OpenLedger Derinlik Araştırması: OP Stack+EigenDA temelinde veri odaklı, model kombinlenebilir akıllı bir ekonomi inşa etmek

Bir, Giriş | Crypto AI'nin model katmanındaki sıçrama

Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur; bunlar, yakıt (veri), motor (model) ve enerji (hesaplama gücü) ile benzerlik gösterir ve biri olmadan diğeri olamaz. 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 ve genel olarak "hesaplama gücünü birleştirme" mantığına dayanan yaygın bir büyüme anlayışı benimsenmiştir. 2025 yılına girerken, sektörün ilgisi yavaş yavaş model ve veri katmanına kaymaya başlamış ve bu, Crypto AI'nin alt düzey kaynak rekabetinden daha sürdürülebilir ve uygulama değeri yüksek orta düzey inşa aşamasına geçişini simgelemektedir.

Genel Amaçlı Model (LLM) vs Uzmanlaşmış Model (SLM)

Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setleri ve karmaşık dağıtık mimarilere büyük ölçüde bağımlıdır, parametre ölçekleri genellikle 70B ile 500B arasında değişmektedir ve bir kez eğitmenin maliyeti genellikle milyonlarca doları bulmaktadır. SLM (Özelleştirilmiş Dil Modeli) ise, yeniden kullanılabilir bir temel modelin hafif ayar paradigmalarından biri olarak, genellikle LLaMA, Mistral, DeepSeek gibi açık kaynaklı modelleri temel alır, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi tekniklerle birleştirerek belirli bir alan bilgisine sahip uzman modelleri hızlı bir şekilde 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 takılması, RAG (Retrieve-Enhanced Generation) gibi yöntemlerle LLM ile işbirliği içinde çalışmasıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülleri ile profesyonel performansı artırarak son derece esnek bir bileşik zeka sistemi oluşturmuştur.

Crypto AI'nin model katmanındaki değeri ve sınırları

Crypto AI projeleri esasen büyük dil modellerinin (LLM) çekirdek yeteneklerini doğrudan artırmakta zorluk çekiyor, bunun temel nedeni ise

• Teknik engeller çok yüksek: Foundation Model'i eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik yetenekleri son derece büyüktür, şu anda yalnızca ABD ve Çin gibi teknoloji devleri bu yeteneklere sahiptir.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modeller LLaMA ve Mixtral açık kaynak olsa da, model atılımlarını gerçekten teşvik eden anahtar hala araştırma kurumları ve kapalı kaynak mühendislik sistemlerinde yoğunlaşıyor; zincir üzerindeki projelerin temel model katmanında katılım alanı sınırlıdır.

Ancak, açık kaynaklı temel modellerin üzerinde, Crypto AI projeleri, özelleştirilmiş dil modellerini (SLM) ince ayar yaparak ve Web3'ün doğrulanabilirliği ile teşvik mekanizmalarını birleştirerek değer uzantısı gerçekleştirebilir. AI endüstri zincirinin "kenar arayüz katmanı" olarak, iki temel yönde kendini gösterir:

• Güvenilir doğrulama katmanı: Model üretim yollarını, veri katkılarını ve kullanım durumlarını zincir üzerinde kaydederek, AI çıktılarının izlenebilirliğini ve değiştirilemezlik yeteneğini artırır.
• Teşvik mekanizması: Yerel Token sayesinde, veri yükleme, model çağırma, akıllı ajan yürütme gibi eylemleri teşvik etmek için model eğitimi ve hizmetlerin olumlu bir döngüsünü oluşturur.

AI model türü sınıflandırması ve blockchain uygunluk analizi

Buna göre, model türü Crypto AI projelerinin uygulanabilir noktası esas olarak küçük SLM'nin hafif ince ayarı, RAG mimarisinin zincir üstü veri entegrasyonu ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerine yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile birleştirildiğinde, Crypto bu düşük ve orta düzey kaynak model senaryolarına benzersiz bir değer sunarak AI "arayüz katmanı"nın farklılaştırılmış değerini oluşturabilir.

Veri ve modellere dayalı blockchain AI zinciri, her bir veri ve modelin katkı kaynağını açık ve değiştirilemez bir şekilde zincirleme kaydedebilmekte, bu da veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırmaktadır. Aynı zamanda, akıllı sözleşme mekanizması sayesinde, veri veya model kullanıldığında otomatik olarak ödül dağıtımını tetikleyerek, AI davranışını ölçülebilir ve ticarete konu olabilen tokenleşmiş bir değere dönüştürmekte, sürdürülebilir bir teşvik sistemi inşa etmektedir. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirebilir, kuralların belirlenmesi ve yinelemeye katılabilir, merkeziyetsiz yönetim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'in AI Zincir Vizyonu

OpenLedger, mevcut pazardaki az sayıda veri ve model teşvik mekanizmalarına odaklanan blockchain AI projelerinden biridir. "Ödenebilir AI" kavramını ilk kez ortaya atarak, veri katkıcıları, model geliştiricileri ve AI uygulama inşacıları için aynı platformda işbirliği yapmalarını teşvik eden adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı inşa etmeyi hedeflemektedir ve gerçek katkılara dayanarak zincir üzerindeki kazançları elde etmeyi sağlamaktadır.

OpenLedger, "veri sağlama"dan "model dağıtım"ına ve ardından "kar paylaşımı çağrısı"na kadar tüm zincir döngüsünü sunmaktadır, temel modülleri şunlardır:

• Model Fabrikası: Programlama gerektirmeden, açık kaynak LLM temelinde LoRA ile ince ayar yaparak eğitim ve özel modelleri dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin aynı anda bulunmasını destekler, ihtiyaç duyulduğunda dinamik olarak yükler, dağıtım maliyetlerini önemli ölçüde azaltır;
• PoA (Atıf Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağıtımını gerçekleştirme;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk işbirliği ile inşa edilip doğrulanmaktadır;
• Model Öneri Platformu (Model Proposal Platform): Kombinlenebilir, çağrılabilir ve ödenebilir zincir üstü model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model kombinasyonlarına sahip bir "akıllı varlık ekonomik altyapısı" inşa etti ve AI değer zincirinin zincir üzerinde gerçekleştirilmesini teşvik etti.

Ve blockchain teknolojisi benimsemesinde, OpenLedger OP Stack + EigenDA temelini kullanarak AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir bir veri ve sözleşme çalışma ortamı oluşturmuştur.

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

NEAR gibi daha çok taban katmanına odaklanan, veri egemenliği ve "AI Agents on BOS" mimarisini vurgulayan genel AI zincirlerine kıyasla, OpenLedger daha çok veri ve model teşvikine yönelik AI özel zincirleri inşa etmeye odaklanmaktadır. Bu, model geliştirme ve çağırma süreçlerinin zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını sağlamayı amaçlamaktadır. Web3 dünyasında model teşvik altyapısıdır; HuggingFace tarzı model barındırma, Stripe tarzı kullanım ücretlendirmesi ve Infura tarzı zincir üstü birleştirilebilir arayüzleri bir araya getirerek "modelin varlık olarak" gerçekleştirilme yolunu ilerletmektedir.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknik Mimarisi

3.1 Model Fabrikası, kodsuz model fabrikası

ModelFactory, OpenLedger ekosisteminde yer alan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinden farklı olarak, ModelFactory tamamen grafik arayüzü ile işlem yapma imkanı sunar, komut satırı araçlarına veya API entegrasyonuna gerek yoktur. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve onaylanmış 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 talebi gönderir, sağlayıcı onaylar, veriler otomatik olarak model eğitim arayüzüne bağlanır.
• Model Seçimi ve Yapılandırması: Ana akım LLM'leri (örneğin LLaMA, Mistral) destekler, GUI üzerinden hiperparametreleri yapılandırma.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini anlık olarak gösterir.
• Model değerlendirme ve dağıtım: Yerleşik değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrısını destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneklerini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG oluşturma izleme: Kaynak alıntıları ile yanıt verin, güveni ve denetlenebilirliği artırın.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkilendirmesi, model ince ayarı, değerlendirme dağıtımı ve RAG izleme olmak üzere altı ana modülü içermektedir ve güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir gelir elde eden entegre bir model hizmet platformu oluşturur.

ModelFactory şu anda desteklenen büyük dil modeli yeteneklerinin kısa listesi aşağıdadır:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk, güçlü genel performans ile mevcut en yaygın açık kaynak temel modellerden biridir.
• Mistral: Verimli bir mimariye sahip, mükemmel çıkarım performansı ile esnek ve sınırlı kaynaklara sahip senaryolar için uygundur.
• Qwen: Alibaba tarafından üretilmiştir, Çince görev performansı mükemmeldir, genel yetenekleri güçlüdür, yerli geliştiriciler için birinci tercihtir.
• ChatGLM: Çince konuşma etkisi belirgin, sektör bazlı müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede 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: Daha önce performans standardıydı, temel araştırmalar veya karşılaştırma testleri için uygundur, ancak topluluk etkinliği azalmıştır.
• BLOOM: Çok dilli desteği güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken dönem modeli, yalnızca öğretim ve doğrulama amaçları için uygundur, gerçek uygulama için önerilmez.

OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi çağdışı değil; aksine, zincir üzerinde dağıtımın gerçek kısıtlamalarına (çıkarım maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) dayanan "pratik öncelikli" bir yapılandırma sağlamaktadır.

Model Factory, bir kodsuz araç zinciri olarak, tüm modeller katkı kanıtı mekanizması ile entegre edilmiştir. Bu, veri katkıcılarının ve model geliştiricilerin haklarını güvence altına alır ve düşük giriş eşiği, dönüştürülebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir. Geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtımı ve gelir için tam bir yol sunar;
• Platform için: model varlık akışı ve kombinasyon ekosistemi oluşturma;
• Uygulayıcılar için: Modelleri veya Ajanları API çağrısı yapar gibi birleştirerek kullanabilirsiniz.

3.2 OpenLoRA, mikro ayar modelinin zincir üzerindeki varlıklaştırılması

LoRA (Düşük-Rank Adaptasyonu), önceden eğitilmiş büyük modellere "düşük ranklı matrisler" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden parametre ince ayarı yapmanın verimli bir yöntemidir, bu da eğitim maliyetini ve depolama gereksinimini büyük ölçüde azaltır. Geleneksel büyük dil modelleri (örneğin, LLaMA, GPT-3) genellikle on milyarlardan hatta yüz milyarlara kadar parametreye sahiptir. Bunları belirli görevler için (örneğin, hukuki soru-cevap, tıbbi danışmanlık) kullanmak için ince ayar yapılması gerekir. LoRA'nın temel stratejisi, "orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrislerini eğitmek"tir. Parametre verimliliği, hızlı eğitimi ve esnek dağıtımı ile günümüzde Web3 modeli dağıtımı ve kombinasyon çağrıları için en uygun ana akım ince ayar yöntemidir.

OpenLoRA, OpenLedger tarafından çoklu model dağıtımı ve kaynak paylaşımı için tasarlanmış hafif bir çıkarım çerçevesidir. Temel hedefi, mevcut AI model dağıtımında yaygın olarak karşılaşılan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "ödenebilir AI"nin (Payable AI) uygulanmasını teşvik etmektir.

OpenLoRA sistem mimarisi temel bileşenleri, modüler tasarıma dayanarak, model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsar ve etkili, düşük maliyetli çoklu model dağıtım ve çağrı yeteneği sağlar:

• LoRA Adaptör Depolama Modülü (LoRA Adaptörleri Depolama): İnce ayar yapılmış LoRA adaptörü OpenLedger üzerinde barındırılmakta, talep üzerine yükleme sağlamakta, tüm modellerin önceden belleğe yüklenmesini önleyerek kaynak tasarrufu yapmaktadır.
• Model barındırma ve dinamik entegrasyon katmanı (Model