OpenLedger Derinlik Raporu: OP Stack + EigenDA'yı temel alarak, veri odaklı ve model birleştirilebilir bir akıllı ekonomi inşa etmek

Birinci Bölüm | Crypto AI'nin Model Katmanı Atılımı

Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur; bunlar yakıt (veri), motor (model) ve enerji (hesaplama gücü) gibi birbirini tamamlar. Geleneksel AI endüstrisinin altyapı evrimi ile benzer bir yolculuğa sahip olan Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başlarında, piyasa merkeziyetsiz GPU projeleri tarafından domine edildi ve genellikle "hesaplama gücünü birleştirme" üzerine odaklanarak genişleyen bir büyüme mantığını vurguladı. Ancak 2025 yılına girerken, sektörün odak noktası yavaş yavaş model ve veri katmanına kaydı; bu, Crypto AI'nın alt düzey kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta düzey yapılandırmaya geçişini işaret ediyor.

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

Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır; parametre ölçekleri genellikle 70B ile 500B arasında değişmektedir ve bir kez eğitim maliyeti genellikle milyonlarca dolara kadar çıkmaktadır. SLM (Özelleştirilmiş Dil Modeli) ise, yeniden kullanılabilir bir temel modelin hafif ince ayar paradigmalarından biri olarak, genellikle LLaMA, Mistral, DeepSeek gibi açık kaynaklı modelleri temel alarak, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi tekniklerle bir araya getirerek, belirli alan bilgisine sahip uzman modelleri hızlı bir şekilde inşa etmekte ve eğitim maliyetlerini ile teknik engelleri önemli ölçüde azaltmaktadır.

Dikkate değer olan, SLM'nin LLM ağırlıklarına entegre edilmeyeceği, bunun yerine Agent mimarisi aracılığıyla çağrılacağı, eklenti sistemi dinamik yönlendirme, LoRA modülü sıcak tak-çık, RAG (Retrieve-Enhance-Generate) gibi yöntemlerle LLM ile işbirliği içinde çalışacağıdır. Bu mimari, LLM'nin geniş kapsama alanını korurken, ince ayar modülleri ile uzman performansını artırarak yüksek derecede esnek bir birleşik zeka sistemi oluşturmuştur.

Kripto AI'nin model katmanındaki değeri ve sınırları

Kripto AI projeleri, esasen büyük dil modellerinin (LLM) çekirdek yeteneklerini doğrudan artırmakta zorluk çekmektedir. Bunun temel nedeni şudur ki

• Teknik engeller çok yüksek: Foundation Model eğitimi için gereken veri ölçeği, hesaplama kaynakları ve mühendislik yetenekleri son derece büyük, şu anda yalnızca Amerika ve Çin gibi teknoloji devleri bu yeteneklere sahip.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modeller LLaMA, Mixtral gibi açık kaynak olsa da, model atılımlarını gerçekten tetikleyen anahtar hala araştırma kurumları ve kapalı kaynak mühendislik sistemleri üzerinde yoğunlaşmaktadır, zincir üzerindeki projelerin temel model katmanındaki katılım alanı sınırlıdır.

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

• Güvenilir Doğrulama Katmanı: Model oluşturma yollarını, veri katkılarını ve kullanım durumlarını zincir üzerindeki kayıtlarla takip ederek, AI çıktısının izlenebilirliğini ve değiştirilme direncini artırır.
• Teşvik Mekanizması: Yerel Token aracılığıyla, veri yükleme, model çağrısı, akıllı ajan (Agent) yürütme gibi eylemleri teşvik etmek için, model eğitimi ve hizmetleri için olumlu bir döngü oluşturmak.

AI model türleri sınıflandırması ve blockchain uygunluk analizi

Bundan görülebilir ki, model türü Crypto AI projelerinin uygulanabilir noktaları esasen küçük SLM'nin hafif ince ayarı, RAG mimarisinin zincir üstü veri erişimi ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerine yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile birleştirildiğinde, Crypto bu orta-düşük kaynaklı model senaryolarına özgü bir değer sunarak AI "arayüz katmanı"nın farklılaştırılmış değerini oluşturabilir.

Veri ve model tabanlı blockchain AI zinciri, her bir veri ve modelin katkı kaynaklarını net, değiştirilemez bir şekilde zincire kaydedebilir, veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması aracılığıyla, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışlarını ölçülebilir, ticarete konu olabilen token değerine dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirebilir, kuralların oluşturulması ve iterasyonuna katılabilir ve merkeziyetsiz yönetişim yapısını iyileştirebilir.

İki, Proje Özeti | OpenLedger'ın AI Zincir Vizyonu

OpenLedger, veri ve model teşvik mekanizmalarına odaklanan mevcut pazardaki 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 birleşebilir bir AI çalışma ortamı oluşturmayı hedeflemektedir ve gerçek katkılara göre zincir üzerindeki kazançları elde etmelerini sağlamaktadır.

OpenLedger, "veri sağlama"dan "model dağıtımına" ve ardından "kâr paylaşımına" kadar olan tam zincir kapalı döngüyü sunmaktadır; temel modülleri şunlardır:

• Model Fabrikası: Programlamaya gerek kalmadan, açık kaynak LLM temelinde LoRA ince ayar eğitimi yaparak özel modelleri kullanıma sunabilirsiniz;
• OpenLoRA: Binlerce modelin bir arada bulunmasını destekler, ihtiyaç duyuldukça dinamik olarak yükler, dağıtım maliyetlerini önemli ölçüde azaltır;
• PoA (Atıf Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağıtımı gerçekleştirir;
• Datanets: Dikey senaryolar için yapılandırılmış veri ağı, topluluk işbirliği ile inşa edilip doğrulanır;
• Model Teklif Platformu (Model Proposal Platform): Bir araya getirilebilir, çağrılabilir ve ödenebilir zincir üzerindeki model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model olarak birleştirilebilir bir "akıllı ekonomi altyapısı" inşa etti ve AI değer zincirinin zincir üzerinde gerçekleştirilmesini teşvik etti.

Ve blok zinciri teknolojisi benimsemesinde, OpenLedger, OP Stack + EigenDA'yı temel alarak, AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir veri ve sözleşme çalışma ortamı oluşturmuştur.

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

NEAR gibi daha çok temel katmana odaklanan, veri egemenliği ve "AI Agents on BOS" mimarisiyle genel amaçlı AI blok zincirlerine kıyasla, OpenLedger daha çok veri ve model teşvikine yönelik AI özel zincirleri inşa etmeye odaklanmaktadır. Modellerin geliştirilmesi ve çağrılması için zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü sağlama amacındadır. Web3 dünyasında model teşvik altyapısıdır; HuggingFace tarzı model barındırma, Stripe tarzı kullanım ücretlendirmesi ve Infura tarzı zincir üstü birleştirilebilir arayüzü birleştirerek "model varlık olarak" gerçekleştirilme yolunu ilerletmektedir.

Üç, OpenLedger'in Temel Bileşenleri ve Teknoloji Mimarisi

3.1 Model Fabrikası, kodsuz model fabrikası

ModelFactory, OpenLedger ekosistemindeki büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinin aksine, ModelFactory tamamen grafik arayüzü ile çalışır, komut satırı araçlarına veya API entegrasyonuna ihtiyaç duyulmaz. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve onaylanmış veri setlerine dayanarak modellerini ince ayar yapabilirler. Veri yetkilendirmesi, model eğitimi ve dağıtımını birleştiren entegre bir iş akışı sağlamıştır, temel süreçleri şunları içerir:

• Veri erişim kontrolü: Kullanıcı veri talebinde bulunur, sağlayıcı onaylar, veriler otomatik olarak model eğitim arayüzüne entegre edilir.
• Model Seçimi ve Yapılandırması: Ana akım LLM'leri (örneğin LLaMA, Mistral) destekler, GUI aracılığıyla hiperparametreleri yapılandırır.
• Hafifletilmiş ince ayar: Yerleşik LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Yerleşik değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrısı için dışa aktarmayı destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneklerini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG oluşturma izlenebilirliği: Kaynak alıntıları ile yanıt vererek güveni ve denetlenebilirliği artırın.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkilendirme, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği dahil altı ana modülü kapsamaktadır ve güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir gelir elde etme özelliklerine sahip entegre bir model hizmet platformu oluşturur.

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

• LLaMA Serisi: En geniş ekosisteme, aktif bir topluluğa ve güçlü genel performansa sahip olup, şu anda en yaygın açık kaynaklı temel modellerden biridir.
• Mistral: Verimli bir mimari, mükemmel çıkarım performansı ile esnek dağıtım ve sınırlı kaynaklar için uygundur.
• Qwen: Alibaba ürünü, Çince görev performansı mükemmel, genel yetenekleri güçlü, yerli geliştiriciler için birinci tercih.
• ChatGLM: Çince diyalog performansı öne çıkıyor, dikey müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod oluşturma 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 denemek için kolay.
• Falcon: Performans ölçütüydü, temel araştırmalar veya karşılaştırma testleri için uygundu, ancak topluluk etkinliği azalmış durumda.
• BLOOM: Çok dilli destek oldukça güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken model, yalnızca öğretim ve doğrulama amaçları için uygundur, pratik kullanıma önerilmez.

OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi modası geçmiş değil; aksine, zincir üzerindeki dağıtımın gerçek kısıtlamaları (çıkarsama maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temelinde "pratik öncelikli" bir yapılandırma yapılmıştır.

Model Factory, bir kodsuz araç zinciri olarak, tüm modeller katkı kanıtı mekanizması ile entegre edilmiştir ve veri katkı sağlayıcıları ile model geliştiricilerinin haklarını güvence altına alır. Düşük giriş engeli, dönüştürülebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir ve geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtımı ve gelir için tam bir yol sağlama;
• Platform için: Model varlıkların dolaşımını ve kombinasyon ekosistemini oluşturmak;
• Uygulayıcılar için: Modelleri veya Ajanları, API çağrısı yapar gibi birleştirerek kullanabilirsiniz.

3.2 OpenLoRA, modelin zincir üzerindeki varlıklaştırılması

LoRA (Düşük Sıralı Adaptasyon), önceden eğitilmiş büyük modellere "düşük rütbeli matrisler" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden parametre ince ayarı yapmak için etkili bir yöntemdir. Bu sayede eğitim maliyetleri ve depolama ihtiyaçları önemli ölçüde azaltılır. Geleneksel büyük dil modelleri (örneğin LLaMA, GPT-3) genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Bunları belirli görevler için (örneğin hukuk soru-cevap, tıbbi danışmanlık) kullanmak için ince ayar (fine-tuning) yapılması gerekmektedir. LoRA'nın temel stratejisi şudur: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrislerini eğitmek." Parametre verimliliği, hızlı eğitim ve esnek dağıtım ile günümüzün Web3 model dağıtımı ve kombinasyon çağrıları için en uygun ana akım ince ayar yöntemidir.

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

OpenLoRA sistem mimarisi çekirdek bileşeni, modüler tasarıma dayalıdır ve model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsayarak yüksek verimlilikte, düşük maliyetli çoklu model dağıtımı ve çağrı yeteneği sağlar:

• LoRA Adaptörü Depolama Modülü (LoRA Adaptörleri Depolama): İnce ayar yapılmış LoRA adaptörü OpenLedger üzerinde barındırılmaktadır, böylece ihtiyaç duyulduğunda yüklenir, tüm modellerin önceden belleğe yüklenmesini önler ve kaynak tasarrufu sağlar.
• Model barındırma ve dinamik融