OpenLedger Độ sâu nghiên cứu báo cáo: Dựa trên OP Stack + EigenDA, xây dựng một nền kinh tế thông minh dựa trên dữ liệu, 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, tương tự như nhiên liệu (dữ liệu), động cơ (mô hình), năng lượng (sức mạnh tính toán) không thể thiếu. Tương tự 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 số nền tảng khác ), thường nhấn mạnh vào logic tăng trưởng thô "đấu sức mạnh tính toán". Tuy nhiên, bước vào năm 2025, trọng tâm ngành công nghiệp dần dần chuyển lên tầng 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 trung tầng có giá trị bền vững và 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 vào tập 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 đến hàng triệu đô la. Trong khi đó, SLM (Mô hình ngôn ngữ chuyên biệt) là một hình thức tinh chỉnh nhẹ có thể tái sử dụng các mô hình cơ sở, thường dựa trên các mô hình mã nguồn mở như LLaMA, Mistral, DeepSeek, 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 của LLM mà sẽ hoạt động cùng LLM thông qua kiến trúc Agent, hệ thống plugin định tuyến động, hot-plug LoRA module, RAG (tạo ra tăng cường truy xuất), v.v. Kiến trúc này vừa giữ lại khả năng bao phủ rộng của LLM, vừa nâng cao hiệu suất chuyên môn thông qua các mô-đun tinh chỉnh, tạo ra một hệ thống thông minh tổ hợp có tính 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 Foundation Model là vô cùng lớn, hiện chỉ có các gã khổng lồ công nghệ như Mỹ (một số công ty) và Trung Quốc (một số công ty) có khả năng tương ứng.
• Hạn chế của hệ sinh thái mã nguồn mở: Mặc dù các mô hình cơ bản mainstream như LLaMA, Mixtral đã được mã nguồn mở, nhưng yếu tố then chốt thực sự 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, các dự án Crypto AI vẫn có thể mở rộng giá trị thông qua việc tinh chỉnh mô hình ngôn ngữ chuyên biệt (SLM) và kết hợp tính khả thi và cơ chế khuyến khích của Web3. Là "lớp giao diện phụ trợ" của chuỗi công nghiệp AI, điều này thể hiện ở hai hướng cốt lõi:

• Tầng xác thực đáng tin cậy: Thông qua việc ghi chép trên chuỗi các mô hình, đường đi, đóng góp dữ liệu và tình trạng sử dụng, tăng cường khả năng truy nguyên và chống giả mạo cho đầu ra AI.
• Cơ chế khuyến khích: Sử dụng Token gốc để khuyến khích việc tải dữ liệu, gọi mô hình, thực hiện tác vụ của các tác nhân (Agent) và xây dựng vòng tuần hoàn tích cực cho việc đào tạo và cung cấp mô hình.

Phân loại loại mô hình AI và phân tích tính ứng dụng của blockchain

Như vậy, điểm khả thi chính của các dự án Crypto AI thuộc loại mô hình chủ yếu tập trung vào việc tinh chỉnh nhẹ nhàng cho SLM nhỏ, việc truy cập và xác minh dữ liệu trên chuỗi của kiến trúc RAG, cũng như việc 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 đặc biệt cho những tình huống mô hình tài nguyên trung bình và thấp, tạo ra giá trị khác biệt cho "lớp giao diện" AI.

Dựa trên dữ liệu và mô hình của chuỗi AI 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 huấn luyện 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 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 thông qua việc bỏ phiếu bằng token để đánh giá hiệu suất mô hình, tham gia vào việc xây dựng và lặp lại quy tắc, hoàn thiện cấu trúc quản trị phi tập trung.

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

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

OpenLedger cung cấp một chuỗi khép kín 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:

• Nhà máy mô hình: Không cần lập trình, có thể sử dụng LoRA để tinh chỉnh, huấn luyện 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 ghi chép gọi trên chuỗi;
• Datanets：Mạng dữ liệu có cấu trúc hướng đến các kịch bản 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 thông minh" có tính dữ liệu và có thể kết hợp mô hình, thúc đẩy việc chuỗi hóa giá trị AI.

Và trong việc áp dụng công nghệ blockchain, OpenLedger sử dụng OP Stack + EigenDA làm nền tảng, xây dựng môi trường hoạt động cho dữ liệu và hợp đồng có 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 an toàn giao dịch và tính toàn vẹn của tài sản;
• Tương thích EVM: Tiện lợi cho các nhà phát triển nhanh chóng triển khai và mở rộng trên nền tảng Solidity;
• EigenDA cung cấp hỗ trợ khả năng sử dụng dữ liệu: giảm đáng kể chi phí lưu trữ, đảm bảo tính khả dụng của dữ liệu.

So với các chuỗi AI tổng quát như NEAR, thiên về nền tảng và tập trung vào chủ quyền dữ liệu cùng kiến trúc «AI Agents on BOS», OpenLedger chú trọng hơn vào việc xây dựng chuỗi AI chuyên dụng hướng đến việc khuyến khích dữ liệu và mô hình, cam kết biến việc phát triển và gọi mô hình thành một vòng giá trị có thể truy nguyên, có thể kết hợp và bền vững trên chuỗi. Nó là cơ sở hạ tầng khuyến khích mô hình trong thế giới Web3, kết hợp một số dịch vụ lưu trữ mô hình theo kiểu nền tảng, một số dịch vụ tính phí sử dụng theo kiểu nền tảng và một số giao diện có thể kết hợp trên chuỗi theo kiểu nền tảng, thúc đẩy con đường hiện thực hóa «mô hình chính là tài sản».

Ba, Các thành phần cốt lõi và kiến trúc công nghệ của OpenLedger

3.1 Model Factory, không cần mã mô hình nhà máy

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 hay tích hợp API. Người dùng có thể tinh chỉnh mô hình dựa trên bộ dữ liệu đã hoàn tất quyền và kiểm tra trên OpenLedger. Nó đã thực hiện một quy trình làm việc tích hợp cho việc cấp 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 với giao diện đào tạo mô hình.
• Lựa chọn và cấu hình mô hình: Hỗ trợ LLM phổ biến (như LLaMA, Mistral), cấu hình siêu tham số thông qua GUI.
• Tinh chỉnh nhẹ: Tích hợp động cơ LoRA / QLoRA, hiển thị tiến độ đào tạo theo thời gian thực.
• Đánh giá và triển khai mô hình: Công cụ đánh giá tích hợp sẵn, hỗ trợ xuất triển khai hoặc chia sẻ gọi trong hệ sinh thái.
• Giao diện xác thực tương tác: Cung cấp giao diện kiểu trò chuyện, thuận tiện cho việc kiểm tra trực tiếp khả năng hỏi đáp của mô hình.
• RAG tạo nguồn gốc: Trả lời kèm theo trích dẫn nguồn, tăng cường độ tin cậy và khả năng kiểm toán.

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

Bảng tóm tắt khả năng mô hình ngôn ngữ lớn mà ModelFactory hiện hỗ trợ như sau:

• Dòng LLaMA: Hệ sinh thái rộng nhất, cộng đồng năng động, hiệu suất tổng quát mạnh, là một trong những mô hình cơ sở mã nguồn mở phổ biến nhất hiện nay.
• Mistral: Kiến trúc hiệu quả, hiệu suất suy luận tuyệt vời, phù hợp với các tình huống triển khai linh hoạt, tài nguyên hạn chế.
• Qwen: Sản phẩm của một công ty, thể hiện xuất sắc trong nhiệm vụ tiếng Trung, khả năng tổng hợp mạnh mẽ, phù hợp là lựa chọn hàng đầu cho các nhà phát triển trong nước.
• ChatGLM: Hiệu ứng đối thoại bằng tiếng Trung nổi bật, phù hợp cho dịch vụ khách hàng theo chuyên ngành và các tình huống địa phương.
• Deepseek：Hiệu suất vượt trội trong việc sinh mã và suy luận toán học, phù hợp với công cụ hỗ trợ phát triển thông minh.
• Gemma: Mô hình nhẹ được phát triển bởi một công ty, cấu trúc rõ ràng, dễ dàng để bắt đầu và thử nghiệm nhanh chóng.
• Falcon: Từng là tiêu chuẩn hiệu suất, phù hợp cho nghiên cứu cơ bản hoặc thử nghiệm so sánh, nhưng mức độ hoạt động của cộng đồng đã giảm.
• BLOOM: Hỗ trợ đa ngôn ngữ khá mạnh, nhưng hiệu suất suy diễn yếu, phù hợp cho nghiên cứu bao quát ngôn ngữ.
• GPT-2：Mô hình cổ điển từ sớm, chỉ phù hợp cho mục đích giảng dạy và xác minh, không được 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 mới nhất hoặc các mô hình đa phương thức, nhưng chiến lược của nó không lạc hậu, 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 như một chuỗi công cụ không cần 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 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 đường dẫn hoàn chỉnh cho việc ươm tạo mô hình, phân phối, và thu nhập;
• Đối với nền tảng: hình thành lưu thông tài sản mô hình 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 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 thấp" vào mô hình lớn đã được đào tạo 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 đào tạo và yêu cầu lưu trữ. Các mô hình ngôn ngữ lớn truyền thống (như LLaMA, GPT-3) 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 lý, khám bệnh), cần phải thực hiện 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, đây là phương pháp tinh chỉnh chính hiện nay phù hợp nhất cho việc triển khai và gọi kết hợp mô hình Web3.

OpenLoRA là một khung suy luận nhẹ do OpenLedger xây dựng, 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 những vấn đề phổ biến hiện nay trong việc triển khai mô hình AI 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 khía cạnh 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 yêu cầu, tránh việc tải trước tất cả các mô hình.