OpenLedger Kedalaman Riset: Membangun ekonomi agen cerdas yang didorong data dan dapat dikombinasikan model dengan OP Stack + EigenDA sebagai dasar.

I. Pendahuluan | Lompatan lapisan model Crypto AI

Data, model, dan kekuatan komputasi adalah tiga elemen inti dari infrastruktur AI, yang dapat dibandingkan dengan bahan bakar (data), mesin (model), dan energi (kekuatan komputasi) yang tidak dapat dipisahkan. Mirip dengan jalur evolusi infrastruktur industri AI tradisional, bidang Crypto AI juga mengalami tahap serupa. Pada awal 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi, yang secara umum menekankan logika pertumbuhan kasar "menggabungkan kekuatan komputasi". Namun, memasuki tahun 2025, fokus industri secara bertahap beralih ke lapisan model dan data, menandakan bahwa Crypto AI sedang bertransisi dari kompetisi sumber daya dasar menuju pembangunan lapisan menengah yang lebih berkelanjutan dan bernilai aplikasi.

Model Besar Umum (LLM) vs Model Khusus (SLM)

Model bahasa besar tradisional (LLM) sangat bergantung pada kumpulan data berskala besar dan arsitektur terdistribusi yang kompleks, dengan ukuran parameter yang sering mencapai 70B hingga 500B, dan biaya sekali latih sering kali mencapai jutaan dolar. SLM (Model Bahasa Spesialis) sebagai paradigma penyesuaian ringan dari model dasar yang dapat digunakan kembali, biasanya didasarkan pada model sumber terbuka, menggabungkan sejumlah kecil data profesional berkualitas tinggi dan teknologi seperti LoRA, untuk dengan cepat membangun model ahli yang memiliki pengetahuan di bidang tertentu, secara signifikan mengurangi biaya pelatihan dan ambang teknis.

Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, tetapi beroperasi melalui pemanggilan arsitektur Agent, sistem plugin untuk routing dinamis, hot-plug modul LoRA, RAG (retrieval-augmented generation), dan metode lainnya untuk berkolaborasi dengan LLM. Arsitektur ini tidak hanya mempertahankan kemampuan cakupan luas LLM, tetapi juga meningkatkan kinerja profesional melalui modul fine-tuning, membentuk sistem cerdas kombinasi yang sangat fleksibel.

Nilai dan batas Crypto AI di lapisan model

Proyek Crypto AI pada dasarnya sulit untuk secara langsung meningkatkan kemampuan inti model bahasa besar (LLM), penyebab 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 perusahaan teknologi besar seperti Amerika Serikat dan China yang memiliki kemampuan tersebut.
• Keterbatasan Ekosistem Sumber Terbuka: Meskipun model dasar arus utama telah sumber terbuka, kunci untuk mendorong terobosan model masih terpusat pada lembaga penelitian dan sistem rekayasa tertutup, proyek blockchain memiliki ruang partisipasi yang terbatas pada lapisan model inti.

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

• Lapisan Verifikasi Tepercaya: Meningkatkan keterlacakan dan ketahanan terhadap perubahan output AI dengan mencatat jalur generasi model, kontribusi data, dan penggunaan melalui catatan di blockchain.
• Mekanisme insentif: Dengan bantuan Token asli, digunakan untuk mendorong pengunggahan data, pemanggilan model, eksekusi agen (Agent), dan perilaku lainnya, membangun siklus positif pelatihan dan layanan model.

Klasifikasi Tipe Model AI dan Analisis Kelayakan Blockchain

Dari sini dapat dilihat bahwa titik fokus yang dapat dilaksanakan dari proyek Crypto AI berbasis model terutama terletak pada penyempurnaan ringan SLM yang kecil, penghubungan dan verifikasi data on-chain dengan arsitektur RAG, serta penerapan lokal dan insentif untuk model Edge. Menggabungkan verifiabilitas blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model dengan sumber daya menengah ke bawah, membentuk nilai diferensiasi dari "lapisan antarmuka" AI.

Blockchain AI chain yang berbasis data dan model dapat mencatat sumber kontribusi setiap data dan model secara jelas dan tidak dapat diubah, secara signifikan meningkatkan kepercayaan data dan keterlacakan pelatihan model. Selain itu, melalui mekanisme kontrak pintar, penghargaan akan secara otomatis diberikan saat data atau model dipanggil, mengubah perilaku AI menjadi nilai tokenisasi yang dapat diukur dan diperdagangkan, membangun sistem insentif yang berkelanjutan. Selain itu, pengguna komunitas juga dapat mengevaluasi kinerja model melalui pemungutan suara token, berpartisipasi dalam penyusunan dan iterasi aturan, serta memperbaiki struktur pemerintahan terdesentralisasi.

Dua, Ringkasan Proyek | Visi Rantai AI OpenLedger

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

OpenLedger menyediakan rantai penuh dari "penyediaan data" hingga "penempatan model" dan "pemanggilan bagi hasil", dengan modul inti yang meliputi:

• Model Factory: Tanpa perlu pemrograman, Anda dapat menggunakan LoRA untuk melatih dan menerapkan model kustom berdasarkan LLM sumber terbuka;
• OpenLoRA: mendukung keberadaan ribuan model, memuat secara dinamis sesuai kebutuhan, secara signifikan mengurangi biaya deployment;
• PoA (Proof of Attribution): Mengukur kontribusi dan distribusi hadiah melalui pencatatan panggilan di blockchain;
• Datanets: Jaringan data terstruktur yang ditujukan untuk skenario vertikal, dibangun dan divalidasi melalui kolaborasi komunitas;
• Platform Usulan Model (Model Proposal Platform): pasar model on-chain yang dapat digabungkan, dipanggil, dan dibayar.

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

Dan dalam penerapan teknologi blockchain, OpenLedger menggunakan OP Stack + EigenDA sebagai dasar untuk 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 eksekusi rendah;
• Menyelesaikan di jaringan utama Ethereum: Memastikan keamanan transaksi dan integritas aset;
• Kompatibel EVM: Memudahkan pengembang untuk dengan cepat menerapkan dan mengembangkan berdasarkan Solidity;
• EigenDA menyediakan dukungan ketersediaan data: secara signifikan mengurangi biaya penyimpanan, menjamin verifikasi data.

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

Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger

Pabrik Model 3.1, pabrik model tanpa kode

ModelFactory adalah platform penyesuaian model bahasa besar (LLM) di bawah ekosistem OpenLedger. Berbeda dengan kerangka penyesuaian tradisional, ModelFactory menyediakan operasi 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 penyebaran, dengan proses inti sebagai berikut:

• 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 mengonfigurasi 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 untuk menguji kemampuan tanya jawab model secara langsung.
• RAG menghasilkan jejak sumber: Menjawab dengan kutipan sumber, meningkatkan kepercayaan dan dapat diaudit.

Model Factory arsitektur sistem terdiri dari enam modul, mencakup otentikasi identitas, hak akses data, penyesuaian model, evaluasi dan penyebaran, serta pelacakan RAG, menciptakan platform layanan model terpadu yang aman dan terkendali, interaksi waktu nyata, dan dapat menghasilkan pendapatan yang berkelanjutan.

ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:

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

Meskipun kombinasi model OpenLedger tidak mencakup model MoE berkinerja tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan merupakan konfigurasi "prioritas praktis" yang dibuat berdasarkan kendala nyata dari penerapan on-chain (biaya inferensi, penyesuaian RAG, kompatibilitas LoRA, lingkungan EVM).

Model Factory sebagai rantai alat tanpa kode, semua model dilengkapi dengan mekanisme bukti kontribusi, memastikan hak data kontributor 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 model atau Agen seperti memanggil API.

3.2 OpenLoRA, aset on-chain dari model fine-tuning

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

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

OpenLoRA sistem arsitektur komponen inti, berdasarkan desain modular, mencakup penyimpanan model, eksekusi inferensi, pengaturan permintaan, dan bagian kunci lainnya, untuk mencapai kemampuan penyebaran dan pemanggilan multi-model yang efisien dan biaya rendah:

• Modul Penyimpanan LoRA Adapter: LoRA adapter yang sudah disesuaikan disimpan di OpenLedger, memungkinkan pemuatan sesuai kebutuhan, menghindari pemuatan semua model ke dalam memori grafis, menghemat sumber daya.
• Hosting Model dan Lapisan Dinamis: Semua model fine-tuning berbagi model besar dasar, saat inferensi adapter LoRA digabungkan secara dinamis, mendukung beberapa adapter untuk inferensi bersama, meningkatkan kinerja.
• Mesin Inferensi: Mengintegrasikan berbagai teknologi optimasi CUDA seperti Flash-Attention, Paged-Attention, dan SGMV.
• Modul rute permintaan dan keluaran aliran: Akar