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

Một, Giới thiệu | Sự chuyển giao mô hình của 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. 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 từng bị các dự án GPU phi tập trung dẫn dắt, nhấn mạnh vào logic tăng trưởng thô "cạnh tranh năng lực tính toán". Tuy nhiên, vào năm 2025, sự chú ý của ngành dần dần chuyển lên tầng mô hình và dữ liệu, đánh dấu sự chuyển mình của Crypto AI từ cạnh tranh tài nguyên cơ bản 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)

Các mô hình ngôn ngữ lớn truyền thống (LLM) thường phụ thuộc vào các tập dữ liệu quy mô lớn và kiến trúc phân tán phức tạp, quy mô tham số thường từ 70B đến 500B, chi phí để đào tạo một lần thường lên tới hàng triệu đô la. Trong khi đó, SLM (Mô hình Ngôn ngữ Chuyên biệt) như một phương thức tinh chỉnh nhẹ với 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, có thể nhanh chóng xây dựng các mô hình chuyên gia có kiến thức trong lĩnh vực cụ thể, đáng kể giảm 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 được gọi thông qua kiến trúc Agent, điều hướng động hệ thống plugin, cắm nóng mô-đun LoRA, RAG (tạo ra tăng cường truy vấn) và các phương thức khác để phối hợp hoạt động với LLM. Kiến trúc này không chỉ giữ lại khả năng bao quát rộng lớn của LLM mà còn tăng cường hiệu suất chuyên môn thông qua các mô-đun tinh chỉnh, tạo thành một hệ thống thông minh kết hợp có tính linh hoạt cao.

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

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), nguyên nhân chính 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 rất lớn, hiện chỉ có các tập đoàn công nghệ lớn ở Mỹ và Trung Quốc mới có khả năng tương ứng.
• Giới hạn của hệ sinh thái mã nguồn mở: Mặc dù các mô hình cơ bản chính như LLaMA, Mixtral 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 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) và kết hợp tính xác minh và cơ chế khuyến khích của Web3. Là "tầng giao diện ngoại vi" của chuỗi công nghiệp AI, điều này được thể hiện qua hai hướng chính:

• Lớp xác thực đáng tin cậy: Thông qua việc ghi lại trên chuỗi về các mô hình, đường đi, đóng góp dữ liệu và tình trạng sử dụng, tăng cường khả năng truy xuất nguồn gốc và khả năng chống giả mạo 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 các hành động của tác nhân (Agent), xây dựng vòng lặp tích cực cho việc đào tạo và phục vụ mô hình.

Phân loại loại mô hình AI và phân tích tính phù hợp với blockchain

Như vậy, điểm khả thi của các dự án Crypto AI loại mô hình chủ yếu tập trung vào việc tinh chỉnh nhẹ nhàng các SLM nhỏ, kết nối và xác minh dữ liệu trên chuỗi của kiến trúc RAG, cũng như triển khai và khuyến khích các mô hình Edge tại chỗ. Kết hợp tính khả chứng của blockchain và cơ chế token, Crypto có thể cung cấp giá trị đặc biệt 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 dữ liệu và mô hình của chuỗi AI blockchain, có thể ghi lại rõ ràng và không thể sửa đổi nguồn gốc đóng góp của từng dữ liệu và mô hình trên chuỗi, làm tăng 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 việc 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 chuỗi AI của OpenLedger

OpenLedger là một trong số ít các dự án blockchain AI trên thị trường 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 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 ích trên chuỗi dựa trên sự đóng góp thực tế.

OpenLedger cung cấp một chuỗi khép kín toàn diện từ "cung cấp dữ liệu" đến "triển khai mô hình" và sau đó là "gọi phân chia lợi nhuận", với các mô-đun cốt lõi bao gồm:

• Nhà máy mô hình：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 nghìn mô hình cùng tồn tại, tải động theo nhu cầu, giảm đáng kể chi phí triển khai;
• PoA (Bằng chứng về sự quy thuộc): Thực hiện đo lường đóng góp và phân phối phần thưởng thông qua việc ghi lại các cuộc gọi trên chuỗi;
• Datanets: Mạng dữ liệu có cấu trúc hướng đến các tình huống chuyên biệt, 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 "cơ sở hạ tầng kinh tế trí tuệ" có tính chất dữ liệu, mô hình có thể kết hợp, thúc đẩy việc chuỗi hóa giá trị AI.

Và trong việc áp dụng công nghệ blockchain, OpenLedger đã sử dụng OP Stack + EigenDA làm nền tảng, tạo ra môi trường vận hành 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 dựa trên Solidity;
• EigenDA cung cấp hỗ trợ khả năng sẵn có của dữ liệu: giảm đáng kể chi phí lưu trữ, đảm bảo khả năng xác minh dữ liệu.

So với các chuỗi AI tổng quát như NEAR, vốn tập trung vào cơ sở hạ tầng, quyền dữ liệu và kiến trúc "AI Agents on BOS", OpenLedger chú trọng hơn vào việc xây dựng các chuỗi AI chuyên dụng nhằm thúc đẩy dữ liệu và mô hình, cam kết tạo ra một 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 khuyến khích mô hình trong thế giới Web3, kết hợp giữa lưu trữ mô hình, tính phí sử dụng và giao diện có thể kết hợp trên chuỗi, 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, không cần mã mô hình nhà máy

ModelFactory là một nền tảng tinh chỉnh mô hình ngôn ngữ lớn (LLM) dưới 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 các tập dữ liệu đã hoàn thành việc cấp quyền và phê duyệt trên OpenLedger. Nó đã thực hiện quy trình làm việc tích hợp cho việc cấp quyền 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 huấn luyện mô hình.
• Lựa chọn và cấu hình mô hình: Hỗ trợ các 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 trình đào tạo theo thời gian thực.
• Đánh giá và triển khai mô hình: Công cụ đánh giá tích hợp, hỗ trợ xuất triển khai hoặc chia sẻ gọi sinh thái.
• Giao diện xác thực tương tác: Cung cấp giao diện dạng trò chuyện, thuận tiện cho việc kiểm tra khả năng hỏi đáp của mô hình.
• RAG tạo nguồn gốc: Trả lời kèm theo trích dẫn nguồn, tăng cường sự tin cậy và khả năng kiểm toán.

Kiến trúc hệ thống Model Factory bao gồm sáu mô-đun, bao trùm xác thực danh tính, quyền dữ liệu, tinh chỉnh mô hình, đánh giá triển khai và RAG truy nguyên, tạo ra một nền tảng dịch vụ mô hình tích hợp an toàn, có thể kiểm soát, tương tác thời gian thực và có thể kiếm tiền 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 năng nổ, 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 cực tốt, phù hợp để triển khai linh hoạt, trong các tình huống tài nguyên hạn chế.
• Qwen：Sản phẩm của Alibaba, thể hiện tốt nhiệm vụ tiếng Trung, khả năng tổng hợp mạnh, phù hợp với sự 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 lĩnh vực và các tình huống địa phương.
• Deepseek: Thể hiện ưu thế 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 Google phát triển, cấu trúc rõ ràng, dễ dàng để bắt đầu và thử nghiệm nhanh.
• Falcon: Từng là tiêu chuẩn 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 mạnh, nhưng hiệu suất suy luận yếu, phù hợp cho nghiên cứu bao trùm ngôn ngữ.
• GPT-2: Mô hình cổ điển từ sớm, chỉ phù hợp cho mục đích giảng dạy và xác minh, không khuyến nghị sử dụng 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 của 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, khả năng chuyển đổi và khả năng kết hợp, so với các công cụ phát triển mô hình truyền thống:

• Đối với các nhà phát triển: Cung cấp lộ trình hoàn chỉnh cho việc ươm tạo, phân phối và thu nhập mô hình;
• Đối với nền tảng: hình thành lưu thông tài sản mô hình và hệ 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 bậc thấp" vào mô hình lớn đã được tiền huấn luyện để học các nhiệm vụ mới mà không thay đổi các 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, tư vấn y tế), 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, triển khai linh hoạt, đây là phương pháp tinh chỉnh chính thống phù hợp nhất cho việc triển khai và gọi kết hợp mô hình Web3 hiện nay.

OpenLoRA là một khung suy diễn nhẹ được xây dựng bởi OpenLedger, 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 các vấn đề phổ biến trong việc triển khai mô hình AI hiện tại như chi phí cao, khả năng tái sử dụng thấp và lãng phí tài nguyên GPU, thúc đẩy việc thực hiện "AI có thể thanh toán" (Payable AI).

OpenLoRA hệ thống kiến trúc 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 nhu cầu, tránh việc tải tất cả các mô hình vào bộ nhớ đồ họa, tiết kiệm tài nguyên.
• Lớp lưu trữ mô hình và hợp nhất động (Model Hosting & Adapter Merging Layer): Tất cả các mô hình tinh chỉnh đều chia sẻ mô hình lớn cơ sở (base model), trong quá trình suy luận, bộ điều hợp LoRA được hợp nhất động, hỗ trợ nhiều bộ điều hợp suy luận kết hợp (ensemble), nâng cao hiệu suất.
• Công cụ suy luận (Inference Engine): Tích hợp nhiều công nghệ tối ưu CUDA như Flash-Attention, Paged-Attention, SGMV.