OpenLedger Kedalaman Riset: Membangun Ekonomi Agen Cerdas yang Didukung Data dan Model yang Dapat Digabungkan

I. Pendahuluan | Lompatan lapisan model Crypto AI

Data, model, dan kekuatan komputasi adalah tiga elemen inti infrastruktur AI, yang tidak dapat diabaikan. Mirip dengan jalur evolusi infrastruktur industri AI tradisional, bidang Crypto AI juga mengalami tahap yang serupa. Pada awal tahun 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi, yang secara umum menekankan logika pertumbuhan yang luas dari "menggabungkan kekuatan komputasi". Namun, setelah memasuki tahun 2025, titik fokus industri secara bertahap beralih ke tingkat model dan data, menandakan bahwa Crypto AI sedang bertransisi dari kompetisi sumber daya dasar ke pembangunan tingkat menengah yang lebih berkelanjutan dan memiliki nilai aplikasi.

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

Model bahasa besar (LLM) tradisional sangat bergantung pada dataset berskala besar dan arsitektur terdistribusi yang kompleks, dengan ukuran parameter yang terkadang mencapai 70B hingga 500B, dan biaya pelatihan sekali bisa mencapai jutaan dolar. Sementara itu, SLM (Model Bahasa Khusus) sebagai paradigma penyesuaian ringan dari model dasar yang dapat digunakan kembali, biasanya dibangun berdasarkan model sumber terbuka seperti LLaMA, Mistral, DeepSeek, 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, melainkan beroperasi sama dengan LLM melalui panggilan arsitektur Agent, sistem plugin dan rute dinamis, modul LoRA yang dapat dipasang dan dicopot, RAG (Penguatan Pencarian Generatif), dan cara lainnya. Arsitektur ini mempertahankan kemampuan jangkauan luas LLM, sekaligus meningkatkan kinerja profesional melalui modul penyetelan, membentuk sistem pintar kombinasi yang sangat fleksibel.

Nilai dan batas AI Crypto di lapisan model

Proyek Crypto AI 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 dibutuhkan untuk melatih Model Dasar sangat besar, saat ini hanya raksasa teknologi yang memiliki kemampuan tersebut.
• Keterbatasan ekosistem sumber terbuka: Meskipun model dasar arus utama seperti LLaMA, Mixtral telah menjadi sumber terbuka, kunci untuk mendorong terobosan model tetap terfokus pada lembaga penelitian dan sistem rekayasa tertutup, proyek on-chain memiliki ruang partisipasi yang terbatas di tingkat model inti.

Namun, di atas model dasar open-source, proyek Crypto AI masih dapat mewujudkan perpanjangan nilai melalui penyempurnaan model bahasa khusus (SLM), dan menggabungkan verifikasi serta mekanisme insentif dari Web3. Sebagai "lapisan antarmuka periferal" dari rantai industri AI, hal ini terwujud dalam dua arah inti:

• Lapisan Verifikasi Tepercaya: Meningkatkan jejak dan ketahanan terhadap perubahan dari keluaran AI melalui pencatatan di atas rantai mengenai jalur generasi model, kontribusi data, dan penggunaan.
• Mekanisme insentif: Memanfaatkan Token asli, digunakan untuk mendorong perilaku seperti pengunggahan data, pemanggilan model, dan eksekusi agen, membangun siklus positif pelatihan dan layanan model.

Analisis Kelayakan Jenis Model AI dan Blockchain

Dari sini dapat dilihat bahwa titik fokus yang dapat dilakukan untuk proyek Crypto AI yang berbasis model terutama terletak pada penyempurnaan ringan SLM kecil, penghubungan dan verifikasi data on-chain dengan arsitektur RAG, serta penyebaran lokal dan insentif untuk model Edge. Menggabungkan verifikasi 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 berbasis data dan model, dapat mencatat sumber kontribusi setiap data dan model secara jelas dan tidak dapat dirubah di blockchain, secara signifikan meningkatkan kepercayaan data dan keterlacakan pelatihan model. Selain itu, melalui mekanisme kontrak pintar, saat data atau model dipanggil, distribusi hadiah secara otomatis dipicu, mengubah perilaku AI menjadi nilai tokenisasi yang dapat diukur dan diperdagangkan, membangun sistem insentif yang berkelanjutan. Selain itu, pengguna komunitas juga dapat memberikan suara dengan token untuk menilai kinerja model, berpartisipasi dalam penetapan aturan dan iterasi, serta memperbaiki struktur tata kelola terdesentralisasi.

Dua, Ikhtisar Proyek | Visi Rantai AI OpenLedger

OpenLedger adalah salah satu dari sedikit proyek AI blockchain di pasar saat ini yang fokus pada mekanisme insentif data dan model. Ini pertama kali 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 dan mendapatkan keuntungan di blockchain berdasarkan kontribusi nyata.

OpenLedger menyediakan rantai tertutup penuh dari "penyediaan data" hingga "penempatan model" dan "pemanggilan pembagian keuntungan", dengan modul inti termasuk:

• Model Factory: Tanpa perlu pemrograman, Anda dapat menggunakan LoRA untuk pelatihan dan penyebaran model kustom berdasarkan LLM sumber terbuka;
• OpenLoRA: mendukung coexistensi ribuan model, pemuatan dinamis sesuai kebutuhan, 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 divalidasi melalui kolaborasi komunitas;
• Platform Proposal Model (Model Proposal Platform): pasar model on-chain yang dapat dikombinasikan, dipanggil, dan dibayar.

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

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

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

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

Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger

3.1 Model Factory, tanpa kode model pabrik

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

• 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 utama (seperti LLaMA, Mistral), melalui GUI untuk mengkonfigurasi hyperparameter.
• Penyesuaian ringan: Mesin LoRA / QLoRA bawaan, menampilkan kemajuan pelatihan secara real-time.
• Evaluasi dan Penerapan Model: Alat evaluasi bawaan, mendukung ekspor penerapan atau panggilan berbagi ekosistem.
• Antarmuka Verifikasi Interaktif: Menyediakan antarmuka berbasis chat, memudahkan pengujian langsung kemampuan tanya jawab model.
• RAG menghasilkan jejak sumber: Menjawab dengan kutipan sumber, meningkatkan kepercayaan dan dapat diaudit.

Arsitektur sistem Model Factory terdiri dari enam modul, meliputi otentikasi identitas, hak akses data, penyesuaian model, penilaian dan penerapan, serta pelacakan RAG, untuk menciptakan platform layanan model terintegrasi yang aman, terkendali, interaktif secara real-time, dan dapat menghasilkan pendapatan secara berkelanjutan.

ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:

• Seri LLaMA: Ekosistem paling luas, komunitas aktif, kinerja umum yang kuat, adalah salah satu model dasar sumber terbuka yang paling mainstream saat ini.
• Mistral: Arsitektur efisien, kinerja inferensi sangat baik, cocok untuk skenario yang fleksibel dan sumber daya terbatas.
• Qwen：Tugas dalam bahasa Mandarin menunjukkan kinerja yang luar biasa, dengan kemampuan komprehensif yang kuat, cocok sebagai pilihan utama bagi pengembang domestik.
• ChatGLM: Efek percakapan dalam bahasa Mandarin sangat menonjol, cocok untuk layanan pelanggan vertikal dan skenario lokalisasi.
• Deepseek: Unggul dalam penghasilan kode dan penalaran matematis, cocok untuk alat bantu pengembangan pintar.
• Gemma: Model ringan yang dikembangkan oleh Google, dengan struktur yang jelas, mudah untuk cepat dipahami dan diuji.
• Falcon: Pernah menjadi tolok ukur kinerja, cocok untuk penelitian dasar atau pengujian perbandingan, tetapi aktivitas komunitas telah berkurang.
• BLOOM: Dukungan multibahasa cukup kuat, tetapi kinerja inferensi lemah, cocok untuk penelitian cakupan bahasa.
• GPT-2: Model klasik awal, hanya cocok untuk tujuan pengajaran dan verifikasi, tidak disarankan untuk penggunaan implementasi aktual.

Meskipun kombinasi model OpenLedger tidak mencakup model MoE berkinerja tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan merupakan konfigurasi "prioritas praktis" yang didasarkan pada batasan realitas dari penyebaran on-chain (biaya inferensi, adaptasi RAG, kompatibilitas LoRA, lingkungan EVM).

Model Factory sebagai rantai alat tanpa kode, semua model dilengkapi dengan mekanisme bukti kontribusi, memastikan hak-hak kontributor data dan pengembang model, memiliki keunggulan ambang rendah, dapat dimonetisasi, dan dapat dikombinasikan, 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 menggunakan 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, dengan cara menyisipkan "matriks rendah-rank" ke dalam model besar yang telah dilatih sebelumnya untuk mempelajari tugas baru 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 dalam tugas tertentu, diperlukan penyesuaian. Strategi inti dari LoRA adalah: "membekukan parameter model besar asli, hanya melatih matriks parameter baru yang disisipkan." Metode ini efisien dalam parameter, cepat dalam pelatihan, dan fleksibel dalam penerapan, sehingga menjadi metode penyesuaian utama yang paling cocok untuk penerapan dan panggilan 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 pemanfaatan, dan pemborosan sumber daya GPU, serta mendorong pelaksanaan "AI yang dapat dibayar" (Payable AI).

Komponen inti arsitektur sistem OpenLoRA, berbasis desain modular, mencakup penyimpanan model, eksekusi inferensi, pengaturan permintaan, dan aspek penting lainnya, untuk mewujudkan kemampuan penerapan dan pemanggilan multi-model yang efisien dan berbiaya 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, menghemat sumber daya.
• Model hosting dan lapisan penggabungan dinamis: Semua model fine-tuning berbagi model dasar besar, 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 routing permintaan dan output streaming: Rute dinamis ke adapter yang benar berdasarkan model yang diperlukan dalam permintaan, dengan menghasilkan streaming tingkat token melalui optimasi inti.

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

• Memuat model dasar: Sistem memuat sebelumnya model besar dasar seperti LLaMA 3, Mistral, dll.