OpenLedger Derinlik Raporu: OP Stack+EigenDA tabanlı, veri odaklı, model kombinasyonuna sahip bir akıllı varlık ekonomisi inşa etmek

Birinci Bölüm | Crypto AI'nın Model Katmanı Atlaması

Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur; bunlar yakıt (veri), motor (model) ve enerji (hesaplama gücü) gibi birbirini tamamlayan unsurlardır. Geleneksel AI endüstrisinin altyapı evrimi yoluna benzer şekilde, Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başlarında, piyasa merkeziyetsiz GPU projeleri tarafından bir süre yönlendirilmiş olup, genellikle "hesaplama gücünü birleştirme" üzerine yoğunlaşan yaygın bir büyüme mantığına vurgu yapılmıştır. 2025 yılına gelindiğinde, sektörün dikkat noktası yavaş yavaş model ve veri katmanına kaymaya başlamış, bu da Crypto AI'nın temel kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta katman inşasına geçişini işaret etmektedir.

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

Geleneksel büyük dil modellerinin (LLM) eğitimi, genellikle büyük ölçekli veri setleri ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır; parametre ölçekleri genellikle 70B ile 500B arasında değişir ve bir kez eğitim maliyeti genellikle birkaç milyon dolara kadar çıkabilir. SLM (Specialized Language Model) ise, yeniden kullanılabilir temel modellerin hafif ince ayar paradigması olarak, genellikle açık kaynak modellerine dayanarak, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi teknolojilerle bir araya gelerek, belirli bir alan bilgisine sahip uzman modelleri hızla oluşturur ve eğitim maliyetlerini ve teknik engelleri önemli ölçüde azaltır.

Dikkate değer olan, SLM'nin LLM ağırlıklarına entegre edilmemesi, bunun yerine Agent mimarisi aracılığıyla çağrılması, eklenti sistemi dinamik yönlendirme, LoRA modülü sıcak takas ve RAG (Retrieve-Enhanced Generation) gibi yollarla LLM ile işbirliği içinde çalışmasıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülleriyle uzman performansını artırarak yüksek derecede esnek bir kombinasyon akıllı sistem oluşturur.

Kripto AI'nin model katmanındaki değeri ve sınırları

Kripto AI projeleri esasen büyük dil modellerinin (LLM) temel yeteneklerini doğrudan artırmada zorlanır, bunun temel nedeni şudur:

• Teknik engel çok yüksek: Foundation Model'ı eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik yetenekleri son derece büyük, şu anda yalnızca Amerika ve Çin gibi teknoloji devleri bu yeteneklere sahip.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modeller açık kaynak olsa da, model atılımlarını gerçekten teşvik eden anahtar hala araştırma kurumları ve kapalı kaynak mühendislik sistemleri etrafında yoğunlaşmaktadır, zincir üzerindeki projelerin temel model katmanındaki katılım alanı sınırlıdır.

Ancak, açık kaynak temelli modellerin üzerinde, Crypto AI projeleri hala özel dil modellerinin (SLM) ince ayarları ile birlikte Web3'ün doğrulanabilirliği ve teşvik mekanizmalarını birleştirerek değer uzantısı sağlayabilir. AI endüstri zincirinin "kenar arayüz katmanı" olarak, iki temel yönde kendini gösterir:

• Güvenilir doğrulama katmanı: Model oluşturma yollarını, veri katkılarını ve kullanım durumlarını zincir üzerinde kaydederek AI çıktılarının izlenebilirliğini ve değiştirilemezliğini artırır.
• Teşvik mekanizması: Yerel Token aracılığıyla veri yükleme, model çağrısı, akıllı ajan (Agent) yürütme gibi eylemleri teşvik etmek için model eğitimi ve hizmetinin olumlu döngüsünü oluşturmak.

AI model türleri sınıflandırması ve blockchain uygunluk analizi

Buradan, model türü Crypto AI projelerinin uygulanabilir noktalarının esas olarak küçük SLM'lerin hafif ince ayarı, RAG mimarisinin zincir üzerindeki veri erişimi ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerine yoğunlaştığı görülmektedir. Blok zincirinin doğrulanabilirliği ve token mekanizması ile birleştiğinde, Crypto bu orta-düşük kaynak model senaryolarına özgün değer sağlayarak AI "arabirim katmanı" için farklılaşmış bir değer oluşturabilir.

Veri ve model tabanlı blockchain AI zinciri, her bir veri ve modelin katkı kaynaklarının net, değiştirilemez bir şekilde zincire kaydedilmesini sağlar, bu da veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması aracılığıyla, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışını ölçülebilir ve ticarete konu edilebilen tokenize değerine dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirebilir, kuralların belirlenmesi ve iterasyona katılabilir, merkeziyetsiz yönetim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'in AI Zincir Vizyonu

OpenLedger, veri ve model teşvik mekanizmalarına odaklanan mevcut pazardaki birkaç blokzincir AI projesinden biridir. "Ödenecek AI" kavramını ilk kez önererek, veri katkıcıları, model geliştiricileri ve AI uygulama oluşturucularının aynı platformda işbirliği yapmasını teşvik eden, adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı oluşturmayı amaçlamaktadır ve gerçek katkılara göre zincir üzerindeki kazançları elde etmelerini sağlamaktadır.

OpenLedger, "veri sağlayıcı"dan "model dağıtımı"na ve ardından "paylaşım çağrısı"na kadar tam bir zincir döngüsü sunar. Temel modülleri şunlardır:

• Model Factory: Programlama gerektirmeden, açık kaynak LLM'ye dayalı olarak LoRA ince ayar eğitimi yapabilir ve özelleştirilmiş modelleri dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin birlikte varlığını destekler, ihtiyaca göre dinamik olarak yüklenir ve dağıtım maliyetlerini önemli ölçüde düşürür;
• PoA (Atıf Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağıtımı sağlanır;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk işbirliği ile inşa edilir ve doğrulanır;
• Model Teklif Platformu (Model Proposal Platform): Birleştirilebilir, çağrılabilir ve ödenebilir zincir üzerindeki model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model olarak birleştirilebilir bir "akıllı varlık ekonomik altyapısı" oluşturdu ve AI değer zincirinin zincir üstü hale gelmesini sağladı.

Ve blockchain teknolojisi benimseme konusunda, OpenLedger, OP Stack + EigenDA'yı temel alarak AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir bir veri ve sözleşme çalışma ortamı oluşturmuştur.

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

NEAR gibi daha çok alt katmanları hedef alan, veri egemenliği ve "AI Agents on BOS" mimarisi üzerine odaklanan genel amaçlı AI blok zincirlerine kıyasla, OpenLedger daha çok verilere ve model teşviklerine yönelik AI özel blok zincirleri inşa etmeye odaklanmaktadır. Model geliştirme ve çağırma işlemlerinin zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer kapalı döngüsü sağlamasına yönelik çalışmaktadır. Bu, Web3 dünyasında model teşvik altyapısıdır ve model barındırma, kullanım ücretlendirmesi ve zincir üzerindeki birleştirilebilir arayüzleri birleştirerek "model varlık olarak" gerçekleştirilme yolunu ilerletmektedir.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknik Mimarisi

3.1 Model Fabrikası, kod gerektirmeyen model fabrikası

ModelFactory, OpenLedger ekosistemi altında büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinden farklı olarak, ModelFactory tamamen grafik arayüzü ile işlem yapar, komut satırı araçları veya API entegrasyonu gerektirmez. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve gözden geçirilmiş veri setlerine dayanarak modellerini ince ayar yapabilirler. Veri yetkilendirme, model eğitimi ve dağıtımını içeren entegre bir iş akışı gerçekleştirilmiştir, ana süreçler şunları içerir:

• Veri erişim kontrolü: Kullanıcı veri talebinde bulunur, sağlayıcı inceleyip onaylar, veriler otomatik olarak model eğitim arayüzüne entegre edilir.
• Model Seçimi ve Yapılandırması: Ana akım LLM'leri destekler, GUI aracılığıyla hiperparametreleri yapılandırır.
• Hafif ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Yerleşik değerlendirme araçları, dağıtım veya ekosistem paylaşımı çağrısını dışa aktarmayı destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneklerini doğrudan test etmek için sohbet tarzı bir arayüz sunar.
• RAG oluşturma izlenebilirliği: Kaynak referansları ile yanıt verme, güveni ve denetlenebilirliği artırır.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkisi, model ince ayarı, değerlendirme dağıtımı ve RAG izleme süreçlerini kapsayan altı ana modülden oluşmaktadır ve güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir gelir elde etme hedefiyle entegre bir model hizmet platformu oluşturur.

ModelFactory şu anda desteklenen büyük dil modeli yeteneklerinin özeti aşağıdadır:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk ve güçlü genel performans ile şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Verimli bir mimari, mükemmel çıkarım performansı, esnek dağıtım ve sınırlı kaynaklar için uygundur.
• Qwen: Çince görev performansı mükemmel, genel yetenekleri güçlü, yerel geliştiriciler için en iyi seçim.
• ChatGLM: Çince konuşma etkisi belirgin, dikey müşteri hizmetleri ve yerelleştirilmiş sahneler için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütme konusunda üstün performans gösterir, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Google tarafından sunulan hafif bir model, yapısı net, hızlı bir şekilde öğrenmek ve deney yapmak için kolay.
• Falcon: Performans standardı olarak kabul edilen, temel araştırma veya karşılaştırma testleri için uygun, ancak topluluk etkinliği azalmıştır.
• BLOOM: Çok dilli desteği güçlüdür, ancak çıkarım performansı zayıftır, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken dönem modeli, yalnızca öğretim ve doğrulama amaçları için uygundur, pratikte kullanılması önerilmez.

OpenLedger'ın model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi demode değildir; aksine, zincir üstü dağıtımın gerçek kısıtları (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 edilmiştir, bu da veri katkı sağlayıcıları ve model geliştiricilerin haklarını güvence altına alır. Düşük giriş engeli, nakde çevrilebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir ve geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model inkübasyonu, dağıtımı ve gelir için tam bir yol sunar;
• Platform için: model varlıkların dolaşımını ve kombinasyon ekosistemini oluşturmak;
• Kullanıcılar için: Modelleri veya Ajanları API çağrısı yapar gibi birleştirerek kullanabilirsiniz.

3.2 OpenLoRA, modelin zincir üzerindeki varlıklaştırılması

LoRA (Düşük Sıralı Adaptasyon), önceden eğitimli büyük modellere "düşük rütbe matrisleri" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden verimli bir parametre ince ayar yöntemidir. Geleneksel büyük dil modelleri genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Bunları belirli görevler için kullanmak için ince ayar yapılması gerekir. LoRA'nın temel stratejisi: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrislerini eğitmek." Bu yaklaşım, parametre verimliliği, hızlı eğitim ve esnek dağıtım sunarak, günümüzde 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 model dağıtımında yaygın olan 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 dayanarak, model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsar ve verimli, düşük maliyetli çoklu model dağıtım ve çağrı yetenekleri sağlar:

• LoRA Adaptörü Depolama Modülü: İncelenmiş LoRA adaptörü, OpenLedger üzerinde barındırılır, gerektiğinde yüklenir, tüm modellerin önceden bellek yüklemesini önleyerek kaynak tasarrufu sağlar.
• Model barındırma ve dinamik birleşim katmanı: Tüm ince ayar modelleri ortak temel büyük modeli paylaşır, çıkarım sırasında LoRA adaptörü dinamik olarak birleştirilir, birden fazla adaptörün birleşik çıkarımını destekler, performansı artırır.
• Çıkarım motoru: Flash-Attention, Paged-Attention, SGMV optimizasyonu gibi birçok CUDA optimizasyon teknolojisini entegre eder.
• İstek yönlendirme ve akış çıkışı modülü: Kök