OpenLedger Derinlik Raporu: OP Stack+EigenDA tabanlı, veri odaklı, model birleştirilebilir akıllı bir ekonomi inşa etmek

Birinci Bölüm | Crypto AI'nın Model Katmanı Atılımı

Veri, model ve hesaplama gücü, AI altyapısının üç ana çekirdek unsurudur; bunlar, yakıt (veri), motor (model) ve enerji (hesaplama gücü) gibi birbirini tamamlayan unsurlardır. Geleneksel AI endüstrisinin altyapı evrimiyle benzer bir yol izleyen Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başlarında, piyasa merkeziyetsiz GPU projeleri tarafından domine edilmiş ve genel olarak "hesaplama gücünü birleştirme" üzerine yoğunlaşan yaygın bir büyüme mantığı benimsenmiştir. Ancak 2025 yılına girildiğinde, endüstrinin odak noktası yavaş yavaş model ve veri katmanına kaymış ve bu durum, Crypto AI'nin temel kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta katman inşasına geçişini simgelemektedir.

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

Geleneksel büyük dil modellerinin (LLM) eğitimi, genellikle büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır; parametre ölçekleri genellikle 70B ile 500B arasında değişir ve bir kez eğitmenin maliyeti genellikle milyonlarca dolara kadar çıkabilir. SLM (Özelleşmiş Dil Modeli) ise yeniden kullanılabilir bir temel modelin hafif ince ayar paradigmasıdır; genellikle LLaMA, Mistral, DeepSeek gibi açık kaynaklı modeller temel alınarak, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi tekniklerle bir araya getirilerek, belirli bir alanda bilgiye sahip uzman modellerin hızlı bir şekilde inşa edilmesini sağlar ve böylece eğitim maliyetlerini ve teknik engelleri önemli ölçüde azaltır.

Dikkate değer olan, SLM'nin LLM ağırlıklarına entegre edilmemesi, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirme, LoRA modülü sıcak takibi, RAG (Retriever-Enhanced Generation) gibi yöntemlerle LLM ile işbirliği içinde çalışmasıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülleri aracılığıyla uzmanlık performansını artırarak yüksek derecede esnek bir kombinasyonlu akıllı sistem oluşturur.

Crypto AI'nin model katmanındaki değeri ve sınırları

Crypto AI projeleri temelde büyük dil modellerinin (LLM) temel yeteneklerini doğrudan artırmakta zordur, bunun temel nedeni şudur:

• Teknik engeller çok yüksek: Foundation Model'i eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik becerileri son derece büyüktür, şu anda yalnızca ABD ve Çin gibi teknoloji devleri bu yeteneklere sahiptir.
• Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modeller LLaMA ve Mixtral açık kaynak olsa da, modeli gerçekten ilerleten anahtar hala araştırma kuruluşları ve kapalı kaynak mühendislik sistemlerinde yoğunlaşıyor; zincir üzerindeki projelerin temel model katmanındaki katılım alanı sınırlıdır.

Ancak, açık kaynaklı temel modellerin üzerinde, Crypto AI projeleri hâlâ özel dil modelleri (SLM) ile ince ayar yaparak ve Web3'ün doğrulanabilirliği ve teşvik mekanizmalarını birleştirerek değer genişlemesi gerçekleştirebilir. AI endüstri zincirinin "çevresel arayüz katmanı" olarak iki ana yönde kendini göstermektedir:

• Güvenilir Doğrulama Katmanı: Model oluşturma yollarını, veri katkılarını ve kullanım durumlarını blok zinciri üzerinde kaydederek, AI çıktılarının izlenebilirliğini ve değiştirilemezlik yeteneğini artırır.
• Teşvik Mekanizması: Yerel Token'ı kullanarak veri yükleme, model çağırma, akıllı ajan (Agent) yürütme gibi davranışları teşvik etmek, model eğitimi ve hizmeti için pozitif bir döngü oluşturmak.

AI model türleri sınıflandırması ve blok zinciri uygulanabilirliği analizi

Bu nedenle, model sınıfı Crypto AI projelerinin uygulanabilir noktaları, esas olarak küçük SLM'nin hafif ince ayarı, RAG mimarisinin blok zinciri üzerindeki veri entegrasyonu ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviği üzerinde yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile bir araya getirildiğinde, Crypto bu orta ve düşük kaynaklı model senaryolarına özgü bir değer sunabilir ve AI "arayüz katmanı" için farklılaşmış bir değer oluşturabilir.

Veri ve modellere dayalı blok zinciri AI ağı, her bir verinin ve modelin katkı kaynağının açık, değiştirilemez bir şekilde blok zincirine kaydedilmesini sağlar ve veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması ile, veri veya model kullanıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışlarını ölçülebilir, ticarete konu olabilen tokenize değer haline dönüştürerek sürdürülebilir bir teşvik sistemi inşa eder. Ayrıca, topluluk kullanıcıları, token ile model performansını değerlendirebilir, kuralların belirlenmesi ve yinelemeye katılabilir ve merkeziyetsiz yönetim yapısını tamamlayabilir.

İki, Proje Özeti | OpenLedger'ın AI Zincir Vizyonu

OpenLedger, mevcut pazarda veri ve model teşvik mekanizmalarına odaklanan az sayıda blok zinciri AI projesinden biridir. "Ödenebilir AI" kavramını öncülüğünü yaparak, veri katkıcıları, model geliştiricileri ve AI uygulama geliştiricilerinin aynı platformda işbirliği yapmalarını teşvik eden, adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı oluşturmayı hedeflemektedir ve gerçek katkılara göre zincir üzerindeki kazançları elde etmelerini sağlamaktadır.

OpenLedger, "veri sağlama"dan "model dağıtımına" ve ardından "paylaşım çağrısına" kadar tüm zincir kapalı döngüyü sunar. Temel modülleri şunlardır:

• Model Factory: Programlama gerektirmeden, açık kaynak LLM temelinde LoRA ince ayar eğitimi yapabilir ve özelleştirilmiş modelleri dağıtabilirsiniz;
• OpenLoRA: Binlerce modelin aynı anda varlığını destekler, ihtiyaçlara göre dinamik yükleme yapar, dağıtım maliyetlerini önemli ölçüde düşürür;
• PoA (Attribution Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağılımı sağlanır;
• Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk işbirliği ile inşa edilip doğrulanmıştır;
• Model Teklif Platformu (Model Proposal Platform): Birleştirilebilir, çağrılabilir ve ödenebilir zincir üstü model pazarı.

Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, modelle birleştirilebilir bir "akıllı ajans ekonomik altyapısı" inşa etti ve AI değer zincirinin zincir üzerindeki dönüşümünü teşvik etti.

Ve blok zinciri teknolojisi benimsemesinde, OpenLedger, AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir veri ve sözleşme çalışma ortamı oluşturmak üzere OP Stack + EigenDA'yı temel almıştır.

• OP Stack üzerine inşa edilmiştir: Optimism teknolojisi yığınına dayanarak, 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 sağlar: depolama maliyetlerini önemli ölçüde azaltır ve verilerin doğrulanabilirliğini güvence altına alır.

NEAR gibi daha çok alt katmana odaklanan, veri egemenliği ve «AI Agents on BOS» mimarisini vurgulayan genel AI blok zincirlerine kıyasla, OpenLedger daha çok veri ve model teşviki için özel AI blok zincirleri inşa etmeye odaklanmaktadır. Amacı, modellerin geliştirilmesi ve çağrılması süreçlerinin zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını sağlamaktır. Web3 dünyasında model teşvik altyapısı olarak, model barındırma, kullanım ücretlendirmesi ve zincir üzerindeki birleştirilebilir arayüzlerle bir araya gelerek «model varlık olarak» gerçekleştirme yolunu desteklemektedir.

Üç, OpenLedger'ın Temel Bileşenleri ve Teknolojik Mimarisi

3.1 Model Fabrikası, kodsuz model fabrikası

ModelFactory, OpenLedger ekosisteminde yer alan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinin aksine, ModelFactory tamamen grafik arayüzü ile işlem yapma imkanı sunar, komut satırı araçları veya API entegrasyonu gerektirmeden. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve onaylanmış veri setlerine dayanarak modellerini ince ayar yapabilirler. Veri yetkilendirmesi, model eğitimi ve dağıtımını kapsayan entegre bir iş akışı gerçekleştirilmiştir; temel süreçler şunları içerir:

• Veri erişim kontrolü: Kullanıcı veri talebinde bulunur, sağlayıcı inceleyerek onaylar, veriler otomatik olarak model eğitim arayüzüne entegre edilir.
• Model Seçimi ve Konfigürasyonu: Ana akım LLM'leri (örneğin LLaMA, Mistral) destekler, GUI aracılığıyla hiperparametreleri yapılandırır.
• Hafifletilmiş ince ayar: Dahili LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
• Model değerlendirmesi ve dağıtımı: Yerleşik değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrısını dışa aktarmayı destekler.
• Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneklerini doğrudan test etmek için sohbet tarzı bir arayüz sunar.
• RAG Üretim İzleme: Kaynak alıntıları ile yanıt vererek güveni ve denetlenebilirliği artırır.

Model Factory sistem mimarisi, kimlik doğrulama, veri yetkisi, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği dahil olmak üzere altı ana modülü içermektedir. Güvenli, kontrollü, gerçek zamanlı etkileşimli ve sürdürülebilir bir gelir elde etme amacıyla entegre bir model hizmet platformu oluşturulmaktadır.

ModelFactory şu anda desteklediği büyük dil modeli yeteneklerinin kısa tablosu aşağıdadır:

• LLaMA Serisi: En geniş ekosistem, aktif topluluk, genel performans güçlü, şu anda en yaygın açık kaynak temel modellerden biridir.
• Mistral: Mimarisi verimli, çıkarım performansı son derece iyi, esnek dağıtım ve sınırlı kaynaklar için uygundur.
• Qwen: Alibaba'nın ürünü, Çince görevlerde mükemmel performans gösteriyor, genel yetenekleri güçlü, yerli geliştiriciler için en iyi seçim.
• ChatGLM: Çince konuşma etkisi belirgin, niş müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
• Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans gösterir, akıllı geliştirme yardımcı araçları için uygundur.
• Gemma: Google tarafından sunulan hafif bir model, yapısı net, hızlı bir şekilde öğrenilip deney yapılması kolay.
• Falcon: Önceden performans ölçütüydü, temel araştırma veya karşılaştırma testleri için uygundu, ancak topluluk etkinliği azaldı.
• BLOOM: Çok dilli destek güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
• GPT-2: Klasik erken dönem modeli, yalnızca öğretim ve doğrulama amaçları için uygundur, gerçek kullanım için önerilmez.

OpenLedger'ın model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi modası geçmiş değil, aksine zincir üzerindeki dağıtımın gerçek kısıtlamalarına (çıkarım maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) dayanan "pragmatik öncelik" yapılandırmasıdır.

Model Factory, bir kodsuz araç zinciri olarak, tüm modeller katkı kanıtı mekanizması ile entegre edilmiştir. Bu, veri katkı sağlayıcılarının ve model geliştiricilerinin haklarını güvence altına alır ve düşük giriş engeli, nakde çevrilebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir. Geleneksel model geliştirme araçları ile karşılaştırıldığında:

• Geliştiriciler için: Model kuluçkası, dağıtım ve gelir için tam bir yol sunar;
• Platform için: Model varlıklarını dolaşım ve kombinasyon ekosistemini oluşturma;
• Kullanıcılar için: Modelleri veya Ajanı API çağrısı yapar gibi bir araya getirebilir.

3.2 OpenLoRA, modeli ince ayar yaparak zincir üzerindeki varlıkların dönüştürülmesi

LoRA (Düşük Sıralı Adaptasyon), önceden eğitilmiş büyük bir modele "düşük rütbe matrisleri" ekleyerek yeni görevleri öğrenmek için orijinal model parametrelerini değiştirmeden kullanılan etkili bir parametre ince ayar yöntemidir. Geleneksel büyük dil modelleri (örneğin LLaMA, GPT-3) genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Bunları belirli görevler için (örneğin, hukuk soru-cevap, tıbbi danışmanlık) kullanmak için ince ayar (fine-tuning) yapılması gerekir. LoRA'nın temel stratejisi: "Orijinal büyük modelin parametrelerini dondurmak, yalnızca eklenen yeni parametre matrisini eğitmek." Parametreleri verimli, eğitimi hızlı ve dağıtımı esnek olan LoRA, günümüzde Web3 model dağıtımı ve birleşik çağrılar için en uygun ana akım ince ayar yöntemidir.

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

OpenLoRA sistem mimarisi çekirdek bileşeni, modüler tasarıma dayanarak, model depolama, çıkarım yürütme, istek yönlendirme gibi kritik aşamaları kapsayarak, verimli, düşük maliyetli çoklu model dağıtımı ve çağırma yeteneği sağlar:

• LoRA Adaptörü Depolama Modülü (LoRA Adaptörleri Depolama): İnce ayar yapılmış LoRA adaptörü OpenLedger üzerinde barındırılır, ihtiyaç duyulduğunda yüklenir, böylece tüm modellerin önceden GPU belleğine yüklenmesi önlenir ve kaynaklar tasarruf edilir.
• Model Barındırma ve Dinamik Birleştirme Katmanı (Model Hosting & Adapter Merging Layer): Tüm ince ayar modelleri temel büyük modeli (base model) paylaşır, çıkarım sırasında LoRA adaptörü dinamik olarak birleştirilir, birden fazla adaptörün bir arada çıkarımını (ensemble) destekler, performansı artırır.
• Çıkarım Motoru (Inference Engine): Flash-Attention, Paged-Attention, SGMV optimizasyonu gibi birçok CUDA optimizasyon teknolojisini entegre eder.