OpenLedgerĐộ sâu研报：以OP Stack+EigenDA为底座，构建一个数据驱动、模型可组合的智能体经济

Một, Giới thiệu | Sự nhảy vọt của mô hình Crypto AI

Dữ liệu, mô hình và năng lực tính toán là ba yếu tố cốt lõi của cơ sở hạ tầng AI, tương tự như nhiên liệu (dữ liệu), động cơ (mô hình), năng lượng (năng lực tính toán) không thể thiếu. Giống như con đường tiến hóa cơ sở hạ tầng của ngành AI truyền thống, lĩnh vực Crypto AI cũng đã trải qua các giai đoạn tương tự. Đầu năm 2024, thị trường từng bị chi phối bởi các dự án GPU phi tập trung ( một nền tảng tính toán, một nền tảng render, một mạng phi tập trung, v.v. ), thường nhấn mạnh logic tăng trưởng thô sơ "cạnh tranh năng lực tính toán". Tuy nhiên, vào năm 2025, điểm chú ý của ngành dần dần chuyển lên tầng mô hình và dữ liệu, đánh dấu việc Crypto AI đang chuyển từ cạnh tranh tài nguyên cơ sở hạ tầng sang xây dựng tầng giữa có tính bền vững và giá trị ứng dụng hơn.

Mô hình lớn tổng quát (LLM) vs Mô hình chuyên biệt (SLM)

Mô hình ngôn ngữ lớn (LLM) truyền thống thường phụ thuộc mạnh mẽ vào bộ dữ liệu quy mô lớn và kiến trúc phân tán phức tạp, quy mô tham số thường từ 70B đến 500B, chi phí cho một lần đào tạo thường lên tới hàng triệu đô la. Trong khi đó, SLM (Mô hình Ngôn ngữ Chuyên biệt) như một phương thức tinh chỉnh nhẹ cho mô hình cơ bản có thể tái sử dụng, thường dựa trên một số 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 với kiến thức trong lĩnh vực cụ thể, giảm thiểu đáng kể chi phí đào tạo và rào cản công nghệ.

Cần lưu ý rằng SLM sẽ không được tích hợp vào trọng số LLM, mà sẽ phối hợp hoạt động với LLM thông qua kiến trúc Agent, hệ thống plugin định tuyến động, khả năng cắm nóng của mô-đun LoRA, RAG (tăng cường truy xuất và tạo ra) 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 ra 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), lý do 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 đào tạo Mô hình Nền tảng là rất lớn, hiện tại 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 chủ yếu đã được mã nguồn mở, nhưng chìa khóa thực sự để thúc đẩy sự đột phá của mô hình vẫn tập trung vào các tổ chức nghiên cứu và hệ thống kỹ thuật khép kín, 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 bản mã nguồn mở, các dự án Crypto AI vẫn có thể mở rộng giá trị thông qua việc tinh chỉnh mô hình ngôn ngữ chuyên biệt (SLM), kết hợp với khả năng xác minh và cơ chế khuyến khích của Web3. Là "tầng giao diện ngoại vi" của chuỗi công nghiệp AI, điều này thể hiện ở hai hướng cốt lõi:

• Tầng xác thực đáng tin cậy: Thông qua việc ghi lại trên chuỗi đường đi của mô hình, đóng góp dữ liệu và tình trạng sử dụng, tăng cường khả năng truy nguyên và chống giả mạo của đầu ra AI.
• Cơ chế khuyến khích: Sử dụng Token gốc để khuyến khích việc tải dữ liệu lên, gọi mô hình, thực hiện 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 khả năng áp dụng blockchain

Như vậy, có thể thấy rằng điểm khả thi của các dự án Crypto AI thuộc loại mô hình chủ yếu tập trung vào việc tinh chỉnh nhẹ nhàng SLM quy mô nhỏ, kết nối và xác minh dữ liệu trên chuỗi của kiến trúc RAG, cũng như triển khai và khuyến khích mô hình Edge tại chỗ. Kết hợp tính xác minh của blockchain và cơ chế token, Crypto có thể cung cấp giá trị độc đáo cho các kịch bản mô hình tài nguyên trung bình và thấp, tạo ra giá trị khác biệt cho "tầng giao diện" AI.

Dựa trên chuỗi AI blockchain với dữ liệu và mô hình, có thể ghi lại nguồn gốc đóng góp của từng dữ liệu và mô hình một cách rõ ràng, không thể sửa đổi. Điều này 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, chuyển đổi hành vi AI thành giá trị hóa có thể đo lường và giao dịch, xây dựng một hệ thống khuyến khích bền vững. Ngoài ra, người dùng cộng đồng cũng có thể đánh giá hiệu suất mô hình thông qua việc bỏ phiếu bằng token, tham gia vào việc xác định và lặp lại quy tắc, hoàn thiện cấu trúc quản trị phi tập trung.

Hai, Tóm tắt dự án | Tầm nhìn chuỗi AI của OpenLedger

OpenLedger là một trong số ít các dự án AI blockchain hiện tại tập trung vào dữ liệu và cơ chế khuyến khích mô hình. Nó tiên phong đưa ra 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, các nhà phát triển mô hình và các nhà xây dựng ứng dụng AI hợp tác trên cùng một nền tảng và nhận được lợi ích trên chuỗi dựa trên những đóng góp thực tế.

OpenLedger cung cấp chuỗi kín toàn diện từ "cung cấp dữ liệu" đến "triển khai mô hình" và "gọi phân chia 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 và triển khai mô hình tùy chỉnh dựa trên LLM mã nguồn mở;
• OpenLoRA: Hỗ trợ hàng ngàn mô hình đồng tồn tại, tải động theo nhu cầu, giảm đáng kể chi phí triển khai;
• PoA (Proof of Attribution): Thực hiện đo lường đóng góp và phân phối phần thưởng thông qua việc gọi ghi chép trên chuỗi;
• Datanets: Mạng dữ liệu có cấu trúc hướng đến các tình huống dọc, được xây dựng và xác minh 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 các mô hình, thúc đẩy việc chuỗi hóa chuỗi giá trị AI.

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 mô hình AI.

• Xây dựng trên OP Stack: Dựa trên một công nghệ, 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 sẵn có của dữ liệu: giảm đáng kể chi phí lưu trữ, đảm bảo tính khả thi của dữ liệu.

So với một số chuỗi công khai có xu hướng tập trung vào nền tảng, nhấn mạnh chủ quyền dữ liệu và kiến trúc "AI Agents on BOS", OpenLedger tập trung hơn vào việc xây dựng chuỗi AI chuyên dụng hướng tới việc kích thích dữ liệu và mô hình, quyết tâm biến việc phát triển và gọi mô hình thành một vòng giá trị có thể truy xuất, có thể kết hợp và bền vững trên chuỗi. Nó là cơ sở hạ tầng kích thích mô hình trong thế giới Web3, kết hợp việc lưu trữ mô hình theo cộng đồng, việc tính phí sử dụng theo kiểu nền tảng thanh toán và giao diện có thể kết hợp trên chuỗi theo kiểu cơ sở hạ tầng, thúc đẩy con đường hiện thực hóa "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 điều chỉnh mô hình ngôn ngữ lớn (LLM) trong hệ sinh thái OpenLedger. Khác với các khung điều chỉnh truyền thống, ModelFactory cung cấp giao diện đồ họa thuần túy, không cần công cụ dòng lệnh hoặc tích hợp API. Người dùng có thể điều chỉnh mô hình dựa trên bộ dữ liệu đã hoàn thành việc ủy quyền và phê duyệt trên OpenLedger. Nó đã thực hiện một quy trình làm việc tích hợp cho việc 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 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 chính, 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 trong hệ sinh thái.
• Giao diện xác thực tương tác: Cung cấp giao diện dạng trò chuyện, thuận tiện cho việc thử nghiệm khả năng hỏi đáp của mô hình.
• RAG tạo nguồn gốc: Trả lời có trích dẫn nguồn, tăng cường niềm tin và khả năng kiểm tra.

Kiến trúc hệ thống Model Factory bao gồm sáu mô-đun, xuyên suốt xác thực danh tính, quyền dữ liệu, tinh chỉnh mô hình, đánh giá triển khai và truy xuất RAG, tạo ra nền tảng dịch vụ mô hình tích hợp an toàn, có thể kiểm soát, tương tác thời gian thực và có thể biến đổi bền vững.

Mô hình ModelFactory hiện hỗ trợ các khả năng của mô hình ngôn ngữ lớn như sau:

• Dòng LLaMA: Hệ sinh thái rộng nhất, cộng đồng hoạt động sôi nổi, hiệu suất chung mạnh mẽ, là một trong những mô hình cơ sở mã nguồn mở phổ biến nhất hiện nay.
• Mistral：Cấu trúc hiệu quả, hiệu suất suy diễn tuyệt vời, phù hợp với các tình huống triển khai linh hoạt, tài nguyên hạn chế.
• Qwen: Một công ty công nghệ sản xuất, thể hiện xuất sắc trong nhiệm vụ tiếng Trung, có khả năng tổng hợp mạnh mẽ, phù hợp với sự lựa chọn hàng đầu của các nhà phát triển trong nước.
• ChatGLM：Hiệu ứng hội thoại tiếng Trung nổi bật, phù hợp với dịch vụ khách hàng theo lĩnh vực và các tình huống địa phương.
• Deepseek：Có hiệu suất vượt trội trong việc tạo mã và suy diễn toán học, phù hợp cho công cụ hỗ trợ phát triển thông minh.
• Gemma: Mô hình nhẹ được phát triển bởi một công ty công nghệ, có cấu trúc rõ ràng, dễ dàng để bắt đầu và thử nghiệm nhanh chóng.
• Falcon：Từng là chuẩn mực về 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 tốt, nhưng hiệu suất suy luận kém, phù hợp cho nghiên cứu bao quát ngôn ngữ.
• GPT-2: Mô hình cổ điển sớm, chỉ phù hợp cho mục đích giảng dạy và xác minh, không được khuyến nghị sử dụng trong triển khai thực tế.

Mặc dù mô hình của OpenLedger không bao gồm các mô hình MoE hiệu suất cao mới nhất hoặc các mô hình đa phương thức, nhưng chiến lược của nó không lỗi thời, mà là cấu hình "ưu tiên thực dụng" dựa trên các ràng buộc thực tế trong 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 những ưu điểm như ngưỡng thấp, có thể biến đổi và có thể kết hợp, so với các công cụ phát triển mô hình truyền thống:

• Đối với nhà phát triển: Cung cấp lộ trình hoàn chỉnh cho việc ươm tạo, phân phối và doanh thu mô hình;
• Đối với nền tảng: hình thành sự lưu thông và tổ hợp tài sản mô hình;
• Đối với người dùng: Có thể kết hợp sử dụng mô hình hoặc Agent giống như gọi API.

3.2 OpenLoRA, tài sản hóa trên 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 mô hình lớn đã được huấn luyện trước để học các nhiệm vụ mới mà không cần thay đổi tham số của mô hình gốc, từ đó giảm đáng kể chi phí đào tạo 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 (như hỏi đáp pháp luật, khám chữa bệnh), cần phải tiến hành tinh chỉnh (fine-tuning). Chiến lược cốt lõi của LoRA là: "đóng băng các tham số của mô hình lớn gốc, chỉ đào tạo các ma trận tham số mới được chèn vào." Với tham số hiệu quả, đào tạo nhanh chóng và triển khai linh hoạt, nó là phương pháp tinh chỉnh phổ biến nhất hiện nay phù hợp cho việc triển khai và gọi kết hợp mô hình Web3.

OpenLoRA là một khung suy diễn nhẹ được xây dựng bởi OpenLedger, chuyên thiết kế cho việc triển khai nhiều mô hình và chia sẻ tài nguyên. Mục tiêu cốt lõi của nó là giải quyết những vấn đề phổ biến trong việc triển khai mô hình AI hiện tại như chi phí cao, khả năng tái sử dụng thấp, lãng phí tài nguyên GPU, thúc đẩy việc thực hiện "AI có thể chi trả" (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 luận, 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 (