OpenLedgerالعمق研报：بإستخدام OP Stack+EigenDA كأساس، بناء اقتصاد وكيل مدفوع بالبيانات وقابل للتجميع النماذج
一、引言 | نموذج الذكاء الاصطناعي في كريبتو
تعتبر البيانات والنماذج والقدرة الحاسوبية العناصر الأساسية الثلاثة للبنية التحتية للذكاء الاصطناعي، مماثلة للوقود (البيانات) والمحرك (النماذج) والطاقة (القدرة الحاسوبية) التي لا يمكن الاستغناء عنها. على غرار مسار تطور البنية التحتية في صناعة الذكاء الاصطناعي التقليدية، مرت أيضًا مجال Crypto AI بمراحل مماثلة. في أوائل عام 2024، هيمنت المشاريع اللامركزية للمعالجات الرسومية على السوق ( بعض منصات الحوسبة، بعض منصات العرض، بعض الشبكات وغيرها )، حيث تم التأكيد بشكل عام على منطق النمو الخشن "تجميع القدرة الحاسوبية". ومع دخول عام 2025، بدأت نقطة التركيز في الصناعة بالانتقال تدريجيًا إلى طبقة النماذج والبيانات، مما يشير إلى أن Crypto AI ينتقل من المنافسة على الموارد الأساسية إلى بناء طبقة وسطى أكثر استدامة وقيمة تطبيقية.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-62B3FAe810F4772AABA3D91C74C1AA6)
النموذج العام (LLM) مقابل النموذج المتخصص (SLM)
تدريب نماذج اللغة الكبيرة التقليدية (LLM) يعتمد بشكل كبير على مجموعات البيانات الكبيرة والهياكل الموزعة المعقدة، حيث يتراوح حجم المعلمات من 70B إلى 500B، وغالبًا ما تصل تكلفة التدريب لمرة واحدة إلى ملايين الدولارات. بينما يعد SLM (نموذج اللغة المتخصص) كنوع من نماذج الأساس القابلة لإعادة الاستخدام في صيغة التعديل الخفيف، عادة ما يستند إلى نماذج مفتوحة المصدر مثل LLaMA وMistral وDeepSeek، ويجمع بين كمية صغيرة من البيانات المتخصصة عالية الجودة وتقنيات مثل LoRA، لبناء نماذج خبراء تحتوي على معرفة في مجالات معينة بسرعة، مما يقلل بشكل كبير من تكلفة التدريب والعقبات التقنية.
من المهم أن نلاحظ أن SLM لن يتم دمجه في أوزان LLM ، بل سيتم تشغيله بالتعاون مع LLM من خلال استدعاء هيكل الوكيل ، نظام المكونات الإضافية للتوجيه الديناميكي ، التوصيل الساخن لوحدات LoRA ، و RAG (التوليد المعزز بالاسترجاع) وغيرها من الطرق. هذه البنية تحتفظ بالقدرة الواسعة لـ LLM ، بينما تعزز الأداء المتخصص من خلال وحدات التعديل الدقيق ، مما يشكل نظامًا ذكيًا مركبًا عالي المرونة.
قيمة و حدود الذكاء الاصطناعي في طبقة النموذج
مشاريع الذكاء الاصطناعي في العملات الرقمية من الصعب بشكل أساسي تعزيز القدرات الأساسية لنموذج اللغة الكبير (LLM) بشكل مباشر، والسبب الرئيسي في ذلك هو
العتبة التقنية مرتفعة للغاية: حجم البيانات والموارد الحاسوبية والقدرات الهندسية المطلوبة لتدريب نموذج الأساس ضخمة للغاية، حاليًا فقط الشركات التكنولوجية الكبيرة في الولايات المتحدة (مثل بعض الشركات) والصين (مثل بعض الشركات) تمتلك القدرة المناسبة.
قيود النظام البيئي مفتوح المصدر: على الرغم من أن النماذج الأساسية الرئيسية مثل LLaMA و Mixtral قد تم فتح مصدرها، إلا أن المفتاح الحقيقي لدفع النموذج نحو التحولات لا يزال مركزًا في المؤسسات البحثية ونظم الهندسة المغلقة، مما يحد من مساحة مشاركة المشاريع على السلسلة في مستوى النموذج الأساسي.
ومع ذلك، يمكن لمشروع Crypto AI أن يحقق قيمة ممتدة من خلال ضبط نماذج اللغة المتخصصة (SLM) على نماذج الأساس مفتوحة المصدر، بالإضافة إلى دمج القابلية للتحقق وآليات التحفيز الخاصة بـ Web3. كـ "طبقة واجهة محيطية" في سلسلة صناعة الذكاء الاصطناعي، يتجلى ذلك في اتجاهين رئيسيين:
طبقة التحقق الموثوق: من خلال تسجيل مسارات توليد النموذج، ومساهمات البيانات، واستخدامها على السلسلة، تعزز القابلية للتتبع ومقاومة التلاعب في مخرجات الذكاء الاصطناعي.
آلية التحفيز: من خلال الرمز المميز الأصلي، يتم استخدامها لتحفيز سلوكيات تحميل البيانات، استدعاء النماذج، تنفيذ الوكلاء (Agent)، وبناء دورة إيجابية لتدريب النماذج والخدمات.
تصنيف أنواع نماذج الذكاء الاصطناعي وتحليل ملاءمتها للبلوكشين
من هنا يتضح أن النقاط القابلة للتطبيق لمشاريع الذكاء الاصطناعي Crypto تتركز بشكل رئيسي على تحسين خفة النموذج SLM صغير الحجم، وإدخال البيانات والتحقق من البيانات على السلسلة في هيكل RAG، بالإضافة إلى نشر نموذج Edge محليًا وتحفيزه. بالت结合 مع القابلية للتحقق من البلوكشين وآلية الرموز، يمكن أن توفر Crypto قيمة فريدة لهذه السيناريوهات ذات الموارد المتوسطة والمنخفضة، مما يشكل قيمة مميزة لطبقة "واجهة" الذكاء الاصطناعي.
استنادًا إلى بيانات ونموذج سلسلة الكتل AI، يمكن تسجيل مصدر مساهمة كل بيانات ونموذج بشكل واضح وغير قابل للتغيير على السلسلة، مما يعزز بشكل كبير موثوقية البيانات وقابلية تتبع تدريب النموذج. في الوقت نفسه، من خلال آلية العقود الذكية، يتم تنشيط توزيع المكافآت تلقائيًا عند استدعاء البيانات أو النموذج، مما يحول سلوك AI إلى قيمة قابلة للقياس وقابلة للتداول من خلال التوكن. بالإضافة إلى ذلك، يمكن لمستخدمي المجتمع أيضًا تقييم أداء النموذج من خلال التصويت بالتوكن، والمشاركة في وضع القواعد والتكرار، مما يحسن هيكل الحوكمة اللامركزية.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-19C2276FCCC616CCF9260FB7E35C9C24)
٢. نظرة عامة على المشروع | رؤية سلسلة OpenLedger للذكاء الاصطناعي
OpenLedger هو أحد المشاريع القليلة في سوق blockchain AI التي تركز على بيانات ونماذج آليات التحفيز. لقد قدمت مفهوم "Payable AI" الرائد، والذي يهدف إلى بناء بيئة تشغيل AI عادلة وشفافة وقابلة للتجميع، لتحفيز مساهمي البيانات ومطوري النماذج وبناة تطبيقات AI على التعاون في نفس المنصة، والحصول على عائدات على السلسلة بناءً على المساهمات الفعلية.
OpenLedger تقدم حلقة مغلقة كاملة من "توفير البيانات" إلى "نشر النماذج" ثم إلى "استدعاء توزيع الأرباح"، وتشمل وحداتها الأساسية:
مصنع النماذج: لا حاجة للبرمجة، يمكنك استخدام LLM مفتوح المصدر لتدريب وتخصيص النماذج باستخدام LoRA.
OpenLoRA: يدعم التعايش مع ألف نموذج، التحميل الديناميكي حسب الحاجة، مما يقلل بشكل كبير من تكاليف النشر؛
PoA (إثبات النسبة): من خلال تسجيل استدعاءات على السلسلة لتحقيق قياس المساهمة وتوزيع المكافآت؛
Datanets : شبكة بيانات هيكلية موجهة نحو السيناريوهات العمودية، تم بناؤها والتحقق منها من قبل المجتمع؛
منصة اقتراح النماذج (Model Proposal Platform): سوق نماذج على السلسلة قابلة للتجميع، قابلة للاستدعاء، وقابلة للدفع.
من خلال الوحدات المذكورة أعلاه، قامت OpenLedger ببناء "البنية التحتية للاقتصاد الذكي" المدفوع بالبيانات والقابل للتجميع، لدفع سلسلة قيمة الذكاء الاصطناعي على السلسلة.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F23F47F09226573B1FCACEBDCFB8c1f3)
وفي اعتماد تقنية blockchain، تستخدم OpenLedger قاعدة OP Stack + EigenDA لبناء بيئة تشغيل عالية الأداء ومنخفضة التكلفة وقابلة للتحقق للبيانات والعقود لنماذج الذكاء الاصطناعي.
مبني على OP Stack: يعتمد على تقنية Optimism، ويدعم تنفيذ عالي السعة ومنخفض التكلفة؛
تسوية على شبكة إيثيريوم الرئيسية: تأكد من أمان المعاملات وسلامة الأصول؛
متوافق مع EVM: يسهل على المطورين نشر وتوسيع بسرعة باستخدام Solidity;
EigenDA تقدم دعم توفر البيانات: تخفيض كبير في تكاليف التخزين، وضمان قابلية التحقق من البيانات.
بالمقارنة مع بعض سلاسل الكتل العامة التي تركز أكثر على الطبقة الأساسية، والتي تروج لسيادة البيانات و "الوكلاء الذكيين على BOS"، يركز OpenLedger بشكل أكبر على بناء سلسلة كتل مخصصة للذكاء الاصطناعي تتعلق بالبيانات والحوافز للنماذج، مع الالتزام بجعل تطوير النماذج واستدعائها على السلسلة قابلة للتتبع، وقابلة للتجميع، وقابلة للاستدامة. إنها بنية تحتية لتحفيز النماذج في عالم Web3، تجمع بين استضافة النماذج على منصة استضافة معينة، والفوترة لاستخدامها كما في منصة دفع معينة، وواجهة قابلة للتجميع على السلسلة مثل خدمات البنية التحتية، مما يدفع نحو تحقيق "النموذج كأصل".
ثلاثة، المكونات الأساسية و هيكل التكنولوجيا لـ OpenLedger
3.1 مصنع النموذج ،无需 كود نموذج المصنع
ModelFactory هو منصة لتعديل نماذج اللغة الكبيرة (LLM) تحت نظام OpenLedger البيئي. على عكس أطر التعديل التقليدية، يوفر ModelFactory واجهة رسومية بحتة، دون الحاجة إلى أدوات سطر الأوامر أو تكامل واجهة برمجة التطبيقات. يمكن للمستخدمين تعديل النماذج استنادًا إلى مجموعات البيانات التي تم تفويضها ومراجعتها على OpenLedger. وقد تم تحقيق سير عمل متكامل لتفويض البيانات، تدريب النموذج ونشره، وتشتمل العمليات الأساسية على:
التحكم في الوصول إلى البيانات: يقوم المستخدم بتقديم طلب بيانات، ويقوم المزود بمراجعة الموافقة، ويتم إدخال البيانات تلقائيًا في واجهة تدريب النموذج.
اختيار النموذج وتكوينه: يدعم LLM الشائعة (مثل LLaMA و Mistral) ، من خلال واجهة المستخدم الرسومية لتكوين المعلمات الفائقة.
تعديل خفيف الوزن: محرك LoRA / QLoRA المدمج، يعرض تقدم التدريب في الوقت الفعلي.
تقييم النموذج ونشره: أدوات تقييم مدمجة، تدعم تصدير النشر أو المشاركة البيئية.
واجهة تحقق تفاعلية: توفر واجهة محادثة، مما يسهل اختبار قدرة النموذج على الإجابة.
يتكون هيكل نظام Model Factory من ستة وحدات، تشمل المصادقة على الهوية، وصلاحيات البيانات، وضبط النماذج، وتقييم النشر، وRAG للتتبع، لإنشاء منصة خدمات نماذج متكاملة آمنة وقابلة للتحكم، وتفاعلية في الوقت الحقيقي، وقابلة لتحقيق الدخل المستدام.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ moments-909dc3f796ad6aa44a1c97a51ade4193)
نموذج مصنع 目前支持的大语言模型能力简表如下：
سلسلة LLaMA: الأكثر تنوعًا في البيئة، مجتمع نشط، أداء عام قوي، وهي واحدة من النماذج الأساسية مفتوحة المصدر الأكثر شيوعًا في الوقت الحالي.
Mistral: بنية فعالة، أداء استنتاج ممتاز، مناسبة للتطبيقات المرنة والموارد المحدودة.
Qwen: شركة معينة تنتج، أداء ممتاز في المهام الصينية، قدرة شاملة قوية، مناسبة كخيار أول للمطورين المحليين.
ChatGLM: أداء المحادثة باللغة الصينية بارز، مناسب لخدمة العملاء في مجالات معينة والمشاهد المحلية.
Deepseek: يتميز بالأداء الممتاز في توليد الشفرات والاستدلال الرياضي، وهو مناسب كأداة مساعدة للتطوير الذكي.
جيمّا: نموذج خفيف أطلقته إحدى الشركات، هيكل واضح، سهل الاستخدام والتجربة بسرعة.
Falcon: كان معيار الأداء، مناسب للبحوث الأساسية أو اختبارات المقارنة، ولكن نشاط المجتمع قد انخفض.
BLOOM: دعم متعدد اللغات قوي، لكن أداء الاستدلال ضعيف، مما يجعله مناسبًا للأبحاث التي تغطي اللغات.
GPT-2：نموذج كلاسيكي مبكر، مناسب فقط للتعليم والتحقق، لا يُنصح باستخدامه في النشر الفعلي.
على الرغم من أن مجموعة نماذج OpenLedger لا تشمل أحدث نماذج MoE عالية الأداء أو النماذج متعددة الوسائط، إلا أن استراتيجيتها ليست قديمة، بل هي تكوين "الأولوية العملية" الذي تم إنشاؤه بناءً على القيود الواقعية للنشر على السلسلة (تكاليف الاستدلال، تكيف RAG، توافق LoRA، بيئة EVM).
تعتبر Model Factory كأداة بدون كود، حيث تم دمج آلية إثبات المساهمة في جميع النماذج، مما يضمن حقوق المساهمين في البيانات ومطوري النماذج، وتتميز بمتطلبات منخفضة، وقابلية للتسييل ومرونة في التركيب، مقارنة بأدوات تطوير النماذج التقليدية:
للمطورين: تقديم مسار كامل لنمذجة الحضانة والتوزيع والدخل؛
بالنسبة للمنصة: تشكيل تدفق الأصول النموذجية وبيئة التركيب؛
بالنسبة للمستخدمين: يمكن استخدام النماذج أو الوكلاء بشكل مركب كما هو الحال عند استدعاء واجهة برمجة التطبيقات.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F49CFA5EA73FC0018250D04193B34B60)
3.2 OpenLoRA، تسييل الأصول على السلسلة لنموذج الضبط
LoRA (التكيف منخفض الرتبة) هي طريقة فعالة لضبط المعلمات، من خلال إدراج "مصفوفة منخفضة الرتبة" في نموذج كبير مدرب مسبقاً لتعلم مهام جديدة، دون تعديل معلمات النموذج الأصلي، مما يقلل بشكل كبير من تكاليف التدريب واحتياجات التخزين. عادة ما تحتوي نماذج اللغة الكبيرة التقليدية (مثل LLaMA و GPT-3) على عشرات المليارات أو حتى مئات المليارات من المعلمات. لاستخدامها في مهام محددة (مثل أسئلة قانونية، استشارات طبية)، يتطلب الأمر إجراء ضبط (fine-tuning). الاستراتيجية الأساسية لـ LoRA هي: "تجميد معلمات النموذج الكبير الأصلي، وتدريب مصفوفة المعلمات الجديدة المضافة فقط."، حيث أن معلماتها فعالة، وتدريبها سريع، ونشرها مرن، مما يجعلها الطريقة الرئيسية الأكثر ملاءمة لنشر نماذج Web3 واستدعاءها بشكل متكامل.
OpenLoRA هو إطار استدلال خفيف الوزن تم تصميمه خصيصًا لنشر نماذج متعددة ومشاركة الموارد من قبل OpenLedger. الهدف الأساسي منه هو معالجة المشكلات الشائعة في نشر نماذج الذكاء الاصطناعي الحالية مثل التكلفة العالية، وانخفاض إعادة الاستخدام، وإهدار موارد GPU، وتعزيز تنفيذ "الذكاء الاصطناعي القابل للدفع".
OpenLoRA نظام هيكلية المكونات الأساسية، قائم على التصميم المودولي
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
تسجيلات الإعجاب 10
أعجبني
10
6
مشاركة
تعليق
0/400
WhaleSurfer
· منذ 17 س
نسخ الواجب مكتوب بشكل جميل جداً
شاهد النسخة الأصليةرد0
GateUser-c802f0e8
· منذ 17 س
متى يمكن أن يتحقق اقتصاد الذكاء الاصطناعي؟
شاهد النسخة الأصليةرد0
ShadowStaker
· منذ 18 س
meh... طبقة أخرى تحاول حل الذكاء الاصطناعي بكلمات طنانة. يظهر لي إحصائيات mev أولاً بصراحة
OpenLedger تبني الذكاء الاصطناعي المدفوع: OP Stack + EigenDA كأساس لدفع الاقتصاد البيانات والنماذج
OpenLedgerالعمق研报：بإستخدام OP Stack+EigenDA كأساس، بناء اقتصاد وكيل مدفوع بالبيانات وقابل للتجميع النماذج
一、引言 | نموذج الذكاء الاصطناعي في كريبتو
تعتبر البيانات والنماذج والقدرة الحاسوبية العناصر الأساسية الثلاثة للبنية التحتية للذكاء الاصطناعي، مماثلة للوقود (البيانات) والمحرك (النماذج) والطاقة (القدرة الحاسوبية) التي لا يمكن الاستغناء عنها. على غرار مسار تطور البنية التحتية في صناعة الذكاء الاصطناعي التقليدية، مرت أيضًا مجال Crypto AI بمراحل مماثلة. في أوائل عام 2024، هيمنت المشاريع اللامركزية للمعالجات الرسومية على السوق ( بعض منصات الحوسبة، بعض منصات العرض، بعض الشبكات وغيرها )، حيث تم التأكيد بشكل عام على منطق النمو الخشن "تجميع القدرة الحاسوبية". ومع دخول عام 2025، بدأت نقطة التركيز في الصناعة بالانتقال تدريجيًا إلى طبقة النماذج والبيانات، مما يشير إلى أن Crypto AI ينتقل من المنافسة على الموارد الأساسية إلى بناء طبقة وسطى أكثر استدامة وقيمة تطبيقية.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-62B3FAe810F4772AABA3D91C74C1AA6)
النموذج العام (LLM) مقابل النموذج المتخصص (SLM)
تدريب نماذج اللغة الكبيرة التقليدية (LLM) يعتمد بشكل كبير على مجموعات البيانات الكبيرة والهياكل الموزعة المعقدة، حيث يتراوح حجم المعلمات من 70B إلى 500B، وغالبًا ما تصل تكلفة التدريب لمرة واحدة إلى ملايين الدولارات. بينما يعد SLM (نموذج اللغة المتخصص) كنوع من نماذج الأساس القابلة لإعادة الاستخدام في صيغة التعديل الخفيف، عادة ما يستند إلى نماذج مفتوحة المصدر مثل LLaMA وMistral وDeepSeek، ويجمع بين كمية صغيرة من البيانات المتخصصة عالية الجودة وتقنيات مثل LoRA، لبناء نماذج خبراء تحتوي على معرفة في مجالات معينة بسرعة، مما يقلل بشكل كبير من تكلفة التدريب والعقبات التقنية.
من المهم أن نلاحظ أن SLM لن يتم دمجه في أوزان LLM ، بل سيتم تشغيله بالتعاون مع LLM من خلال استدعاء هيكل الوكيل ، نظام المكونات الإضافية للتوجيه الديناميكي ، التوصيل الساخن لوحدات LoRA ، و RAG (التوليد المعزز بالاسترجاع) وغيرها من الطرق. هذه البنية تحتفظ بالقدرة الواسعة لـ LLM ، بينما تعزز الأداء المتخصص من خلال وحدات التعديل الدقيق ، مما يشكل نظامًا ذكيًا مركبًا عالي المرونة.
قيمة و حدود الذكاء الاصطناعي في طبقة النموذج
مشاريع الذكاء الاصطناعي في العملات الرقمية من الصعب بشكل أساسي تعزيز القدرات الأساسية لنموذج اللغة الكبير (LLM) بشكل مباشر، والسبب الرئيسي في ذلك هو
ومع ذلك، يمكن لمشروع Crypto AI أن يحقق قيمة ممتدة من خلال ضبط نماذج اللغة المتخصصة (SLM) على نماذج الأساس مفتوحة المصدر، بالإضافة إلى دمج القابلية للتحقق وآليات التحفيز الخاصة بـ Web3. كـ "طبقة واجهة محيطية" في سلسلة صناعة الذكاء الاصطناعي، يتجلى ذلك في اتجاهين رئيسيين:
تصنيف أنواع نماذج الذكاء الاصطناعي وتحليل ملاءمتها للبلوكشين
من هنا يتضح أن النقاط القابلة للتطبيق لمشاريع الذكاء الاصطناعي Crypto تتركز بشكل رئيسي على تحسين خفة النموذج SLM صغير الحجم، وإدخال البيانات والتحقق من البيانات على السلسلة في هيكل RAG، بالإضافة إلى نشر نموذج Edge محليًا وتحفيزه. بالت结合 مع القابلية للتحقق من البلوكشين وآلية الرموز، يمكن أن توفر Crypto قيمة فريدة لهذه السيناريوهات ذات الموارد المتوسطة والمنخفضة، مما يشكل قيمة مميزة لطبقة "واجهة" الذكاء الاصطناعي.
استنادًا إلى بيانات ونموذج سلسلة الكتل AI، يمكن تسجيل مصدر مساهمة كل بيانات ونموذج بشكل واضح وغير قابل للتغيير على السلسلة، مما يعزز بشكل كبير موثوقية البيانات وقابلية تتبع تدريب النموذج. في الوقت نفسه، من خلال آلية العقود الذكية، يتم تنشيط توزيع المكافآت تلقائيًا عند استدعاء البيانات أو النموذج، مما يحول سلوك AI إلى قيمة قابلة للقياس وقابلة للتداول من خلال التوكن. بالإضافة إلى ذلك، يمكن لمستخدمي المجتمع أيضًا تقييم أداء النموذج من خلال التصويت بالتوكن، والمشاركة في وضع القواعد والتكرار، مما يحسن هيكل الحوكمة اللامركزية.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-19C2276FCCC616CCF9260FB7E35C9C24)
٢. نظرة عامة على المشروع | رؤية سلسلة OpenLedger للذكاء الاصطناعي
OpenLedger هو أحد المشاريع القليلة في سوق blockchain AI التي تركز على بيانات ونماذج آليات التحفيز. لقد قدمت مفهوم "Payable AI" الرائد، والذي يهدف إلى بناء بيئة تشغيل AI عادلة وشفافة وقابلة للتجميع، لتحفيز مساهمي البيانات ومطوري النماذج وبناة تطبيقات AI على التعاون في نفس المنصة، والحصول على عائدات على السلسلة بناءً على المساهمات الفعلية.
OpenLedger تقدم حلقة مغلقة كاملة من "توفير البيانات" إلى "نشر النماذج" ثم إلى "استدعاء توزيع الأرباح"، وتشمل وحداتها الأساسية:
من خلال الوحدات المذكورة أعلاه، قامت OpenLedger ببناء "البنية التحتية للاقتصاد الذكي" المدفوع بالبيانات والقابل للتجميع، لدفع سلسلة قيمة الذكاء الاصطناعي على السلسلة.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F23F47F09226573B1FCACEBDCFB8c1f3)
وفي اعتماد تقنية blockchain، تستخدم OpenLedger قاعدة OP Stack + EigenDA لبناء بيئة تشغيل عالية الأداء ومنخفضة التكلفة وقابلة للتحقق للبيانات والعقود لنماذج الذكاء الاصطناعي.
بالمقارنة مع بعض سلاسل الكتل العامة التي تركز أكثر على الطبقة الأساسية، والتي تروج لسيادة البيانات و "الوكلاء الذكيين على BOS"، يركز OpenLedger بشكل أكبر على بناء سلسلة كتل مخصصة للذكاء الاصطناعي تتعلق بالبيانات والحوافز للنماذج، مع الالتزام بجعل تطوير النماذج واستدعائها على السلسلة قابلة للتتبع، وقابلة للتجميع، وقابلة للاستدامة. إنها بنية تحتية لتحفيز النماذج في عالم Web3، تجمع بين استضافة النماذج على منصة استضافة معينة، والفوترة لاستخدامها كما في منصة دفع معينة، وواجهة قابلة للتجميع على السلسلة مثل خدمات البنية التحتية، مما يدفع نحو تحقيق "النموذج كأصل".
ثلاثة، المكونات الأساسية و هيكل التكنولوجيا لـ OpenLedger
3.1 مصنع النموذج ،无需 كود نموذج المصنع
ModelFactory هو منصة لتعديل نماذج اللغة الكبيرة (LLM) تحت نظام OpenLedger البيئي. على عكس أطر التعديل التقليدية، يوفر ModelFactory واجهة رسومية بحتة، دون الحاجة إلى أدوات سطر الأوامر أو تكامل واجهة برمجة التطبيقات. يمكن للمستخدمين تعديل النماذج استنادًا إلى مجموعات البيانات التي تم تفويضها ومراجعتها على OpenLedger. وقد تم تحقيق سير عمل متكامل لتفويض البيانات، تدريب النموذج ونشره، وتشتمل العمليات الأساسية على:
يتكون هيكل نظام Model Factory من ستة وحدات، تشمل المصادقة على الهوية، وصلاحيات البيانات، وضبط النماذج، وتقييم النشر، وRAG للتتبع، لإنشاء منصة خدمات نماذج متكاملة آمنة وقابلة للتحكم، وتفاعلية في الوقت الحقيقي، وقابلة لتحقيق الدخل المستدام.
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ moments-909dc3f796ad6aa44a1c97a51ade4193)
نموذج مصنع 目前支持的大语言模型能力简表如下：
على الرغم من أن مجموعة نماذج OpenLedger لا تشمل أحدث نماذج MoE عالية الأداء أو النماذج متعددة الوسائط، إلا أن استراتيجيتها ليست قديمة، بل هي تكوين "الأولوية العملية" الذي تم إنشاؤه بناءً على القيود الواقعية للنشر على السلسلة (تكاليف الاستدلال، تكيف RAG، توافق LoRA، بيئة EVM).
تعتبر Model Factory كأداة بدون كود، حيث تم دمج آلية إثبات المساهمة في جميع النماذج، مما يضمن حقوق المساهمين في البيانات ومطوري النماذج، وتتميز بمتطلبات منخفضة، وقابلية للتسييل ومرونة في التركيب، مقارنة بأدوات تطوير النماذج التقليدية:
! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F49CFA5EA73FC0018250D04193B34B60)
3.2 OpenLoRA، تسييل الأصول على السلسلة لنموذج الضبط
LoRA (التكيف منخفض الرتبة) هي طريقة فعالة لضبط المعلمات، من خلال إدراج "مصفوفة منخفضة الرتبة" في نموذج كبير مدرب مسبقاً لتعلم مهام جديدة، دون تعديل معلمات النموذج الأصلي، مما يقلل بشكل كبير من تكاليف التدريب واحتياجات التخزين. عادة ما تحتوي نماذج اللغة الكبيرة التقليدية (مثل LLaMA و GPT-3) على عشرات المليارات أو حتى مئات المليارات من المعلمات. لاستخدامها في مهام محددة (مثل أسئلة قانونية، استشارات طبية)، يتطلب الأمر إجراء ضبط (fine-tuning). الاستراتيجية الأساسية لـ LoRA هي: "تجميد معلمات النموذج الكبير الأصلي، وتدريب مصفوفة المعلمات الجديدة المضافة فقط."، حيث أن معلماتها فعالة، وتدريبها سريع، ونشرها مرن، مما يجعلها الطريقة الرئيسية الأكثر ملاءمة لنشر نماذج Web3 واستدعاءها بشكل متكامل.
OpenLoRA هو إطار استدلال خفيف الوزن تم تصميمه خصيصًا لنشر نماذج متعددة ومشاركة الموارد من قبل OpenLedger. الهدف الأساسي منه هو معالجة المشكلات الشائعة في نشر نماذج الذكاء الاصطناعي الحالية مثل التكلفة العالية، وانخفاض إعادة الاستخدام، وإهدار موارد GPU، وتعزيز تنفيذ "الذكاء الاصطناعي القابل للدفع".
OpenLoRA نظام هيكلية المكونات الأساسية، قائم على التصميم المودولي