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

Bir, Giriş | Crypto AI'nin model katmanındaki sıçrama

Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur; bunlar, yakıt (veri), motor (model) ve enerji (hesaplama gücü) ile karşılaştırılabilir ve hiçbiri olmadan olmaz. Geleneksel AI endüstrisinin altyapı evrimi yoluna benzer şekilde, Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başlarında, piyasa bir ara merkeziyetsiz GPU projeleri tarafından yönetildi ve genel olarak "hesaplama gücünü birleştirme" üzerine kurulu yaygın bir büyüme mantığı benimsendi. Ancak 2025 yılına girildiğinde, sektörün odak noktası yavaş yavaş model ve veri katmanına kaydı; bu, Crypto AI'nın taban kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta katman inşasına geçişini simgeliyor.

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 kere eğitmenin maliyeti genellikle milyonlarca dolara ulaşmaktadır. SLM (Özelleşmiş Dil Modeli) ise, yeniden kullanılabilir temel modellerin hafif ince ayar yapma paradigması olarak, genellikle açık kaynaklı modellere dayanmakta, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi tekniklerle bir araya gelerek belirli alan bilgisine sahip uzman modellerinin hızlı bir şekilde inşa edilmesini sağlamaktadır. Bu yaklaşım, eğitim maliyetlerini ve teknik engelleri önemli ölçüde azaltmaktadır.

Dikkate değer olan, SLM'nin LLM ağırlıklarına entegre edilmeyeceği, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirmesi, LoRA modülü sıcak takılması, RAG (Retrieval Augmented Generation) gibi yöntemlerle LLM ile işbirliği içinde çalışacağıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülü aracılığıyla profesyonel performansı artırarak yüksek derecede esnek bir kombinasyon akıllı sistem oluşturur.

Kripto AI'nin model katmanındaki değeri ve sınırları

Kripto AI projeleri esasen büyük dil modellerinin (LLM) temel yeteneklerini doğrudan artırmakta zorluk çekmektedir, bunun temel nedeni şudur:

• Teknik engeller çok yüksek: Foundation Model'i eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik kabiliyeti son derece büyük, şu anda sadece ABD ve Çin gibi teknoloji devleri bu yeteneğe sahip.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modellerin LLaMA, Mixtral gibi açık kaynak olmasına rağmen, modelin gerçekten ilerlemesini sağlayan anahtar hala araştırma kurumları ve kapalı kaynak mühendislik sistemleri etrafında yoğunlaşıyor, zincir üzerindeki projelerin çekirdek model katmanındaki katılım alanı sınırlı.

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

• Güvenilir doğrulama katmanı: Model oluşturma yollarını, veri katkılarını ve kullanım durumlarını zincir üzerinde kaydederek, AI çıktılarının izlenebilirliğini ve değiştirilmesine karşı dayanıklılığını artırır.
• Teşvik Mekanizması: Yerel Token kullanılarak veri yükleme, model çağrısı, ajan (Agent) gerçekleştirme gibi eylemleri teşvik etmek için, model eğitimi ve hizmeti için olumlu bir döngü oluşturulmaktadır.

AI model türleri sınıflandırması ve blok zinciri uygunluk analizi

Buradan anlaşılacağı üzere, model türü Crypto AI projelerinin uygulanabilir noktaları, küçük SLM'lerin hafif ince ayarı, RAG mimarisinin zincir üzerindeki veri entegrasyonu ve doğrulaması ile Edge modellerinin yerel dağıtımı ve teşvikine odaklanmaktadır. Blok zincirinin 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.

Verilere ve modellere dayalı blockchain AI zinciri, her bir veri ve modelin katkı kaynağını açık, değiştirilemez bir şekilde zincirleme kaydeder ve 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 davranışını ölçülebilir ve ticareti yapılabilir token değere dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirmek, kural belirleme ve iterasyona katılmak için oy verebilir, merkeziyetsiz yönetişim yapısını geliştirebilir.

İki, Proje Özeti | OpenLedger'ın AI Zincir Vizyonu

OpenLedger, veriler ve model teşvik mekanizmalarına odaklanan mevcut pazardaki nadir blok zinciri AI projelerinden biridir. "Ödenebilir AI" kavramını ilk olarak ortaya koyarak, veri katkıcıları, model geliştiricileri ve AI uygulama geliştiricilerinin aynı platformda işbirliği yapmalarını ve gerçek katkılara göre zincir üzerindeki kazançları elde etmelerini sağlamayı amaçlayan adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı inşa etmeyi hedefliyor.

OpenLedger, "veri sağlama"dan "model dağıtımına" ve "paylaşım çağırma"ya kadar tam bir zincir döngüsü sunmaktadır. Temel modülleri şunları içerir:

• Model Fabrikası: Programlama gerektirmeden, açık kaynak LLM kullanarak LoRA ile ince ayar eğitimi yapabilir ve özel modelleri dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin bir arada varlığını destekler, ihtiyaç duyulduğunda dinamik olarak yükler, dağıtım maliyetlerini önemli ölçüde azaltır;
• PoA (Atıf Kanıtı): Zincir üstü çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağılımı gerçekleştirilir;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk iş birliği ile inşa edilir ve doğrulanır;
• Model Öneri Platformu (Model Proposal Platform): Birleştirilebilir, çağrılabilir ve ödenebilir zincir üstü model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model kombinasyonuna uygun bir "akıllı ajanın ekonomik altyapısını" inşa etti ve AI değer zincirinin zincir üzerindeki dönüşümünü teşvik etti.

Blockchain teknolojisinin benimsenmesi konusunda, OpenLedger OP Stack + EigenDA'yı temel alarak, AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir veri ve sözleşme çalışma ortamı oluşturmuştur.

• OP Stack üzerine inşa edilmiş: Optimism teknoloji yığınına dayanarak, yüksek verim ve düşük maliyetli yürütmeyi destekler;
• Ethereum ana ağında hesaplama: 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 güvence altına alır.

NEAR gibi daha çok alt katmana odaklanan, veri egemenliği ve "AI Agents on BOS" mimarisini hedefleyen genel amaçlı AI zincirlerine kıyasla, OpenLedger daha çok veri ve model teşvikine yönelik AI özel zincirleri inşa etmeye odaklanmaktadır. Model geliştirme ve çağırmanın zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını sağlamaya çalışmaktadır. Web3 dünyasında model teşvik altyapısıdır; model barındırma, kullanım ücreti ve zincir üzerindeki birleşebilir arayüzleri birleştirerek "model varlık olarak" gerçekleştirme yolunu ilerletmektedir.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknik Mimarisi

3.1 Model Factory, kodsuz model fabrikası

ModelFactory, OpenLedger ekosisteminde yer alan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinin aksine, ModelFactory tamamen grafik arayüzü ile işlem yapar, komut satırı araçları veya API entegrasyonu gerektirmez. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve gözden geçirilmiş veri setlerine dayanarak modellerini ince ayar yapabilirler. Veri yetkilendirmesi, model eğitimi ve dağıtımını birleştiren entegre bir iş akışı gerçekleştirilir, temel süreçleri 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 (örneğin LLaMA, Mistral) destekler, hiperparametreleri GUI üzerinden yapılandırır.
• Hafifletilmiş ince ayar: Yerleşik LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Yerleşik değerlendirme araçları, dağıtımı veya ekosistem paylaşımını destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneklerini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG üretim izleme: Kaynak alıntısı ile cevap verme, güveni ve denetlenebilirliği artırır.

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

ModelFactory'nin şu anda desteklediği büyük dil modellerinin yetenekleri aşağıda özetlenmiştir:

• LLaMA Serisi: En geniş ekosisteme, aktif bir topluluğa ve güçlü genel performansa sahip, şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Verimli bir yapı, mükemmel çıkarım performansı, esnek dağıtım ve sınırlı kaynaklar için uygun senaryolar.
• Qwen: Alibaba ürünü, Çince görev performansı mükemmel, genel yetenekleri güçlü, yerel geliştiriciler için en iyi seçim.
• ChatGLM: Çincede diyalog efektleri belirgin, niş müşteri hizmetleri ve yerelleştirme senaryoları için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans gösterir, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Google tarafından sunulan hafif bir model, net bir yapıya sahip, hızlı bir şekilde öğrenilmesi ve deney yapılması kolay.
• Falcon: Eskiden performans noktasıydı, temel araştırmalar veya karşılaştırma testleri için uygundu, ancak topluluk aktivitesi azaldı.
• BLOOM: Çok dilli desteği 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'ın model kombinasyonu en son yüksek performanslı MoE modelini veya çok modlu modeli içermese de, stratejisi güncel değil, aksine zincir üzerindeki dağıtımın gerçek kısıtlamalarına (çıkarsama maliyeti, RAG uyumluluğu, LoRA uyumluluğu, EVM ortamı) dayanan "pragmatik öncelikli" bir yapılandırmadır.

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

• Geliştiriciler için: Model kuluçkası, dağıtımı ve geliri için tam bir yol sunar;
• Platform için: Model varlık akışı ve kombinasyon ekosistemi oluşturma;
• Uygulayıcılar için: Modelleri veya Ajanları API çağrısı yapar gibi birleştirerek kullanabilirsiniz.

3.2 OpenLoRA, modelin zincir üzerindeki varlıklaşması

LoRA (Düşük-Rank Adaptasyonu), önceden eğitilmiş büyük modellere "düşük rütbeli matrisler" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden etkili bir parametre ince ayar yöntemidir. Geleneksel büyük dil modelleri (örneğin LLaMA, GPT-3) genellikle onlarca milyar hatta yüz milyar parametreye sahiptir. Belirli görevler (örneğin hukuki soru-cevap, tıbbi danışmanlık) için bunları kullanmak üzere ince ayar (fine-tuning) yapılması gerekir. LoRA'nın temel stratejisi: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrisini eğitmek." Parametre verimliliği, hızlı eğitimi ve esnek dağıtımı ile günümüzde Web3 model dağıtımı ve kombineli çağrılar için en uygun ana akım ince ayar yöntemidir.

OpenLoRA, OpenLedger tarafından geliştirilen çoklu model dağıtımı ve kaynak paylaşımı için tasarlanmış hafif bir çıkarım çerçevesidir. Temel hedefi, mevcut AI model dağıtımında sıkça karşılaşılan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "ödenebilir AI" (Payable AI) uygulamasını teşvik etmektir.

OpenLoRA sistem mimarisi çekirdek bileşenleri, modüler tasarıma dayanarak, model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsar ve verimli, düşük maliyetli çoklu model dağıtımı ve çağırma yeteneği sağlar:

• LoRA Adaptörü Depolama Modülü (LoRA Adaptörleri Depolama): İnce ayar yapılmış LoRA adaptörü OpenLedger üzerinde barındırılmakta, talebe göre yüklenmesini sağlamakta, tüm modellerin önceden bellek yüklemesini önleyerek kaynak tasarrufu sağlamaktadır.
• Model Barındırma ve Dinamik Birleştirme Katmanı (Model Hosting & Adapter Merging Layer): Tüm ince ayar modelleri temel büyük model (base model) ile paylaşılır, çıkarım sırasında