OpenLedger Derinlik Araştırması: OP Stack+EigenDA tabanlı, veri odaklı, model kombinasyonuna sahip bir akıllı ekonomi inşa etmek

Birinci Bölüm | Crypto AI'nin Model Katmanı Atlaması

Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur; bunlar yakıt (veri), motor (model) ve enerji (hesaplama gücü) ile karşılaştırılabilir ve hepsi gereklidir. Geleneksel AI endüstrisinin altyapı evrimi yoluna benzer şekilde, Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılı başlarında, piyasa merkeziyetsiz GPU projeleri tarafından bir süre yönlendirilmiş ve yaygın olarak "hesaplama gücünü birleştirme" anlayışına dayanan geniş kapsamlı bir büyüme mantığı vurgulanmıştır. Ancak 2025 yılına gelindiğinde, endüstrinin odak noktası, model ve veri katmanına doğru kaymaya başlamış ve Crypto AI'nın temel kaynak rekabetinden daha sürdürülebilir ve uygulama değeri yüksek orta katman inşasına geçişini işaret etmiştir.

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

Geleneksel büyük dil modellerinin (LLM) eğitimi, genellikle büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır; parametre boyutu genellikle 70B ile 500B arasında değişir ve bir kez eğitmenin maliyeti genellikle milyonlarca dolara ulaşır. SLM (Özelleştirilmiş Dil Modeli) ise, yeniden kullanılabilir temel bir modelin hafif ince ayar paradigmaları olarak, genellikle açık kaynaklı modeller üzerine, az miktarda yüksek kaliteli uzman verisi ve LoRA gibi teknolojilerle birleşerek, belirli alan bilgisine sahip uzman modelleri hızlı bir şekilde oluşturur ve eğitim maliyetini ve teknik engelleri önemli ölçüde azaltır.

Dikkate değer bir nokta, SLM'nin LLM ağırlıklarına entegre edilmemesi, bunun yerine Agent mimarisi aracılığıyla çağrılması, eklenti sistemi dinamik yönlendirme, LoRA modülü sıcak tak-çıkartma, RAG (Retrieve-Enhance-Generate) gibi yöntemlerle LLM ile işbirliği yapmasıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülleriyle profesyonel performansı artırarak son derece esnek bir kombinasyon akıllı sistem oluşturur.

Crypto AI'nin model katmanındaki değeri ve sınırları

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

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

Ancak, açık kaynaklı temel modellerin üzerinde, Crypto AI projeleri hala özel dil modellerini (SLM) ince ayar yaparak kullanabilir ve Web3'ün doğrulanabilirliği ve teşvik mekanizmaları ile değer uzatımı gerçekleştirebilir. AI endüstri zincirinin "çevresel arayüz katmanı" olarak, iki ana yönde kendini göstermektedir:

• Güvenilir doğrulama katmanı: Model oluşturma yollarını, veri katkılarını ve kullanım durumlarını zincir üzerindeki kayıtlar aracılığıyla takip ederek, AI çıktılarının izlenebilirliğini ve değiştirilmezlik yeteneğini artırır.
• Teşvik Mekanizması: Yerel Token kullanarak veri yükleme, model çağrısı, akıllı ajan (Agent) yürütme gibi davranışları teşvik etmek için model eğitimi ve hizmetleri arasında olumlu bir döngü oluşturmak.

AI model türlerinin sınıflandırılması ve blok zinciri uygunluk analizi

Bundan dolayı, model türü Crypto AI projelerinin uygulanabilir noktaları, esasen küçük SLM'nin hafif ayarları, RAG mimarisinin zincir üzerindeki veri erişimi ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerine yoğunlaşmaktadır. Blockchain'in doğrulanabilirliği ve token mekanizması ile bir araya geldiğinde, Crypto bu orta ve düşük kaynaklı model senaryolarına benzersiz bir değer sunarak AI "arayüz katmanı"nın farklılaştırılmış değerini oluşturabilir.

Veri ve modellere dayalı blockchain AI ağı, her bir veri ve modelin katkı kaynağını net, değiştirilemez bir şekilde blok zincirine kaydetmeyi sağlar, veri güvenilirliğini ve model eğitimine izlenebilirliği önemli ölçüde artırır. Ayrıca, akıllı sözleşme mekanizması aracılığıyla, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışlarını ölçülebilir ve ticarete konu olabilen token değerine dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirmek, kuralların oluşturulmasına ve iterasyonuna katılmak için oy verebilir, merkeziyetsiz yönetim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'in AI Zincir Vizyonu

OpenLedger, mevcut piyasada veri ve model teşvik mekanizmalarına odaklanan az sayıda blok zinciri AI projesinden biridir. "Ödenebilir AI" kavramını ilk kez ortaya koyarak, veri katkıcıları, model geliştiricileri ve AI uygulama oluşturucularının aynı platformda işbirliği yapmasını teşvik eden, adil, şeffaf ve bileşenleri bir araya getirebilen bir AI çalışma ortamı inşa etmeyi hedefliyor ve gerçek katkılara dayanarak zincir üzerinde kazanç sağlıyor.

OpenLedger, "veri sağlama"dan "model dağıtım"ına ve ardından "paylaşım çağrısı"na kadar tam bir zincir döngüsü sunar, temel modülleri şunlardır:

• Model Factory: Programlama gerektirmeden, açık kaynak LLM'yi kullanarak LoRA ile ince ayar yaparak özel modelleri eğitip dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin bir arada varlığını destekler, ihtiyaç duyuldukça dinamik olarak yükler, dağıtım maliyetlerini önemli ölçüde düşürür;
• PoA (Attribution Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağıtımını gerçekleştirme;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk iş birliği ile inşa ve doğrulanır;
• Model Teklif Platformu (Model Proposal Platform): Kombinlenebilir, çağrılabilir ve ödenebilir zincir üstü model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model olarak birleştirilebilen bir "akıllı varlık ekonomisi altyapısı" inşa etti ve AI değer zincirinin zincir üstüne taşınmasını sağladı.

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

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

NEAR gibi daha çok alt katmana odaklanan, veri egemenliği ve "AI Agents on BOS" mimarisini vurgulayan genel AI zincirlerine kıyasla, OpenLedger daha çok veri ve model teşviklerine yönelik AI özel zinciri oluşturmaya odaklanmaktadır. Model geliştirme ve çağrılarının zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasına yönelik çabalar göstermektedir. Bu, Web3 dünyasında model teşvik altyapısıdır ve model barındırma, kullanım ücretlendirmesi ve zincir üzerindeki birleştirilebilir arayüzleri birleştirerek "modelin varlık olarak" gerçekleştirilmesine yönelik bir yol sunmaktadır.

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 araçları veya API entegrasyonu gerektirmez. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve incelenmiş veri setlerine dayanarak modeli ince ayar yapabilirler. Veri yetkilendirme, model eğitimi ve dağıtımı için entegre bir iş akışı sağlamaktadır; temel süreçler şunları içerir:

• Veri erişim kontrolü: Kullanıcı veri talebi gönderir, sağlayıcı inceleyip onaylar, veri otomatik olarak model eğitim arayüzüne entegre edilir.
• Model Seçimi ve Konfigürasyonu: Ana akım LLM'leri destekler, hiperparametreleri GUI aracılığıyla yapılandırır.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim sürecini gerçek zamanlı olarak gösterir.
• Model Değerlendirme ve Dağıtım: Yerleşik değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrılarını dışa aktarmayı destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap becerisini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG oluşturma izlenebilirliği: Kaynak alıntısı ile yanıt vererek güven ve denetlenebilirliği artırır.

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

ModelFactory şu anda desteklenen büyük dil modeli yetenekleri aşağıdaki gibidir:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk ve güçlü genel performans ile şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Verimli mimari, mükemmel çıkarım performansı ile esnek dağıtım ve sınırlı kaynaklar için uygun.
• Qwen: Çince görevlerde mükemmel performans gösteriyor, genel yetenekleri güçlü, yerli geliştiriciler için en iyi seçim.
• ChatGLM: Çince diyalog etkisi belirgin, dikey müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans sergiler, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Google tarafından sunulan hafif bir model, yapısı net, hızlı bir şekilde kavranabilir ve deney yapılabilir.
• Falcon: Performans standardı olarak kabul edilen, temel araştırma veya karşılaştırmalı testler için uygun, ancak topluluk etkinliği azalmıştır.
• BLOOM: Çok dilli destek oldukça güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken dönem modeli, yalnızca öğretim ve doğrulama amaçları için uygundur, gerçek kullanım için önerilmez.

OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi modası geçmiş değildir; aksine, zincir üstü dağıtımın gerçek kısıtlamaları (çıkarım maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temelinde yapılan "pratik öncelikli" konfigürasyonudur.

Model Factory, kodsuz bir araç zinciri olarak, tüm modeller katkı kanıtı mekanizması ile donatılmıştır ve veri katkıda bulunanların ve model geliştiricilerin haklarını güvence altına alır. Düşük giriş engeli, paraya dönüştürülebilirlik ve birleştirilebilirlik avantajlarına sahiptir. Geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtım ve gelir için tam bir yol sunar;
• Platform için: model varlıklarının dolaşımını ve kombinasyon ekosistemini oluşturmak;
• Uygulayıcılar için: Modelleri veya Ajanı API çağrısı yapar gibi birleştirerek kullanabilirsiniz.

3.2 OpenLoRA, mikro ayar modelinin zincir üzerindeki varlıklaşması

LoRA (Düşük Sıralı Adaptasyon), önceden eğitilmiş büyük modellere "düşük rütbeli matrisler" ekleyerek yeni görevleri öğrenen etkili bir parametre ince ayar yöntemidir, orijinal model parametrelerini değiştirmeden, böylece eğitim maliyetlerini ve depolama gereksinimlerini önemli ölçüde azaltır. Geleneksel büyük dil modelleri genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Belirli görevler için kullanılabilmeleri için ince ayar yapılması gerekir. LoRA'nın temel stratejisi: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrislerini eğitmek." Parametre verimliliği, hızlı eğitim ve esnek dağıtım ile mevcut Web3 model 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 olan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "ödenebilir AI" (Payable AI) uygulamasını teşvik etmektir.

OpenLoRA sistem mimarisi ana bileşenleri, modüler tasarıma dayalı olarak, model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsar, verimli ve düşük maliyetli çoklu model dağıtım ve çağrı yeteneği sağlar:

• LoRA Adaptörü Depolama Modülü: İncelenmiş LoRA adaptörü OpenLedger üzerinde barındırılır, talep üzerine yüklenir, tüm modellerin bellek ön yüklemesini önleyerek kaynak tasarrufu sağlar.
• Model barındırma ve dinamik entegrasyon katmanı: Tüm ince ayar modelleri ortak bir 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 çıktısı modülü: Kök