OpenLedger Độ sâu nghiên cứu báo cáo: Dựa trên OP Stack+EigenDA, xây dựng một nền kinh tế tác nhân thông minh dựa trên dữ liệu và có thể kết hợp mô hình.

Một, Giới thiệu | Sự chuyển mình của tầng mô hình 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 lộ trình 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 một thời bị các dự án GPU phi tập trung chi phối, nhấn mạnh logic tăng trưởng thô "đấu sức mạnh tính toán". Tuy nhiên, vào năm 2025, trọng tâm của ngành dần dần dịch 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 lớp giữa có tính bền vững và giá trị ứng dụng hơn.

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

Mô hình ngôn ngữ lớn truyền thống (LLM) thường phụ thuộc vào bộ dữ liệu quy mô lớn và kiến trúc phân tán phức tạp, với quy mô tham số từ 70B đến 500B, chi phí cho một lần đào tạo có thể lên tới hàng triệu đô la. Trong khi đó, SLM (Mô hình Ngôn ngữ Chuyên dụng) là một cách tiếp cận tinh chỉnh nhẹ cho mô hình cơ sở có thể tái sử dụng, 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 LLM, mà thay vào đó hoạt động cùng LLM thông qua kiến trúc Agent, hệ thống plugin định tuyến động, cắm nóng mô-đun LoRA, RAG (tăng cường tìm kiếm và sinh) và các cách khác. Kiến trúc này vừa giữ lại khả năng bao phủ rộng lớn 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 có độ linh hoạt cao.

Giá trị và ranh giới của Crypto AI ở tầng mô hình

Dự án Crypto AI về bản chất 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 năng lực kỹ thuật cần thiết để đào tạo Mô hình Nền tảng là cực kỳ lớn, hiện tại chỉ có các ông lớn 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 như LLaMA, Mixtral đã được mã nguồn mở, nhưng thực sự thúc đẩy những 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 tại tầng mô hình cốt lõi là hạn chế.

Tuy nhiên, trên nền tảng của các 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 chuyên biệt (SLM), kết hợp với tính khả thi và cơ chế khuyến khích của Web3. Là "lớp 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 tạo ra mô hình, dữ liệu đóng góp và tình trạng sử dụng, tăng cường khả năng truy xuất nguồn gốc và khả năng chống thay đổi của đầu ra AI.
• Cơ chế khuyến khích: Sử dụng Token gốc để khuyến khích việc tải lên dữ liệu, gọi mô hình, thực hiện hành vi của tác nhân (Agent), xây dựng chu trình tích cực cho việc đào tạo và phục vụ mô hình.

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

Có thể thấy, điểm khả thi của các dự án Crypto AI thuộc loại mô hình chủ yếu tập trung vào việc tinh chỉnh nhẹ cho SLM nhỏ, kết nối và xác minh dữ liệu chuỗi trên kiến trúc RAG, cũng như triển khai và kích thích mô hình Edge tại chỗ. Kết hợp với khả năng xác minh của blockchain và cơ chế token, Crypto có thể cung cấp giá trị đặc biệt cho những trường hợp 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 nguồn gốc đóng góp của từng dữ liệu và mô hình một cách rõ ràng, không thể thay đổi, từ đó nâng cao đáng kể độ tin cậy của dữ liệu và khả năng truy xuất nguồn gốc của quá trình đào tạo mô hình. Đồng thời, thông qua cơ chế hợp đồng thông minh, khi dữ liệu hoặc mô hình được gọi, việc phân phối phần thưởng sẽ được kích hoạt tự động, biến hành vi AI thành giá trị có thể đo lường và giao dịch dưới dạng token hóa, xây dựng một 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 vào việc xây dựng và lặp lại quy tắc, hoàn thiện cấu trúc quản trị phi tập trung.

Hai, Tổng quan dự án | Tầm nhìn chuỗi AI của OpenLedger

OpenLedger là một trong số ít dự án AI blockchain hiện nay tập trung vào cơ chế khuyến khích dữ liệu và mô hình. Nó tiên phong đưa ra khái niệm "Payable AI", nhằm xây dựng một môi trường hoạt động 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 nhuận trên chuỗi dựa trên đóng góp thực tế.

OpenLedger cung cấp một chuỗi khép kín đầy đủ 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 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 thưởng thông qua ghi chép gọi trên chuỗi;
• Datanets: Mạng dữ liệu có cấu trúc hướng tới các tình huống 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 chuỗi hóa giá trị AI.

Và trong việc áp dụng công nghệ blockchain, OpenLedger đã xây dựng một môi trường chạy dữ liệu và hợp đồng hiệu suất cao, chi phí thấp và có thể xác minh cho các mô hình AI dựa trên OP Stack + EigenDA.

• Xây dựng trên OP Stack: dựa trên công nghệ Optimism, hỗ trợ thông lượng cao và chi phí thấp.
• Thanh toán trên mạng chính Ethereum: Đảm bảo tính bảo mật của giao dịch và toàn vẹn tài sản;
• Tương thích EVM: Tiện lợi cho 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 khả dụng của dữ liệu.

So với các chuỗi AI tổng quát như NEAR, tập trung vào quyền sở hữu dữ liệu và kiến trúc "AI Agents on BOS", OpenLedger chú trọng vào việc xây dựng chuỗi AI chuyên dụng hướng tới dữ liệu và mô hình kích thích. Nó cam kết thực hiện vòng giá trị có thể truy xuất, có thể kết hợp và bền vững cho việc phát triển và gọi mô hình trên chuỗi. Đây là cơ sở hạ tầng kích thích mô hình trong thế giới Web3, kết hợp việc lưu trữ mô hình kiểu HuggingFace, tính phí sử dụng kiểu Stripe và giao diện kết hợp trên chuỗi kiểu Infura, thúc đẩy con đường hiện thực hóa "mô hình là 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 tập dữ liệu đã được cấp phép và phê duyệt trên OpenLedger. Nó thực hiện quy trình làm việc tích hợp cho việc cấp phép dữ liệu, đào tạo mô hình và triển khai, với 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 đào tạo mô hình.
• Lựa chọn và cấu hình mô hình: Hỗ trợ các LLM phổ biến (như LLaMA, Mistral), cấu hình siêu tham số qua GUI.
• Tinh chỉnh nhẹ: Bộ máy LoRA / QLoRA tích hợp sẵn, 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 khẩu triển khai hoặc chia sẻ gọi trong hệ sinh thái.
• Giao diện xác thực tương tác: Cung cấp giao diện trò chuyện, thuận tiện cho việc kiểm tra khả năng hỏi đáp của mô hình.
• RAG tạo nguồn gốc: Trả lời kèm theo nguồn trích dẫn, tăng cường độ 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 RAG, xây dựng nền tảng dịch vụ mô hình tích hợp an toàn, có thể kiểm soát, tương tác theo thời gian thực và có khả năng sinh lời bền vững.

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

• Dòng LLaMA: Hệ sinh thái rộng nhất, cộng đồng hoạt động tích cực, 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 luận tuyệt vời, phù hợp với các tình huống triển khai linh hoạt, tài nguyên hạn chế.
• Qwen: Sản phẩm của Alibaba, hiệu suất nhiệm vụ tiếng Trung xuất sắc, khả năng tổng hợp mạnh mẽ, phù hợp với lựa chọn hàng đầu của các nhà phát triển trong nước.
• ChatGLM: Hiệu ứng 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 sinh mã và suy luận toán học, phù hợp cho các công cụ hỗ trợ phát triển thông minh.
• Gemma: Mô hình nhẹ được Google phát triển, cấu trúc rõ ràng, dễ dàng để bắt đầu nhanh chóng và thử nghiệm.
• Falcon：Đã 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 khá mạnh, nhưng hiệu suất suy diễn yếu, phù 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 nên sử dụng trong 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 về triển khai trên chuỗi (chi phí suy luận, thích ứng RAG, tương thích LoRA, môi trường EVM).

Model Factory như 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, khả năng hiện thực hóa và khả năng kết hợp, so với các công cụ phát triển mô hình truyền thống:

• Dành cho nhà phát triển: Cung cấp con đường hoàn chỉnh cho việc ấp ủ, 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 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 thấp" vào mô hình lớn đã được đào tạo trước để học nhiệm vụ mới, mà không 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 (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 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 chủ đạo hiện nay phù hợp nhất cho việc triển khai và gọi kết hợp mô hình Web3.

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

Các thành phần cốt lõi của kiến trúc hệ thống OpenLoRA, dựa trên thiết kế mô-đun, bao gồm lưu trữ mô hình, thực thi suy diễn, định tuyến yêu cầu và các khía cạnh quan trọng khác, nhằm 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 vào bộ nhớ GPU, tiết kiệm tài nguyên.
• Lưu trữ mô hình và tích hợp động