata dari penyebaran di blockchain (biaya inferensi, adaptasi RAG, kompatibilitas LoRA, lingkungan EVM).

Model Factory sebagai rantai alat tanpa kode, semua model dilengkapi dengan mekanisme pembuktian kontribusi, memastikan hak-hak kontributor data dan pengembang model, memiliki keunggulan ambang rendah, dapat dimonetisasi dan dapat digabungkan, dibandingkan dengan alat pengembangan model tradisional:

• Untuk pengembang: Menyediakan jalur lengkap untuk inkubasi model, distribusi, dan pendapatan;
• Untuk platform: membentuk sirkulasi aset model dan ekosistem kombinasi;
• Untuk pengguna: Anda dapat menggabungkan penggunaan model atau Agent seperti memanggil API.

3.2 OpenLoRA, aset on-chain model fine-tuning

LoRA (Low-Rank Adaptation) adalah metode penyesuaian parameter yang efisien, yang mempelajari tugas baru dengan menyisipkan "matriks rendah-rank" ke dalam model besar yang sudah dilatih sebelumnya, tanpa mengubah parameter model asli, sehingga secara signifikan mengurangi biaya pelatihan dan kebutuhan penyimpanan. Model bahasa besar tradisional biasanya memiliki puluhan miliar hingga ratusan miliar parameter. Untuk menggunakannya untuk tugas tertentu, perlu dilakukan penyesuaian. Strategi inti LoRA adalah: "membekukan parameter model besar asli, hanya melatih matriks parameter baru yang disisipkan." Metode ini efisien dalam parameter, pelatihan cepat, dan penyebaran fleksibel, merupakan metode penyesuaian utama yang paling cocok untuk penyebaran dan panggilan kombinasi model Web3 saat ini.

OpenLoRA adalah kerangka inferensi ringan yang dirancang khusus untuk penyebaran multi-model dan berbagi sumber daya yang dibangun oleh OpenLedger. Tujuan utamanya adalah untuk mengatasi masalah umum dalam penyebaran model AI saat ini seperti biaya tinggi, rendahnya tingkat pemanfaatan, dan pemborosan sumber daya GPU, serta mendorong pelaksanaan "AI yang dapat dibayar" (Payable AI).

OpenLoRA sistem arsitektur komponen inti, berbasis desain modular, mencakup penyimpanan model, eksekusi inferensi, pengalihan permintaan dan aspek kunci lainnya, mewujudkan kemampuan penerapan dan pemanggilan multi-model yang efisien dan biaya rendah:

• Modul Penyimpanan LoRA Adapter: LoRA adapter yang telah disesuaikan dihosting di OpenLedger, memungkinkan pemuatan sesuai permintaan, menghindari pemuatan semua model ke dalam memori video, sehingga menghemat sumber daya.
• Model Hosting dan Layer Fusi Dinamis: Semua model fine-tune berbagi model besar dasar, saat inferensi LoRA adapter digabungkan secara dinamis, mendukung beberapa adapter untuk inferensi bersama, meningkatkan kinerja.
• Mesin inferensi: Mengintegrasikan teknologi optimasi CUDA seperti Flash-Attention, Paged-Attention, dan SGMV.
• Modul rute permintaan dan keluaran aliran: Rute dinamis ke adapter yang benar berdasarkan model yang dibutuhkan dalam permintaan, melalui pengoptimalan inti untuk menghasilkan aliran tingkat token.

Proses inferensi OpenLoRA termasuk dalam layanan model "matang dan umum" di tingkat teknis, sebagai berikut:

• Pemodelan dasar dimuat: Sistem memuat sebelumnya model besar dasar