OpenLedger构建可支付AI:OP Stack+EigenDA底座驱动数据与模型经济

OpenLedger深度研报:以OP Stack+EigenDA为底座,构建一个数据驱动、模型可组合的智能体经济

一、引言 | Crypto AI 的模型层跃迁

数据、模型与算力是 AI 基础设施的三大核心要素,类比燃料(数据)、引擎(模型)、能源(算力)缺一不可。与传统 AI 行业的基础设施演进路径类似,Crypto AI 领域也经历了相似的阶段。2024 年初,市场一度被去中心化 GPU 项目所主导 (某计算平台、某渲染平台、某网络等 ),普遍强调「拼算力」的粗放式增长逻辑。而进入 2025 年后,行业关注点逐步上移至模型与数据层,标志着 Crypto AI 正从底层资源竞争过渡到更具可持续性与应用价值的中层构建。

OpenLedger深度研报:以OP Stack+EigenDA为底座,构建一个数据驱动、模型可组合的智能体经济

通用大模型(LLM)vs 特化模型(SLM)

传统的大型语言模型(LLM)训练高度依赖大规模数据集与复杂的分布式架构,参数规模动辄 70B~500B,训练一次的成本常高达数百万美元。而 SLM(Specialized Language Model)作为一种可复用基础模型的轻量微调范式,通常基于 LLaMA、Mistral、DeepSeek 等开源模型,结合少量高质量专业数据及 LoRA 等技术,快速构建具备特定领域知识的专家模型,显著降低训练成本与技术门槛。

值得注意的是,SLM 并不会被集成进 LLM 权重中,而是通过 Agent 架构调用、插件系统动态路由、LoRA 模块热插拔、RAG(检索增强生成)等方式与 LLM 协作运行。这一架构既保留了 LLM 的广覆盖能力,又通过精调模块增强了专业表现,形成了高度灵活的组合式智能系统。

Crypto AI 在模型层的价值与边界

Crypto AI 项目本质上难以直接提升大语言模型(LLM)的核心能力,核心原因在于

  • 技术门槛过高:训练 Foundation Model 所需的数据规模、算力资源与工程能力极其庞大,目前仅有美国(某公司等)与中国(某公司等)等科技巨头具备相应能力。
  • 开源生态局限:虽然主流基础模型如 LLaMA、Mixtral 已开源,但真正推动模型突破的关键依然集中于科研机构与闭源工程体系,链上项目在核心模型层的参与空间有限。

然而,在开源基础模型之上,Crypto AI 项目仍可通过精调特化语言模型(SLM),并结合 Web3 的可验证性与激励机制实现价值延伸。作为 AI 产业链的「周边接口层」,体现于两个核心方向:

  • 可信验证层:通过链上记录模型生成路径、数据贡献与使用情况,增强 AI 输出的可追溯性与抗篡改能力。
  • 激励机制: 借助原生 Token,用于激励数据上传、模型调用、智能体(Agent)执行等行为,构建模型训练与服务的正向循环。

AI 模型类型分类与 区块链适用性分析

由此可见,模型类 Crypto AI 项目的可行落点主要集中在小型 SLM 的轻量化精调、RAG 架构的链上数据接入与验证、以及 Edge 模型的本地部署与激励上。结合区块链的可验证性与代币机制,Crypto 能为这些中低资源模型场景提供特有价值,形成 AI「接口层」的差异化价值。

基于数据与模型的区块链 AI 链,可对每一条数据和模型的贡献来源进行清晰、不可篡改的上链记录,显著提升数据可信度与模型训练的可溯性。同时,通过智能合约机制,在数据或模型被调用时自动触发奖励分发,将 AI 行为转化为可计量、可交易的代币化价值,构建可持续的激励体系。此外,社区用户还可通过代币投票评估模型性能、参与规则制定与迭代,完善去中心化治理架构。

OpenLedger深度研报:以OP Stack+EigenDA为底座,构建一个数据驱动、模型可组合的智能体经济

二、项目概述 | OpenLedger 的 AI 链愿景

OpenLedger 是当前市场上为数不多专注于数据与模型激励机制的区块链 AI 项目。它率先提出「Payable AI」的概念,旨在构建一个公平、透明且可组合的 AI 运行环境,激励数据贡献者、模型开发者与 AI 应用构建者在同一平台协作,并根据实际贡献获得链上收益。

OpenLedger 提供了从「数据提供」到「模型部署」再到「调用分润」的全链条闭环,其核心模块包括:

  • Model Factory:无需编程,即可基于开源 LLM 使用 LoRA 微调训练并部署定制模型;
  • OpenLoRA:支持千模型共存,按需动态加载,显著降低部署成本;
  • PoA(Proof of Attribution):通过链上调用记录实现贡献度量与奖励分配;
  • Datanets:面向垂类场景的结构化数据网络,由社区协作建设与验证;
  • 模型提案平台(Model Proposal Platform):可组合、可调用、可支付的链上模型市场。

通过以上模块,OpenLedger 构建了一个数据驱动、模型可组合的「智能体经济基础设施」,推动 AI 价值链的链上化。

OpenLedger深度研报:以OP Stack+EigenDA为底座,构建一个数据驱动、模型可组合的智能体经济

而在区块链技术采用上,OpenLedger 以 OP Stack + EigenDA 为底座,为 AI 模型构建了高性能、低成本、可验证的数据与合约运行环境。

  • 基于 OP Stack 构建: 基于 Optimism 技术栈,支持高吞吐与低费用执行;
  • 在以太坊主网上结算: 确保交易安全性与资产完整性;
  • EVM 兼容: 方便开发者基于 Solidity 快速部署与扩展;
  • EigenDA 提供数据可用性支持:显著降低存储成本,保障数据可验证性。

相比于某公链这类更偏底层、主打数据主权与 「AI Agents on BOS」 架构的通用型 AI 链,OpenLedger 更专注于构建面向数据与模型激励的 AI 专用链,致力于让模型的开发与调用在链上实现可追溯、可组合与可持续的价值闭环。它是 Web3 世界中的模型激励基础设施,结合某模型托管平台式的模型托管、某支付平台式的使用计费与某基础设施服务式的链上可组合接口,推动「模型即资产」的实现路径。

三、OpenLedger 的核心组件与技术架构

3.1 Model Factory,无需代码模型工厂

ModelFactory 是 OpenLedger 生态下的一个大型语言模型(LLM)微调平台。与传统微调框架不同,ModelFactory 提供纯图形化界面操作,无需命令行工具或 API 集成。用户可以基于在 OpenLedger 上完成授权与审核的数据集,对模型进行微调。实现了数据授权、模型训练与部署的一体化工作流,其核心流程包括:

  • 数据访问控制: 用户提交数据请求,提供者审核批准,数据自动接入模型训练界面。
  • 模型选择与配置: 支持主流 LLM(如 LLaMA、Mistral),通过 GUI 配置超参数。
  • 轻量化微调: 内置 LoRA / QLoRA 引擎,实时展示训练进度。
  • 模型评估与部署: 内建评估工具,支持导出部署或生态共享调用。
  • 交互验证接口: 提供聊天式界面,便于直接测试模型问答能力。
  • RAG 生成溯源: 回答带来源引用,增强信任与可审计性。

Model Factory 系统架构包含六大模块,贯穿身份认证、数据权限、模型微调、评估部署与 RAG 溯源,打造安全可控、实时交互、可持续变现的一体化模型服务平台。

OpenLedger深度研报:以OP Stack+EigenDA为底座,构建一个数据驱动、模型可组合的智能体经济

ModelFactory 目前支持的大语言模型能力简表如下:

  • LLaMA 系列:生态最广、社区活跃、通用性能强,是当前最主流的开源基础模型之一。
  • Mistral:架构高效、推理性能极佳,适合部署灵活、资源有限的场景。
  • Qwen:某公司出品,中文任务表现优异,综合能力强,适合国内开发者首选。
  • ChatGLM:中文对话效果突出,适合垂类客服和本地化场景。
  • Deepseek:在代码生成和数学推理上表现优越,适用于智能开发辅助工具。
  • Gemma:某公司推出的轻量模型,结构清晰,易于快速上手与实验。
  • Falcon:曾是性能标杆,适合基础研究或对比测试,但社区活跃度已减。
  • BLOOM:多语言支持较强,但推理性能偏弱,适合语言覆盖型研究。
  • GPT-2:经典早期模型,仅适合教学和验证用途,不建议实际部署使用。

虽然 OpenLedger 的模型组合并未包含最新的高性能 MoE 模型或多模态模型,但其策略并不落伍,而是基于链上部署的现实约束(推理成本、RAG 适配、LoRA 兼容、EVM 环境)所做出的「实用优先」配置。

Model Factory 作为无代码工具链,所有模型都内置了贡献证明机制,确保数据贡献者和模型开发者的权益,具有低门槛、可变现与可组合性的优点,与传统模型开发工具相比较:

  • 对于开发者:提供模型孵化、分发、收入的完整路径;
  • 对于平台:形成模型资产流通与组合生态;
  • 对于应用者:可以像调用 API 一样组合使用模型或 Agent。

OpenLedger深度研报:以OP Stack+EigenDA为底座,构建一个数据驱动、模型可组合的智能体经济

3.2 OpenLoRA,微调模型的链上资产化

LoRA(Low-Rank Adaptation)是一种高效的参数微调方法,通过在预训练大模型中插入「低秩矩阵」来学习新任务,而不修改原模型参数,从而大幅降低训练成本和存储需求。传统大语言模型(如 LLaMA、GPT-3)通常拥有数十亿甚至千亿参数。要将它们用于特定任务(如法律问答、医疗问诊),就需要进行微调(fine-tuning)。LoRA 的核心策略是:「冻结原始大模型的参数,只训练插入的新参数矩阵。」,其参数高效、训练快速、部署灵活,是当前最适合 Web3 模型部署与组合调用的主流微调方法。

OpenLoRA 是 OpenLedger 构建的一套专为多模型部署与资源共享而设计的轻量级推理框架。它核心目标是解决当前 AI 模型部署中常见的高成本、低复用、GPU 资源浪费等问题,推动「可支付 AI」(Payable AI)的落地执行。

OpenLoRA 系统架构核心组件,基于模块化设

此页面可能包含第三方内容,仅供参考(非陈述/保证),不应被视为 Gate 认可其观点表述,也不得被视为财务或专业建议。详见声明
  • 赞赏
  • 6
  • 分享
评论
0/400
冲浪鲸鱼饲养员vip
· 17小时前
抄作业写的真nice
回复0
GateUser-c802f0e8vip
· 17小时前
智能体经济啥时候能落地啊?
回复0
ShadowStakervip
· 17小时前
meh... 又一个试图用花哨的流行词解决人工智能的L2。老实说,先给我看看mev统计数据。
查看原文回复0
PrivateKeyParanoiavip
· 17小时前
智能体经济,真就VC口水呗
回复0
GasWasterrvip
· 17小时前
又到薅羊毛时间惹
回复0
Ser_This_Is_A_Casinovip
· 17小时前
3啊 就等着要起飞了!
回复0
交易,随时随地
qrCode
扫码下载 Gate APP
社群列表
简体中文
  • 简体中文
  • English
  • Tiếng Việt
  • 繁體中文
  • Español
  • Русский
  • Français (Afrique)
  • Português (Portugal)
  • Bahasa Indonesia
  • 日本語
  • بالعربية
  • Українська
  • Português (Brasil)