تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب استنادا إلى OP Stack + EigenDA

المقدمة | الانتقال في طبقة النموذج لـ Crypto AI

البيانات والنماذج وقوة الحساب هي العناصر الأساسية الثلاثة للبنية التحتية للذكاء الاصطناعي، تشبه الوقود (البيانات) والمحرك (النموذج) والطاقة (قوة الحساب) التي لا غنى عنها. على غرار مسار تطور البنية التحتية في صناعة الذكاء الاصطناعي التقليدية، شهدت مجال Crypto AI أيضًا مراحل مماثلة. في بداية عام 2024، كانت السوق مهيمنة في بعض الأحيان بواسطة مشاريع GPU اللامركزية، التي أكدت بشكل عام على منطق النمو الواسع «تجميع قوة الحساب». ومع دخول عام 2025، بدأت نقطة تركيز الصناعة تتجه تدريجياً نحو طبقة النماذج والبيانات، مما يدل على أن Crypto AI ينتقل من المنافسة على الموارد الأساسية إلى بناء أكثر استدامة وقيمة تطبيقية في الطبقة المتوسطة.

نموذج كبير عام (LLM) مقابل نموذج متخصص (SLM)

تدريب نماذج اللغة الكبيرة التقليدية (LLM) يعتمد بشكل كبير على مجموعات البيانات الضخمة والهياكل الموزعة المعقدة، حيث يصل حجم المعلمات إلى 70B～500B، وغالبًا ما تصل تكلفة التدريب لمرة واحدة إلى عدة ملايين من الدولارات. بينما نموذج اللغة المتخصص (SLM) كنوع من نماذج القاعدة القابلة لإعادة الاستخدام بنموذج ضبط خفيف، يعتمد عادةً على نماذج مفتوحة المصدر مثل LLaMA وMistral وDeepSeek، ويجمع بين كمية قليلة من البيانات المتخصصة عالية الجودة وتقنيات مثل LoRA، لبناء نماذج خبراء تتمتع بمعرفة في مجالات محددة بسرعة، مما يقلل بشكل ملحوظ من تكاليف التدريب والعقبات التقنية.

من المهم أن نلاحظ أن SLM لن يتم دمجه في أوزان LLM، ولكنه يتعاون مع LLM من خلال بنية Agent، نظام المكونات الإضافية للتوجيه الديناميكي، التوصيل الساخن لوحدات LoRA، و RAG (التوليد المعزز بالاسترجاع)، وما إلى ذلك. هذه البنية تحتفظ بقدرة LLM على الانتشار الواسع، بينما تعزز الأداء المتخصص من خلال وحدات التعديل، مما يخلق نظام ذكاء مركب عالي المرونة.

قيمة وحدود الذكاء الاصطناعي في طبقة النموذج

مشاريع الذكاء الاصطناعي للعملات المشفرة في جوهرها صعبة في تعزيز القدرات الأساسية لنموذج اللغة الكبير (LLM) بشكل مباشر، والسبب الرئيسي في ذلك هو

• الحواجز التقنية مرتفعة للغاية: حجم البيانات، وموارد الحوسبة، والقدرات الهندسية المطلوبة لتدريب نموذج Foundation كبيرة جدًا، حاليًا فقط تملك الشركات الكبرى في الولايات المتحدة والصين القدرات المناسبة.
• قيود النظام البيئي مفتوح المصدر: على الرغم من أن النماذج الأساسية السائدة مثل LLaMA و Mixtral أصبحت مفتوحة المصدر، إلا أن المفتاح الحقيقي لدفع تقدم النماذج لا يزال مركّزًا في المؤسسات البحثية ونظم الهندسة المغلقة، حيث أن المساحة المتاحة لمشاريع السلسلة في مستوى النماذج الأساسية محدودة.

ومع ذلك، فوق نماذج الأساس مفتوحة المصدر، يمكن لمشاريع Crypto AI أن تحقق قيمة إضافية من خلال تحسين نماذج اللغة المتخصصة (SLM)، إلى جانب قابلية التحقق وآلية التحفيز في Web3. كـ "طبقة واجهات محيطية" لسلسلة صناعة الذكاء الاصطناعي، تتجلى في اتجاهين أساسيين:

• الطبقة الموثوقة: من خلال تسجيل مسار توليد النموذج، ومساهمات البيانات، وظروف الاستخدام على السلسلة، تعزز القابلية للتتبع ومقاومة التلاعب في مخرجات AI.
• آلية التحفيز: باستخدام الرموز الأصلية، لتحفيز سلوكيات تحميل البيانات، واستدعاء النماذج، وتنفيذ الوكلاء (Agent)، لبناء دورة إيجابية لتدريب النماذج والخدمات.

تصنيف أنواع نماذج الذكاء الاصطناعي وتحليل ملاءمتها للبلوك تشين

من هنا، يمكننا أن نرى أن النقاط القابلة للتطبيق لمشاريع الذكاء الاصطناعي Crypto تتركز بشكل رئيسي على تحسين خفة نموذج SLM الصغير، ودمج بيانات السلسلة والتحقق من بنية RAG، بالإضافة إلى النشر المحلي لنموذج Edge والتحفيز. بالاستفادة من قابلية التحقق من blockchain وآلية الرموز، يمكن أن توفر Crypto قيمة فريدة لهذه السيناريوهات ذات الموارد المتوسطة إلى المنخفضة، مما يخلق قيمة متميزة في "طبقة الواجهة" للذكاء الاصطناعي.

سلسلة بلوكشين AI المستندة إلى البيانات والنماذج، يمكنها تسجيل مصدر مساهمة كل بيانات ونماذج بشكل واضح وغير قابل للتلاعب، مما يعزز بشكل ملحوظ من مصداقية البيانات وقابلية تتبع تدريب النماذج. في الوقت نفسه، من خلال آلية العقود الذكية، يتم تفعيل توزيع المكافآت تلقائيًا عند استدعاء البيانات أو النماذج، مما يحول سلوك AI إلى قيمة قابلة للقياس والتداول. بالإضافة إلى ذلك، يمكن لمستخدمي المجتمع أيضًا التصويت بالرموز لتقييم أداء النموذج، والمشاركة في وضع القواعد والتكرار، وتحسين 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-62B3FAe810F4772AABA3D91C74C1AA6)

٢. نظرة عامة على المشروع | رؤية OpenLedger لشبكة الذكاء الاصطناعي

OpenLedger هو واحد من المشاريع القليلة في سوق blockchain AI التي تركز على بيانات ونماذج آليات التحفيز. وقد قدمت لأول مرة مفهوم "Payable AI"، والذي يهدف إلى بناء بيئة تشغيل AI عادلة وشفافة وقابلة للتجميع، تحفز المساهمين في البيانات ومطوري النماذج وبناة تطبيقات AI على التعاون في نفس المنصة، والحصول على مكافآت على السلسلة بناءً على المساهمات الفعلية.

OpenLedger تقدم سلسلة مغلقة كاملة من "توفير البيانات" إلى "نشر النماذج" ثم "استدعاء توزيع الأرباح"، وتتضمن وحداتها الأساسية:

• مصنع النموذج：بدون الحاجة إلى البرمجة، يمكنك استخدام LLM مفتوح المصدر لتدريب وتعديل نموذج مخصص باستخدام LoRA ونشره؛
• OpenLoRA: يدعم وجود آلاف النماذج معًا، مع تحميل ديناميكي حسب الحاجة، مما يقلل بشكل كبير من تكاليف النشر؛
• PoA (إثبات النسبة): تحقيق قياس المساهمة وتوزيع المكافآت من خلال سجلات استدعاء على السلسلة؛
• Datanets: شبكة بيانات هيكلية موجهة لسيناريوهات محددة، تم بناؤها والتحقق منها بواسطة التعاون المجتمعي؛
• 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" المدفوعة بالبيانات والقابلة للتجميع نموذجياً، مما يعزز تحويل سلسلة قيمة الذكاء الاصطناعي إلى السلسلة.

وفي اعتماد تكنولوجيا البلوكشين، تستخدم OpenLedger OP Stack + EigenDA كأساس، مما يوفر بيئة تشغيل عالية الأداء ومنخفضة التكلفة وقابلة للتحقق للبيانات والعقود لنماذج الذكاء الاصطناعي.

• مبني على OP Stack: يعتمد على تقنية Optimism، ويدعم تنفيذ عالي من حيث السعة ومنخفض من حيث التكاليف؛
• تسوية على الشبكة الرئيسية للإيثريوم: تأكد من أمان المعاملات وسلامة الأصول؛
• متوافق مع EVM: يسهل على المطورين نشر وتوسيع بسرعة بناءً على Solidity؛
• EigenDA يوفر دعم توفر البيانات: يقلل بشكل كبير من تكاليف التخزين ويضمن إمكانية التحقق من البيانات.

بالمقارنة مع NEAR التي تميل أكثر إلى أن تكون طبقة أساسية وتركز على سيادة البيانات و "AI Agents on BOS" كهيكل سلسلة AI العامة، تركز OpenLedger أكثر على بناء سلسلة AI مخصصة تتجه نحو تحفيز البيانات والنماذج، وتهدف إلى تحقيق قيمة قابلة للتتبع، وقابلة للتجميع، ومستدامة لتطوير النماذج واستدعائها على السلسلة. إنها بنية تحتية لتحفيز النماذج في عالم Web3، تجمع بين استضافة النماذج على غرار HuggingFace، والفوترة للاستخدام على غرار Stripe، وواجهة قابلة للتجميع على السلسلة على غرار Infura، مما يدفع نحو تحقيق "النموذج كأصل".

! [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)

ثلاثة، المكونات الأساسية و هيكل التكنولوجيا لـ OpenLedger

3.1 نموذج المصنع ،无需代码模型工厂

ModelFactory هو منصة لتعديل نموذج اللغة الكبير (LLM) تحت نظام OpenLedger البيئي. على عكس أطر التعديل التقليدية، يوفر ModelFactory واجهة رسومية نقية، دون الحاجة إلى أدوات سطر الأوامر أو تكامل API. يمكن للمستخدمين تعديل النموذج بناءً على مجموعات البيانات التي تم اعتمادها ومراجعتها على OpenLedger. وقد تم تحقيق سير العمل المتكامل لتفويض البيانات، وتدريب النموذج، ونشره، حيث تشمل العمليات الأساسية ما يلي:

• التحكم في وصول البيانات: يقوم المستخدم بتقديم طلبات البيانات، يقيمها المزود ويوافق عليها، ويتم الاتصال بالبيانات تلقائيًا بواجهة تدريب النموذج.
• اختيار النموذج وتكوينه: يدعم LLM الشائع (مثل LLaMA، Mistral)، من خلال واجهة المستخدم الرسومية لتكوين المعلمات الفائقة.
• التعديل الخفيف: محرك LoRA / QLoRA المدمج، يعرض تقدم التدريب في الوقت الحقيقي.
• تقييم النموذج ونشره: أدوات تقييم مدمجة، تدعم تصدير النشر أو استدعاء المشاركة البيئية.
• واجهة التحقق التفاعلية: توفر واجهة دردشة، مما يسهل اختبار قدرة نموذج الأسئلة والأجوبة مباشرة.
• RAG توليد تتبع: الإجابة مع اقتباسات المصدر، لتعزيز الثقة والقابلية للتدقيق.

نظام نموذج المصنع يتضمن ستة وحدات، تشمل مصادقة الهوية، حقوق البيانات، ضبط النموذج، تقييم النشر و RAG تتبع المصدر، مما يخلق منصة خدمات نموذج متكاملة آمنة وقابلة للتحكم، تفاعلية في الوقت الحقيقي، وقابلة للت Monetization 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-F23F47F09226573B1FCACEBDCFB8c1f3)

جدول ملخص قدرات نماذج اللغة الكبيرة المدعومة من ModelFactory حالياً هو كما يلي:

• سلسلة LLaMA: الأكثر انتشاراً في النظام البيئي، المجتمع نشط، الأداء العام قوي، وهو واحد من النماذج الأساسية مفتوحة المصدر الأكثر شيوعاً في الوقت الحالي.
• Mistral: هيكل فعال، أداء استنتاج ممتاز، مناسب لنشر مرن، وموارد محدودة.
• Qwen: منتج من علي بابا، أداء ممتاز في المهام باللغة الصينية، قدرة شاملة قوية، مناسب كخيار أول للمطورين المحليين.
• ChatGLM: تأثير المحادثة باللغة الصينية بارز، مناسب لخدمة العملاء المتخصصة والمشاهد المحلية.
• Deepseek: يتميز بأداء متفوق في توليد الشيفرة والتفكير الرياضي، مناسب لأدوات المساعدة في التطوير الذكي.
• Gemma: نموذج خفيف قدمته Google، هيكل واضح، سهل الاستخدام والتجريب بسرعة.
• فالكون: كان معيار الأداء سابقاً، مناسب للبحث الأساسي أو اختبارات المقارنة، لكن نشاط المجتمع قد انخفض.
• BLOOM: دعم متعدد اللغات قوي، لكن أداء الاستدلال ضعيف، مناسب للأبحاث التي تغطي اللغات.
• GPT-2: نموذج قديم كلاسيكي، مناسب فقط للأغراض التعليمية 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 متخلفة، بل هي تكوين "أولوية عملية" مبني على القيود الواقعية للنشر على السلسلة (تكاليف الاستدلال، توافق RAG، توافق LoRA، بيئة EVM).

يعتبر Model Factory كأداة بدون كود، حيث تم تضمين آلية إثبات المساهمة في جميع النماذج، لضمان حقوق مقدمي البيانات ومطوري النماذج، مما يوفر مزايا مثل انخفاض العوائق، وقابلية التسييل، والقدرة على التجميع، مقارنة بأدوات تطوير النماذج التقليدية:

• للمطورين: توفير مسار كامل للنماذج للتفريخ والتوزيع والدخل؛
• بالنسبة للمنصة: تشكيل تدفق الأصول النموذجية وبيئة التركيب؛
• للمستخدمين: يمكن دمج النماذج أو الوكلاء كما هو الحال عند استدعاء API.

! [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)

3.2 OpenLoRA ، الأصول على السلسلة لنموذج التخصيص

LoRA (التكيف منخفض الرتبة) هي طريقة فعالة لضبط المعلمات، من خلال إدخال "مصفوفة منخفضة الرتبة" في نموذج كبير مدرب مسبقًا لتعلم مهام جديدة، دون تعديل معلمات النموذج الأصلي، مما يقلل بشكل كبير من تكاليف التدريب ومتطلبات 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 الأسئلة القانونية، الاستشارات الطبية)، يتطلب الأمر إجراء ضبط (fine-tuning). الاستراتيجية الأساسية لـ LoRA هي: "تجميد معلمات النموذج الكبير الأصلي، وتدريب فقط مصفوفات المعلمات الجديدة المدخلة." تتميز بكفاءة المعلمات، وسرعة التدريب، ومرونة النشر، وهي الطريقة الرئيسية الأكثر ملاءمة لنشر نماذج Web3 واستدعاءها بشكل متكامل.

OpenLoRA هو إطار استدلال خفيف الوزن تم بناؤه بواسطة OpenLedger ومصمم لنشر نماذج متعددة ومشاركة الموارد. الهدف الأساسي له هو حل المشكلات الشائعة في نشر نماذج الذكاء الاصطناعي الحالية مثل التكلفة العالية، وانخفاض إعادة الاستخدام، وهدر موارد GPU، ودفع تنفيذ "الذكاء الاصطناعي القابل للدفع".

المكونات الأساسية لهيكل نظام OpenLoRA، المستند إلى تصميم معياري، تغطي تخزين النماذج، وتنفيذ الاستنتاج، وتوجيه الطلبات وغيرها من المراحل الرئيسية، لتحقيق القدرة على نشر واستدعاء النماذج المتعددة بكفاءة وبتكلفة منخفضة:

• وحدة تخزين محولات LoRA (LoRA Adapters Storage): يتم استضافة محول LoRA الذي تم تعديله على OpenLedger، مما يتيح التحميل عند الطلب، ويتجنب تحميل جميع النماذج مسبقًا في الذاكرة، مما يوفر الموارد.
• استضافة النموذج والتمويل الديناميكي