Nghiên cứu sâu về OpenLedger: Xây dựng nền kinh tế thông minh dựa trên dữ liệu và có thể kết hợp mô hình
Một, Giới thiệu | Sự chuyển giao mô hình của Crypto AI
Dữ liệu, mô hình và sức mạnh tính toán là ba yếu tố cốt lõi của cơ sở hạ tầng AI, không thể thiếu bất kỳ yếu tố nào. Tương tự như lộ trình tiến hóa cơ sở hạ tầng của ngành AI truyền thống, lĩnh vực Crypto AI cũng trải qua các giai đoạn tương tự. Đầu năm 2024, thị trường một thời bị các dự án GPU phi tập trung chi phối, thường nhấn mạnh vào logic tăng trưởng thô sơ "đấu sức mạnh tính toán". Tuy nhiên, vào năm 2025, điểm chú ý của ngành dần dần chuyển lên các lớp mô hình và dữ liệu, đánh dấu sự chuyển mình của Crypto AI từ cạnh tranh tài nguyên cơ sở hạ tầng sang xây dựng các giá trị có thể duy trì và ứng dụng hơn.
Mô hình lớn tổng quát (LLM) vs Mô hình chuyên biệt (SLM)
Các mô hình ngôn ngữ lớn truyền thống (LLM) thường dựa vào các tập dữ liệu quy mô lớn và kiến trúc phân tán phức tạp, với quy mô tham số thường từ 70B đến 500B, chi phí cho một lần đào tạo thường lên đến hàng triệu đô la. Trong khi đó, SLM (Mô hình ngôn ngữ chuyên biệt) như một mô hình cơ bản có thể tái sử dụng theo phương pháp tinh chỉnh nhẹ, thường dựa trên các mô hình mã nguồn mở, kết hợp với một lượng nhỏ dữ liệu chuyên môn chất lượng cao và các công nghệ như LoRA, nhanh chóng xây dựng các mô hình chuyên gia có kiến thức trong lĩnh vực cụ thể, giảm đáng kể chi phí đào tạo và rào cản kỹ thuật.
Cần lưu ý rằng SLM sẽ không được tích hợp vào trọng số LLM, mà sẽ hoạt động phối hợp với LLM thông qua kiến trúc Agent, hệ thống plugin định tuyến động, khả năng cắm và chạy của mô-đun LoRA, RAG (tạo ra tăng cường tìm kiếm) và các phương thức khác. Kiến trúc này vừa giữ lại khả năng bao phủ rộng của LLM, vừa tăng cường hiệu suất chuyên môn thông qua các mô-đun tinh chỉnh, tạo thành một hệ thống thông minh kết hợp linh hoạt cao.
Giá trị và ranh giới của Crypto AI ở tầng mô hình
Các dự án Crypto AI về cơ bản khó có thể nâng cao trực tiếp khả năng cốt lõi của mô hình ngôn ngữ lớn (LLM), nguyên nhân cốt lõi là
Rào cản kỹ thuật quá cao: Quy mô dữ liệu, tài nguyên tính toán và khả năng kỹ thuật cần thiết để huấn luyện Mô hình Nền tảng là rất lớn, hiện chỉ có các gã khổng lồ công nghệ như Mỹ và Trung Quốc mới có khả năng tương ứng.
Hạn chế của hệ sinh thái mã nguồn mở: Mặc dù các mô hình cơ bản chính đã được mã nguồn mở, nhưng việc thúc đẩy sự đột phá của mô hình vẫn tập trung vào các tổ chức nghiên cứu và hệ thống kỹ thuật đóng, không gian tham gia của các dự án trên chuỗi ở cấp độ mô hình cốt lõi là hạn chế.
Tuy nhiên, trên nền tảng mô hình cơ sở mã nguồn mở, dự án Crypto AI vẫn có thể mở rộng giá trị thông qua việc tinh chỉnh các mô hình ngôn ngữ đặc biệt (SLM) và kết hợp tính khả thi và cơ chế khuyến khích của Web3. Là "tầng giao diện phụ trợ" của chuỗi công nghiệp AI, điều này thể hiện qua hai hướng chính:
Tầng xác thực đáng tin cậy: Thông qua việc ghi lại trên chuỗi các đường dẫn tạo ra mô hình, đóng góp dữ liệu và tình trạng sử dụng, tăng cường khả năng truy xuất nguồn gốc và khả năng chống giả mạo của đầu ra AI.
Cơ chế khuyến khích: Nhờ vào Token gốc, được sử dụng để khuyến khích việc tải dữ liệu lên, gọi mô hình, thực hiện các hành động của tác nhân (Agent), xây dựng vòng lặp tích cực cho việc đào tạo và cung cấp mô hình.
Phân loại loại mô hình AI và phân tích tính phù hợp với blockchain
Như vậy, có thể thấy rằng điểm khả thi của các dự án Crypto AI kiểu mô hình chủ yếu tập trung vào việc tinh chỉnh nhẹ nhàng mô hình SLM nhỏ, việc tiếp nhận và xác minh dữ liệu chuỗi của kiến trúc RAG, cũng như việc triển khai và khuyến khích mô hình Edge tại địa phương. Kết hợp tính xác minh của blockchain và cơ chế token, Crypto có thể cung cấp giá trị độc đáo cho các tình huống mô hình tài nguyên trung bình và thấp, tạo ra giá trị khác biệt cho "tầng giao diện" AI.
Chuỗi AI dựa trên dữ liệu và mô hình blockchain có thể ghi lại rõ ràng và không thể thay đổi nguồn gốc đóng góp của từng dữ liệu và mô hình lên chuỗi, nâng cao đáng kể độ tin cậy của dữ liệu và khả năng truy xuất của việc đào tạo mô hình. Đồng thời, thông qua cơ chế hợp đồng thông minh, khi dữ liệu hoặc mô hình được gọi, sẽ tự động kích hoạt việc phân phối phần thưởng, biến hành vi AI thành giá trị token hóa có thể đo lường và giao dịch, xây dựng hệ thống khuyến khích bền vững. Ngoài ra, người dùng trong cộng đồng cũng có thể đánh giá hiệu suất mô hình thông qua việc bỏ phiếu bằng token, tham gia xây dựng quy tắc và lặp lại, hoàn thiện kiến trúc quản trị phi tập trung.
Hai, Tóm tắt dự án | Tầm nhìn AI chuỗi của OpenLedger
OpenLedger là một trong số ít dự án AI blockchain hiện tập trung vào cơ chế khuyến khích dữ liệu và mô hình trên thị trường hiện nay. Nó tiên phong trong việc đề xuất khái niệm "Payable AI", nhằm xây dựng một môi trường vận hành AI công bằng, minh bạch và có thể kết hợp, khuyến khích các nhà đóng góp dữ liệu, nhà phát triển mô hình và nhà xây dựng ứng dụng AI hợp tác trên cùng một nền tảng và nhận được lợi nhuận trên chuỗi dựa trên những đóng góp thực tế.
OpenLedger cung cấp chuỗi khép kín từ "cung cấp dữ liệu" đến "triển khai mô hình" và "gọi chia sẻ lợi nhuận", các mô-đun cốt lõi của nó bao gồm:
Model Factory：Không cần lập trình, có thể sử dụng LoRA để tinh chỉnh đào tạo và triển khai mô hình tùy chỉnh dựa trên LLM mã nguồn mở;
OpenLoRA: Hỗ trợ hàng ngàn mô hình cùng tồn tại, tải động theo nhu cầu, giảm đáng kể chi phí triển khai;
PoA (Bằng chứng về sự gán ghép): Đo lường đóng góp và phân phối phần thưởng thông qua việc gọi trên chuỗi.
Datanets: Mạng dữ liệu có cấu trúc hướng đến các tình huống theo chiều dọc, được xây dựng và xác thực bởi sự hợp tác của cộng đồng;
Nền tảng đề xuất mô hình (Model Proposal Platform): Thị trường mô hình trên chuỗi có thể kết hợp, có thể gọi và có thể thanh toán.
Thông qua các mô-đun trên, OpenLedger đã xây dựng một "hạ tầng kinh tế tác nhân thông minh" dựa trên dữ liệu và có thể kết hợp mô hình, thúc đẩy việc chuyển đổi chuỗi giá trị AI lên blockchain.
Và trong việc áp dụng công nghệ blockchain, OpenLedger sử dụng OP Stack + EigenDA làm nền tảng, xây dựng môi trường chạy dữ liệu và hợp đồng hiệu suất cao, chi phí thấp và có thể xác minh cho các mô hình AI.
Xây dựng dựa trên OP Stack: Dựa trên công nghệ Optimism, hỗ trợ thông lượng cao và chi phí thực hiện thấp;
Thanh toán trên mạng chính Ethereum: Đảm bảo tính an toàn của giao dịch và tính toàn vẹn của tài sản;
Tương thích EVM: Giúp các nhà phát triển nhanh chóng triển khai và mở rộng dựa trên Solidity;
EigenDA cung cấp hỗ trợ khả năng sử dụng dữ liệu: giảm đáng kể chi phí lưu trữ, đảm bảo tính xác minh của dữ liệu.
So với các chuỗi AI tổng quát như NEAR, tập trung vào quyền dữ liệu và kiến trúc "AI Agents on BOS" ở cấp độ nền tảng, OpenLedger chú trọng hơn vào việc xây dựng chuỗi AI chuyên dụng hướng đến khuyến khích dữ liệu và mô hình, nhằm đạt được một vòng giá trị có thể truy xuất, có thể kết hợp và bền vững cho việc phát triển và gọi mô hình trên chuỗi. Nó là cơ sở hạ tầng khuyến khích mô hình trong thế giới Web3, kết hợp lưu trữ mô hình, tính phí sử dụng và giao diện có thể kết hợp trên chuỗi, thúc đẩy con đường thực hiện "mô hình như tài sản".
Ba, Các thành phần cốt lõi và kiến trúc công nghệ của OpenLedger
Nhà máy mô hình 3.1, nhà máy mô hình không cần mã
ModelFactory là một nền tảng tinh chỉnh mô hình ngôn ngữ lớn (LLM) trong hệ sinh thái OpenLedger. Khác với các khung tinh chỉnh truyền thống, ModelFactory cung cấp giao diện đồ họa hoàn toàn, không cần công cụ dòng lệnh hoặc tích hợp API. Người dùng có thể tinh chỉnh mô hình dựa trên các bộ dữ liệu đã hoàn thành việc ủy quyền và kiểm tra trên OpenLedger. Đã hiện thực hóa quy trình làm việc tích hợp của ủy quyền dữ liệu, đào tạo mô hình và triển khai, quy trình cốt lõi bao gồm:
Kiểm soát truy cập dữ liệu: Người dùng gửi yêu cầu dữ liệu, nhà cung cấp xem xét và phê duyệt, dữ liệu tự động kết nối vào giao diện huấn luyện mô hình.
Lựa chọn và cấu hình mô hình: Hỗ trợ LLM phổ biến, cấu hình siêu tham số qua GUI.
Tinh chỉnh nhẹ: Động cơ LoRA / QLoRA tích hợp, hiển thị tiến trình đào tạo theo thời gian thực.
Đánh giá và triển khai mô hình: Công cụ đánh giá tích hợp, hỗ trợ xuất bản triển khai hoặc chia sẻ gọi sinh thái.
Giao diện xác thực tương tác: Cung cấp giao diện dạng trò chuyện, thuận tiện cho việc kiểm tra trực tiếp khả năng hỏi đáp của mô hình.
RAG tạo nguồn gốc: Trả lời có nguồn trích dẫn, tăng cường sự tin cậy và khả năng kiểm toán.
Kiến trúc hệ thống Model Factory bao gồm sáu mô-đun, bao quát xác thực danh tính, quyền dữ liệu, tinh chỉnh mô hình, đánh giá triển khai và truy xuất nguồn gốc RAG, tạo ra một nền tảng dịch vụ mô hình tích hợp an toàn, kiểm soát, tương tác thời gian thực và có khả năng kiếm tiền bền vững.
Bảng tóm tắt khả năng của các mô hình ngôn ngữ lớn mà ModelFactory hiện hỗ trợ như sau:
Series LLaMA: Hệ sinh thái rộng nhất, cộng đồng hoạt động, hiệu suất tổng quát mạnh mẽ, là một trong những mô hình cơ sở mã nguồn mở phổ biến nhất hiện nay.
Mistral: Kiến trúc hiệu quả, hiệu suất suy diễn rất tốt, phù hợp với các tình huống triển khai linh hoạt, tài nguyên hạn chế.
Qwen：Nhiệm vụ tiếng Trung thể hiện xuất sắc, khả năng tổng hợp mạnh, phù hợp với sự lựa chọn hàng đầu của các nhà phát triển trong nước.
ChatGLM: Hiệu quả đối thoại tiếng Trung nổi bật, phù hợp với dịch vụ khách hàng theo ngách và các tình huống địa phương.
Deepseek: Có hiệu suất vượt trội trong việc tạo mã và suy luận toán học, phù hợp cho các công cụ hỗ trợ phát triển thông minh.
Gemma：Mô hình nhẹ do Google phát triển, cấu trúc rõ ràng, dễ dàng để nhanh chóng làm quen và thử nghiệm.
Falcon：Từng là tiêu chuẩn hiệu suất, phù hợp cho nghiên cứu cơ bản hoặc thử nghiệm so sánh, nhưng độ hoạt động của cộng đồng đã giảm.
BLOOM: Hỗ trợ đa ngôn ngữ mạnh, nhưng hiệu suất suy diễn yếu, thích hợp cho nghiên cứu bao phủ ngôn ngữ.
GPT-2: Mô hình cổ điển sớm, chỉ phù hợp cho mục đích giảng dạy và xác minh, không khuyến nghị sử dụng triển khai thực tế.
Mặc dù mô hình kết hợp của OpenLedger không bao gồm các mô hình MoE hiệu suất cao nhất mới nhất hoặc các mô hình đa phương thức, nhưng chiến lược của nó không lỗi thời, mà là một cấu hình "ưu tiên thực dụng" dựa trên các ràng buộc thực tế của việc triển khai trên chuỗi (chi phí suy diễn, thích ứng RAG, tương thích LoRA, môi trường EVM).
Model Factory là một chuỗi công cụ không mã, tất cả các mô hình đều được tích hợp cơ chế chứng minh đóng góp, đảm bảo quyền lợi của người đóng góp dữ liệu và nhà phát triển mô hình, có ưu điểm là ngưỡng thấp, có thể hiện thực hóa và có thể kết hợp, so với các công cụ phát triển mô hình truyền thống:
Đối với các nhà phát triển: Cung cấp lộ trình hoàn chỉnh cho việc ươm tạo, phân phối và thu nhập mô hình;
Đối với nền tảng: hình thành mô hình tài sản lưu thông và sinh thái kết hợp;
Đối với người sử dụng: có thể kết hợp sử dụng mô hình hoặc Agent như gọi API.
3.2 OpenLoRA, tài sản hóa chuỗi của mô hình tinh chỉnh
LoRA (Low-Rank Adaptation) là một phương pháp tinh chỉnh tham số hiệu quả, thông qua việc chèn "ma trận có hạng thấp" vào trong mô hình lớn đã được huấn luyện trước để học các nhiệm vụ mới mà không cần sửa đổi tham số của mô hình gốc, từ đó giảm đáng kể chi phí huấn luyện và nhu cầu lưu trữ. Các mô hình ngôn ngữ lớn truyền thống thường có hàng tỷ thậm chí hàng trăm tỷ tham số. Để sử dụng chúng cho các nhiệm vụ cụ thể, cần phải thực hiện tinh chỉnh. Chiến lược cốt lõi của LoRA là: "đóng băng các tham số của mô hình lớn gốc, chỉ huấn luyện các ma trận tham số mới được chèn vào." Với hiệu quả tham số cao, huấn luyện nhanh và triển khai linh hoạt, đây là phương pháp tinh chỉnh chính phù hợp nhất cho việc triển khai và gọi kết hợp mô hình Web3 hiện nay.
OpenLoRA là một khung suy diễn nhẹ được xây dựng bởi OpenLedger, được thiết kế đặc biệt cho việc triển khai nhiều mô hình và chia sẻ tài nguyên. Mục tiêu cốt lõi của nó là giải quyết các vấn đề thường gặp trong việc triển khai mô hình AI hiện tại như chi phí cao, khả năng tái sử dụng thấp, lãng phí tài nguyên GPU, và thúc đẩy việc thực hiện "AI có thể thanh toán" (Payable AI).
OpenLoRA hệ thống kiến trúc các thành phần cốt lõi, dựa trên thiết kế mô-đun, bao phủ lưu trữ mô hình, thực thi suy diễn, định tuyến yêu cầu và các khâu quan trọng khác, đạt được khả năng triển khai và gọi nhiều mô hình hiệu quả, chi phí thấp:
Mô-đun lưu trữ LoRA Adapter (LoRA Adapters Storage): LoRA adapter đã được tinh chỉnh được lưu trữ trên OpenLedger, cho phép tải theo nhu cầu, tránh việc phải tải tất cả các mô hình vào bộ nhớ đồ họa, tiết kiệm tài nguyên.
Mô hình lưu trữ và lớp hợp nhất động (Model Hosting & Adapter Merging Layer): Tất cả các mô hình tinh chỉnh chia sẻ mô hình lớn cơ bản, trong quá trình suy diễn, adapter LoRA được hợp nhất động, hỗ trợ nhiều adapter suy diễn liên hợp, nâng cao hiệu suất.
Công cụ suy diễn (Inference Engine): Tích hợp nhiều công nghệ tối ưu CUDA như Flash-Attention, Paged-Attention, SGMV.
Bộ điều phối yêu cầu và mô-đun xuất dữ liệu theo luồng (Request Router & Token Streaming): Định tuyến động đến adapter đúng theo mô hình cần thiết trong yêu cầu, thực hiện tạo dữ liệu theo luồng ở cấp độ token thông qua tối ưu hóa lõi.
Quy trình suy luận của OpenLoRA thuộc về quy trình dịch vụ mô hình "chín muồi và phổ biến" ở cấp độ kỹ thuật, như sau:
Tải mô hình cơ bản: Hệ thống tải trước như LLaMA 3,
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
OpenLedger: Xây dựng mô hình kinh tế AI Web3 có thể kết hợp dựa trên dữ liệu
Nghiên cứu sâu về OpenLedger: Xây dựng nền kinh tế thông minh dựa trên dữ liệu và có thể kết hợp mô hình
Một, Giới thiệu | Sự chuyển giao mô hình của Crypto AI
Dữ liệu, mô hình và sức mạnh tính toán là ba yếu tố cốt lõi của cơ sở hạ tầng AI, không thể thiếu bất kỳ yếu tố nào. Tương tự như lộ trình tiến hóa cơ sở hạ tầng của ngành AI truyền thống, lĩnh vực Crypto AI cũng trải qua các giai đoạn tương tự. Đầu năm 2024, thị trường một thời bị các dự án GPU phi tập trung chi phối, thường nhấn mạnh vào logic tăng trưởng thô sơ "đấu sức mạnh tính toán". Tuy nhiên, vào năm 2025, điểm chú ý của ngành dần dần chuyển lên các lớp mô hình và dữ liệu, đánh dấu sự chuyển mình của Crypto AI từ cạnh tranh tài nguyên cơ sở hạ tầng sang xây dựng các giá trị có thể duy trì và ứng dụng hơn.
Mô hình lớn tổng quát (LLM) vs Mô hình chuyên biệt (SLM)
Các mô hình ngôn ngữ lớn truyền thống (LLM) thường dựa vào các tập dữ liệu quy mô lớn và kiến trúc phân tán phức tạp, với quy mô tham số thường từ 70B đến 500B, chi phí cho một lần đào tạo thường lên đến hàng triệu đô la. Trong khi đó, SLM (Mô hình ngôn ngữ chuyên biệt) như một mô hình cơ bản có thể tái sử dụng theo phương pháp tinh chỉnh nhẹ, thường dựa trên các mô hình mã nguồn mở, kết hợp với một lượng nhỏ dữ liệu chuyên môn chất lượng cao và các công nghệ như LoRA, nhanh chóng xây dựng các mô hình chuyên gia có kiến thức trong lĩnh vực cụ thể, giảm đáng kể chi phí đào tạo và rào cản kỹ thuật.
Cần lưu ý rằng SLM sẽ không được tích hợp vào trọng số LLM, mà sẽ hoạt động phối hợp với LLM thông qua kiến trúc Agent, hệ thống plugin định tuyến động, khả năng cắm và chạy của mô-đun LoRA, RAG (tạo ra tăng cường tìm kiếm) và các phương thức khác. Kiến trúc này vừa giữ lại khả năng bao phủ rộng của LLM, vừa tăng cường hiệu suất chuyên môn thông qua các mô-đun tinh chỉnh, tạo thành một hệ thống thông minh kết hợp linh hoạt cao.
Giá trị và ranh giới của Crypto AI ở tầng mô hình
Các dự án Crypto AI về cơ bản khó có thể nâng cao trực tiếp khả năng cốt lõi của mô hình ngôn ngữ lớn (LLM), nguyên nhân cốt lõi là
Tuy nhiên, trên nền tảng mô hình cơ sở mã nguồn mở, dự án Crypto AI vẫn có thể mở rộng giá trị thông qua việc tinh chỉnh các mô hình ngôn ngữ đặc biệt (SLM) và kết hợp tính khả thi và cơ chế khuyến khích của Web3. Là "tầng giao diện phụ trợ" của chuỗi công nghiệp AI, điều này thể hiện qua hai hướng chính:
Phân loại loại mô hình AI và phân tích tính phù hợp với blockchain
Như vậy, có thể thấy rằng điểm khả thi của các dự án Crypto AI kiểu mô hình chủ yếu tập trung vào việc tinh chỉnh nhẹ nhàng mô hình SLM nhỏ, việc tiếp nhận và xác minh dữ liệu chuỗi của kiến trúc RAG, cũng như việc triển khai và khuyến khích mô hình Edge tại địa phương. Kết hợp tính xác minh của blockchain và cơ chế token, Crypto có thể cung cấp giá trị độc đáo cho các tình huống mô hình tài nguyên trung bình và thấp, tạo ra giá trị khác biệt cho "tầng giao diện" AI.
Chuỗi AI dựa trên dữ liệu và mô hình blockchain có thể ghi lại rõ ràng và không thể thay đổi nguồn gốc đóng góp của từng dữ liệu và mô hình lên chuỗi, nâng cao đáng kể độ tin cậy của dữ liệu và khả năng truy xuất của việc đào tạo mô hình. Đồng thời, thông qua cơ chế hợp đồng thông minh, khi dữ liệu hoặc mô hình được gọi, sẽ tự động kích hoạt việc phân phối phần thưởng, biến hành vi AI thành giá trị token hóa có thể đo lường và giao dịch, xây dựng hệ thống khuyến khích bền vững. Ngoài ra, người dùng trong cộng đồng cũng có thể đánh giá hiệu suất mô hình thông qua việc bỏ phiếu bằng token, tham gia xây dựng quy tắc và lặp lại, hoàn thiện kiến trúc quản trị phi tập trung.
Hai, Tóm tắt dự án | Tầm nhìn AI chuỗi của OpenLedger
OpenLedger là một trong số ít dự án AI blockchain hiện tập trung vào cơ chế khuyến khích dữ liệu và mô hình trên thị trường hiện nay. Nó tiên phong trong việc đề xuất khái niệm "Payable AI", nhằm xây dựng một môi trường vận hành AI công bằng, minh bạch và có thể kết hợp, khuyến khích các nhà đóng góp dữ liệu, nhà phát triển mô hình và nhà xây dựng ứng dụng AI hợp tác trên cùng một nền tảng và nhận được lợi nhuận trên chuỗi dựa trên những đóng góp thực tế.
OpenLedger cung cấp chuỗi khép kín từ "cung cấp dữ liệu" đến "triển khai mô hình" và "gọi chia sẻ lợi nhuận", các mô-đun cốt lõi của nó bao gồm:
Thông qua các mô-đun trên, OpenLedger đã xây dựng một "hạ tầng kinh tế tác nhân thông minh" dựa trên dữ liệu và có thể kết hợp mô hình, thúc đẩy việc chuyển đổi chuỗi giá trị AI lên blockchain.
Và trong việc áp dụng công nghệ blockchain, OpenLedger sử dụng OP Stack + EigenDA làm nền tảng, xây dựng môi trường chạy dữ liệu và hợp đồng hiệu suất cao, chi phí thấp và có thể xác minh cho các mô hình AI.
So với các chuỗi AI tổng quát như NEAR, tập trung vào quyền dữ liệu và kiến trúc "AI Agents on BOS" ở cấp độ nền tảng, OpenLedger chú trọng hơn vào việc xây dựng chuỗi AI chuyên dụng hướng đến khuyến khích dữ liệu và mô hình, nhằm đạt được một vòng giá trị có thể truy xuất, có thể kết hợp và bền vững cho việc phát triển và gọi mô hình trên chuỗi. Nó là cơ sở hạ tầng khuyến khích mô hình trong thế giới Web3, kết hợp lưu trữ mô hình, tính phí sử dụng và giao diện có thể kết hợp trên chuỗi, thúc đẩy con đường thực hiện "mô hình như tài sản".
Ba, Các thành phần cốt lõi và kiến trúc công nghệ của OpenLedger
Nhà máy mô hình 3.1, nhà máy mô hình không cần mã
ModelFactory là một nền tảng tinh chỉnh mô hình ngôn ngữ lớn (LLM) trong hệ sinh thái OpenLedger. Khác với các khung tinh chỉnh truyền thống, ModelFactory cung cấp giao diện đồ họa hoàn toàn, không cần công cụ dòng lệnh hoặc tích hợp API. Người dùng có thể tinh chỉnh mô hình dựa trên các bộ dữ liệu đã hoàn thành việc ủy quyền và kiểm tra trên OpenLedger. Đã hiện thực hóa quy trình làm việc tích hợp của ủy quyền dữ liệu, đào tạo mô hình và triển khai, quy trình cốt lõi bao gồm:
Kiến trúc hệ thống Model Factory bao gồm sáu mô-đun, bao quát xác thực danh tính, quyền dữ liệu, tinh chỉnh mô hình, đánh giá triển khai và truy xuất nguồn gốc RAG, tạo ra một nền tảng dịch vụ mô hình tích hợp an toàn, kiểm soát, tương tác thời gian thực và có khả năng kiếm tiền bền vững.
Bảng tóm tắt khả năng của các mô hình ngôn ngữ lớn mà ModelFactory hiện hỗ trợ như sau:
Mặc dù mô hình kết hợp của OpenLedger không bao gồm các mô hình MoE hiệu suất cao nhất mới nhất hoặc các mô hình đa phương thức, nhưng chiến lược của nó không lỗi thời, mà là một cấu hình "ưu tiên thực dụng" dựa trên các ràng buộc thực tế của việc triển khai trên chuỗi (chi phí suy diễn, thích ứng RAG, tương thích LoRA, môi trường EVM).
Model Factory là một chuỗi công cụ không mã, tất cả các mô hình đều được tích hợp cơ chế chứng minh đóng góp, đảm bảo quyền lợi của người đóng góp dữ liệu và nhà phát triển mô hình, có ưu điểm là ngưỡng thấp, có thể hiện thực hóa và có thể kết hợp, so với các công cụ phát triển mô hình truyền thống:
3.2 OpenLoRA, tài sản hóa chuỗi của mô hình tinh chỉnh
LoRA (Low-Rank Adaptation) là một phương pháp tinh chỉnh tham số hiệu quả, thông qua việc chèn "ma trận có hạng thấp" vào trong mô hình lớn đã được huấn luyện trước để học các nhiệm vụ mới mà không cần sửa đổi tham số của mô hình gốc, từ đó giảm đáng kể chi phí huấn luyện và nhu cầu lưu trữ. Các mô hình ngôn ngữ lớn truyền thống thường có hàng tỷ thậm chí hàng trăm tỷ tham số. Để sử dụng chúng cho các nhiệm vụ cụ thể, cần phải thực hiện tinh chỉnh. Chiến lược cốt lõi của LoRA là: "đóng băng các tham số của mô hình lớn gốc, chỉ huấn luyện các ma trận tham số mới được chèn vào." Với hiệu quả tham số cao, huấn luyện nhanh và triển khai linh hoạt, đây là phương pháp tinh chỉnh chính phù hợp nhất cho việc triển khai và gọi kết hợp mô hình Web3 hiện nay.
OpenLoRA là một khung suy diễn nhẹ được xây dựng bởi OpenLedger, được thiết kế đặc biệt cho việc triển khai nhiều mô hình và chia sẻ tài nguyên. Mục tiêu cốt lõi của nó là giải quyết các vấn đề thường gặp trong việc triển khai mô hình AI hiện tại như chi phí cao, khả năng tái sử dụng thấp, lãng phí tài nguyên GPU, và thúc đẩy việc thực hiện "AI có thể thanh toán" (Payable AI).
OpenLoRA hệ thống kiến trúc các thành phần cốt lõi, dựa trên thiết kế mô-đun, bao phủ lưu trữ mô hình, thực thi suy diễn, định tuyến yêu cầu và các khâu quan trọng khác, đạt được khả năng triển khai và gọi nhiều mô hình hiệu quả, chi phí thấp:
Quy trình suy luận của OpenLoRA thuộc về quy trình dịch vụ mô hình "chín muồi và phổ biến" ở cấp độ kỹ thuật, như sau: