OpenLedger Derinlik Araştırması: OP Stack+EigenDA tabanlı, veri odaklı, model kombinlenebilir 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) olarak karşılaştırılabilir ve birbirinden ayrılamaz. Geleneksel AI endüstrisinin altyapı evrimiyle benzer bir yol izleyen Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başlarında, piyasa merkeziyetsiz GPU projeleri tarafından bir süre yönetilmiş ve genel olarak "hesaplama gücünü birleştirme" üzerine yoğunlaşan genişleyen bir büyüme mantığı vurgulanmıştır. 2025 yılına girerken, sektörün odak noktası giderek model ve veri katmanına kaymış, bu da Crypto AI'nın alt seviye kaynak rekabetinden daha sürdürülebilir ve uygulama değeri yüksek orta seviye yapıya geçiş yaptığını göstermiştir.

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

Geleneksel büyük dil modellerinin (LLM) eğitimi, genellikle büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere büyük ölçüde bağımlıdır; parametre ölçekleri genellikle 70B ile 500B arasındadır ve bir kez eğitim maliyeti sıklıkla milyonlarca dolara ulaşmaktadır. Öte yandan, SLM (Uzmanlaşmış Dil Modeli), yeniden kullanılabilir bir temel modelin hafif ince ayar paradigması olarak, genellikle LLaMA, Mistral, DeepSeek gibi açık kaynaklı modeller üzerine kurulmakta, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi tekniklerle bir araya getirilerek, belirli alan bilgisine sahip uzman modelleri hızlı bir şekilde inşa etmekte ve eğitim maliyetlerini ile teknik engelleri önemli ölçüde düşürmektedir.

Dikkate değer olan, SLM'nin LLM ağırlıklarına entegre edilmeyeceği, bunun yerine Agent mimarisi aracılığıyla çağrılar, eklenti sistemi dinamik yönlendirme, LoRA modülü sıcak tak çıkarma, RAG (retrieve-augmented generation) gibi yöntemlerle LLM ile işbirliği içinde çalıştığıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülleriyle uzman performansını artırarak son derece esnek bir birleşik akıllı sistem oluşturmuştur.

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 yetenekleri son derece büyük; şu anda yalnızca ABD ve Çin gibi teknoloji devleri bu yeteneklere sahip.
• Açık kaynak ekosisteminin sınırlamaları: LLaMA, Mixtral gibi ana akım temel modeller açık kaynak olsa da, model kırılmalarını gerçekten teşvik eden anahtar hâlâ araştırma kurumları ve kapalı kaynak mühendislik sistemleri üzerinde yoğunlaşmaktadır, zincir üzerindeki projelerin temel model katmanındaki katılım alanı sınırlıdır.

Ancak, açık kaynaklı temel modellerin üzerine, Crypto AI projeleri hala özel dil modellerinin (SLM) ince ayarıyla değer uzantısı sağlayabilir ve Web3'ün doğrulanabilirliği ile teşvik mekanizmalarını birleştirebilir. AI endüstrisi zincirinin "kenar arayüz katmanı" olarak, iki ana yönde kendini gösterir:

• Güvenilir Doğrulama Katmanı: Zincir üzerindeki kayıtlar aracılığıyla modelin oluşturma yolları, veri katkıları ve kullanım durumlarını kaydederek, AI çıktılarının izlenebilirliğini ve değiştirilmezlik yeteneğini artırır.
• Teşvik Mekanizması: Yerel Token aracılığıyla, veri yükleme, model çağrısı, akıllı ajan (Agent) yürütme gibi davranışları teşvik etmek için, model eğitimi ve hizmeti için olumlu bir döngü oluşturmak.

AI model türleri sınıflandırması ve blok zinciri uygunluk analizi

Buradan görüleceği üzere, model türü Crypto AI projelerinin uygulanabilir noktaları, öncelikle küçük SLM'lerin hafif ince ayarı, RAG mimarisinin zincir üzerindeki veri erişimi ve doğrulaması ile Edge modellerinin yerel dağıtımı ve teşviki üzerinde yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile birlikte, Crypto bu orta-düşük kaynak model senaryolarına özel bir değer sunarak AI "arayüz katmanı" için farklılaştırılmış bir değer oluşturabilir.

Veri ve model tabanlı blockchain AI ağı, her bir veri ve modelin katkı kaynağını net, değiştirilemez bir şekilde zincirleme 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 davranışını ölçülebilir, ticareti yapılabilir token değeri haline dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları token ile model performansını değerlendirebilir, kural belirleme ve iterasyona katılabilir, merkeziyetsiz yönetim yapısını geliştirebilir.

İkincisi, Proje Özeti | OpenLedger'ın AI Zincir Vizyonu

OpenLedger, mevcut piyasada veri ve model teşvik mekanizmalarına odaklanan az sayıda blok zinciri AI projesinden biridir. "Ödenebilir AI" kavramını ilk olarak ortaya koyarak, veri katkıcıları, model geliştiricileri ve AI uygulama oluşturucularının aynı platformda iş birliği yapmalarını teşvik eden adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı inşa etmeyi amaçlamaktadır ve gerçek katkılara dayalı olarak zincir üzerindeki kazançlar elde etmelerini sağlamaktadır.

OpenLedger, "veri sağlama"dan "model dağıtım"ına ve ardından "gelir paylaşımını çağırma"ya kadar olan tam zincir döngüsünü sunmaktadır, ana modülleri şunlardır:

• Model Fabrikası: Programlama gerektirmeden, açık kaynak LLM'ye dayalı olarak LoRA ile ince ayar eğitim yapabilir ve özelleştirilmiş modelleri dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin aynı anda varlığını destekler, ihtiyaç duyulduğunda dinamik olarak yükler, dağıtım maliyetlerini önemli ölçüde azaltır;
• PoA (Atıf Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağılımı sağlanır;
• Datanets: Dikey alan senaryolarına yönelik yapılandırılmış veri ağı, topluluk işbirliği ile inşa edilip doğrulanmaktadır;
• Model Teklif Platformu (Model Proposal Platform): Kombinlenebilir, çağrılabilir, ödenebilir zincir üzeri model pazarı.

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

Ve blok zinciri teknolojisinin benimsenmesinde, 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 edilmiştir: Optimism teknoloji yığınına dayanmaktadır, yüksek işlem hacmi ve düşük maliyetli yürütmeyi destekler;
• Ethereum ana ağında hesaplama: İşlem güvenliğini 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 alt katmanlara odaklanan, veri egemenliği ve "BOS'ta AI Ajanları" mimarisini vurgulayan genel AI blok zincirlerine kıyasla, OpenLedger daha çok veri ve model teşviklerine odaklanan AI özel blok zincirleri inşa etmeye çalışmaktadır. Model geliştirme ve çağrılarının zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını hedeflemektedir. Bu, Web3 dünyasındaki model teşvik altyapısıdır ve model barındırma, kullanım ücretlendirmesi ve zincir üzerinde birleştirilebilir arayüzler ile "model varlık olarak" gerçekleştirme yolunu desteklemektedir.

Üç, OpenLedger'ın ana bileşenleri ve teknik mimarisi

3.1 Model Fabrikası, kodsuz model fabrikası

ModelFactory, OpenLedger ekosisteminde yer alan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinden farklı olarak, ModelFactory tamamen grafiksel bir arayüz sunarak komut satırı araçlarına veya API entegrasyonuna gerek duymaz. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve denetlenmiş veri setlerine dayalı olarak modellerini ince ayar yapabilirler. Veri yetkilendirmesi, model eğitimi ve dağıtımı için entegre bir iş akışı sağlanmış olup, ana süreçleri şunları içermektedir:

• Veri erişim kontrolü: Kullanıcı veri talebi gönderir, sağlayıcı inceleyip onaylar, veriler otomatik olarak model eğitim arayüzüne entegre edilir.
• Model Seçimi ve Konfigürasyonu: Yaygın LLM'leri (örneğin LLaMA, Mistral) destekler, GUI üzerinden hiperparametreleri yapılandırır.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirme ve dağıtım: Yerleşik değerlendirme araçları, dağıtım veya ekosistem paylaşımı çağrılarını destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneklerini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
• RAG üretim izleme: Kaynak referansları ile yanıt vererek güveni ve denetlenebilirliği artırın.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkilendirme, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği dahil olmak üzere altı temel modülü içermekte olup, güvenli, kontrol edilebilir, gerçek zamanlı etkileşimli ve sürdürülebilir gelir elde etme amacıyla entegre bir model hizmet platformu sunmaktadır.

ModelFactory şu anda desteklenen büyük dil modeli yeteneklerinin özet tablosu aşağıdadır:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk, genel performansı yüksek olan, şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Yüksek verimlilikte bir mimari ve mükemmel çıkarım performansı ile esnek dağıtım ve sınırlı kaynaklar için uygundur.
• Qwen: Alibaba ürünü, Çince görev performansı mükemmel, genel yetenekleri güçlü, yerli geliştiriciler için ilk tercih.
• ChatGLM: Çince diyalog performansı dikkat çekici, dikey müşteri hizmetleri ve yerelleştirme senaryoları için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans sergileyen, 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 standardı olarak kabul edilen bir araçtır, temel araştırmalar veya karşılaştırma testleri için uygundur, ancak topluluk aktivitesi azalmıştır.
• BLOOM: Çok dilli desteği güçlü, ancak çıkarım performansı zayıf, dil kapsamlı araştırmalar için uygundur.
• GPT-2: Klasik erken dönem modeli, yalnızca öğretim ve doğrulama amacıyla uygundur, gerçek kullanım için önerilmez.

OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modelini veya çok modlu modelini içermese de, stratejisi çağ dışı değildir; aksine, zincir üzerindeki dağıtımın gerçek kısıtlamaları (çıkarım maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temelinde "pratik öncelik" yapılandırması yapılmıştır.

Model Factory, kodsuz bir araç zinciri olarak, tüm modeller katkı kanıtı mekanizmasını entegre etmiştir, bu da veri katkıcıları ve model geliştiricilerinin haklarını güvence altına alır. Düşük giriş engeli, nakde çevrilebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir ve geleneksel model geliştirme araçlarıyla karşılaştırıldığında:

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

3.2 OpenLoRA, modelin zincir üzerindeki varlıkları için ince ayar

LoRA (Düşük-Rank Adaptasyonu), önceden eğitilmiş büyük modellerde "düşük rank matrisleri" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden verimli bir parametre ince ayar yöntemidir ve böylece eğitim maliyetlerini ve depolama gereksinimlerini büyük ölçüde azaltır. Geleneksel büyük dil modelleri (örneğin LLaMA, GPT-3) genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Belirli görevler (örneğin hukuk soruları, tıbbi danışma) için kullanılabilmeleri için ince ayar yapılması gerekmektedir. LoRA'nın temel stratejisi şudur: "Orijinal büyük modelin parametrelerini dondur, sadece eklenen yeni parametre matrisini eğit." Bu parametre verimliliği, hızlı eğitimi ve esnek dağıtımı ile, günümüzde Web3 model dağıtımı ve kombineli çağırma için en uygun ana akım ince ayar yöntemidir.

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

OpenLoRA sistem mimarisi temel bileşeni, modüler tasarıma dayanmakta olup, model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsamaktadır. Verimli, düşük maliyetli çoklu model dağıtım ve çağırma yeteneğini gerçekleştirmektedir:

• LoRA Adaptör Depolama Modülü (LoRA Adaptörleri Depolama): İnce ayar yapılmış LoRA adaptörü OpenLedger üzerinde barındırılır, ihtiyaca göre yüklenir, tüm modellerin önceden belleğe yüklenmesini önler ve kaynakları tasarruf eder.
• Model Barındırma ve Adaptör Birleştirme Katmanı (Model Hosting & Adapter Merging Layer): Tüm ince ayar modelleri temel büyük model (base model) kullanır, çıkarım sırasında LoRA adaptörü dinamik olarak birleştirilir, birden fazla adaptör birlikte çıkarım (ensemble) desteği sunar, performansı artırır.
• Çıkarım Motoru (Inference Engine): Flash-Attention, Paged-Attention, SGMV optimizasyonu gibi birçok CUDA optimizasyon teknolojisini entegre eder.