تقرير عمق OpenLedger: بناء اقتصاد وكيل مدفوع بالبيانات وقابل للتجميع على أساس OP Stack + EigenDA

١. المقدمة | الانتقال النموذجي لـ Crypto AI

البيانات والنماذج والقدرة الحاسوبية هي العناصر الأساسية الثلاثة للبنية التحتية للذكاء الاصطناعي، تمامًا مثل الوقود (البيانات) والمحرك (النموذج) والطاقة (القدرة الحاسوبية) كل منها ضروري. على غرار مسار تطور البنية التحتية في صناعة الذكاء الاصطناعي التقليدية، شهدت أيضًا مجال الذكاء الاصطناعي في التشفير مراحل مماثلة. في أوائل عام 2024، هيمنت السوق لفترة على مشاريع GPU اللامركزية ( وبعض المنصات الأخرى )، حيث تم التأكيد بشكل عام على منطق النمو الواسع "لزيادة القدرة الحاسوبية". ومع دخول عام 2025، بدأ تركيز الصناعة في الانتقال تدريجياً إلى مستوى النموذج وطبقة البيانات، مما يدل على أن الذكاء الاصطناعي في التشفير ينتقل من المنافسة على الموارد الأساسية إلى بناء أكثر استدامة وقيمة تطبيقية في الطبقة الوسطى.

النماذج العامة الكبيرة (LLM) مقابل النماذج المتخصصة (SLM)

تُعَد نماذج اللغة الكبيرة التقليدية (LLM) تعتمد بشكل كبير على مجموعات البيانات الضخمة والهياكل الموزعة المعقدة، حيث تصل أحجام المعلمات إلى 70B～500B، وغالبًا ما تصل تكلفة التدريب لمرة واحدة إلى ملايين الدولارات. بينما يُعتبر SLM (نموذج اللغة المتخصص) كأحد الأطر الخفيفة للتعديل الدقيق لنموذج أساسي قابل لإعادة الاستخدام، حيث يعتمد عادةً على نماذج مفتوحة المصدر مثل LLaMA وMistral وDeepSeek، ويجمع بين القليل من البيانات المتخصصة عالية الجودة وتقنيات مثل LoRA، لبناء نماذج خبراء تمتلك معرفة في مجالات محددة بسرعة، مما يقلل بشكل كبير من تكاليف التدريب والعقبات التقنية.

من الجدير بالذكر أن SLM لن يتم دمجه في أوزان LLM، بل سيتعاون مع LLM من خلال هيكل الوكيل، ونظام المكونات الإضافية للتوجيه الديناميكي، والاتصال الساخن لوحدات LoRA، وRAG (التوليد المعزز بالاسترجاع) وغيرها من الطرق. يحتفظ هذا الهيكل بقدرة LLM الواسعة، بينما يعزز الأداء المهني من خلال وحدات الضبط الدقيقة، مما يشكل نظام ذكاء مركب عالي المرونة.

قيمة و حدود الذكاء الاصطناعي في طبقة النموذج

مشاريع الذكاء الاصطناعي للعملات المشفرة في جوهرها صعبة في تعزيز القدرات الأساسية لنماذج اللغة الكبيرة (LLM) بشكل مباشر، والسبب الرئيسي في ذلك هو

• العائق التقني مرتفع جداً: حجم البيانات والموارد الحاسوبية والقدرات الهندسية اللازمة لتدريب نموذج Foundation ضخمة للغاية، حالياً فقط الشركات الكبرى في الولايات المتحدة (بعض الشركات، إلخ) والصين (بعض الشركات، إلخ) تمتلك القدرات المناسبة.
• قيود النظام البيئي مفتوح المصدر: على الرغم من أن النماذج الأساسية السائدة مثل LLaMA و Mixtral قد تم فتح مصدرها، إلا أن المفتاح الحقيقي لدفع النموذج نحو التقدم لا يزال مركزًا في المؤسسات البحثية وأنظمة الهندسة المغلقة، مما يقيد مساحة المشاركة للمشاريع على السلسلة في مستوى النموذج الأساسي.

ومع ذلك، يمكن لمشاريع Crypto AI أن تحقق قيمة موسعة من خلال ضبط نماذج اللغة المتخصصة (SLM) على نماذج الأساس مفتوحة المصدر، بالإضافة إلى دمج القابلية للتحقق وآليات التحفيز الخاصة بـ Web3. كـ "طبقة واجهة محيطية" في سلسلة صناعة الذكاء الاصطناعي، تتجلى في اتجاهين أساسيين:

• طبقة التحقق الموثوقة: من خلال تسجيل مسار توليد النموذج، ومساهمات البيانات، وحالة الاستخدام على السلسلة، تعزز قابلية تتبع المخرجات الذكية وقدرتها على مقاومة التلاعب.
• آلية الحوافز: من خلال استخدام الرموز الأصلية، لتحفيز سلوكيات مثل تحميل البيانات، استدعاء النماذج، وتنفيذ الوكلاء (Agent)، لبناء حلقة إيجابية لتدريب النموذج والخدمات.

تصنيف أنواع نماذج الذكاء الاصطناعي وتحليل ملاءمتها للبلوك تشين

من هنا يتضح أن النقاط القابلة للتطبيق لمشاريع Crypto AI من نوع نموذجية تتركز بشكل رئيسي على التعديل الخفيف لنماذج SLM الصغيرة، والوصول إلى البيانات والتحقق منها عبر الهيكل RAG، بالإضافة إلى النشر المحلي لنماذج Edge والحوافز المرتبطة بها. بالجمع بين قابلية التحقق في blockchain وآلية الرموز، يمكن لـ Crypto أن يوفر قيمة فريدة لهذه السيناريوهات ذات الموارد المتوسطة والمنخفضة، مما يخلق قيمة متميزة لطبقة "واجهة" AI.

سلسلة الكتل AI المعتمدة على البيانات والنماذج، يمكنها تسجيل مصدر مساهمات كل بيانات ونماذج بوضوح وبشكل غير قابل للتغيير، مما يعزز بشكل كبير مصداقية البيانات وقابلية تتبع تدريب النماذج. في الوقت نفسه، من خلال آلية العقود الذكية، يتم تفعيل توزيع المكافآت تلقائيًا عند استدعاء البيانات أو النماذج، مما يحول سلوك AI إلى قيمة قابلة للقياس وقابلة للتداول. بالإضافة إلى ذلك، يمكن لمستخدمي المجتمع أيضًا تقييم أداء النماذج من خلال التصويت بالرموز، والمشاركة في وضع القواعد والتكرار، مما يُحسن الهيكل الإداري اللامركزي.

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-62B3FAe810F4772AABA3D91C74C1AA6)

الثانية، نظرة عامة على المشروع | رؤية OpenLedger للذكاء الاصطناعي على السلسلة

OpenLedger هو أحد المشاريع القليلة في سوق blockchain AI التي تركز على البيانات وآليات تحفيز النماذج. لقد قدمت مفهوم "Payable AI" لأول مرة، بهدف بناء بيئة تشغيل AI عادلة وشفافة وقابلة للتجميع، وتحفيز المساهمين في البيانات ومطوري النماذج وبناة تطبيقات AI للتعاون على نفس المنصة، والحصول على عوائد على السلسلة بناءً على المساهمات الفعلية.

OpenLedger يوفر سلسلة مغلقة كاملة من "توفير البيانات" إلى "نشر النماذج" إلى "استدعاء توزيع الأرباح"، وتشمل وحداته الأساسية:

• مصنع النموذج: لا حاجة للبرمجة، يمكنك استخدام LoRA لضبط التدريب ونشر النماذج المخصصة بناءً على LLM مفتوح المصدر؛
• OpenLoRA: يدعم وجود آلاف النماذج بشكل متزامن، تحميل ديناميكي حسب الحاجة، مما يقلل بشكل كبير من تكلفة النشر؛
• PoA (إثبات النسبة): من خلال تسجيل استدعاءات على السلسلة لتحقيق قياس المساهمة وتوزيع المكافآت؛
• Datanets: شبكة بيانات هيكلية مخصصة لمشاهد عمودية، تم بناؤها والتحقق منها من خلال التعاون المجتمعي؛
• منصة اقتراح النماذج (Model Proposal Platform): سوق نماذج على السلسلة قابلة للتجميع، قابلة للاستدعاء، وقابلة للدفع.

من خلال الوحدات المذكورة أعلاه، قامت OpenLedger ببناء "بنية تحتية للاقتصاد الذكي" مدفوعة بالبيانات وقابلة للتجميع، مما يدفع سلسلة قيمة الذكاء الاصطناعي إلى التفعيل على السلسلة.

وفي اعتماد تقنية blockchain، تعتمد OpenLedger على OP Stack + EigenDA كأساس، مما يوفر بيئة تشغيل بيانات وعقود عالية الأداء ومنخفضة التكلفة وقابلة للتحقق لنماذج الذكاء الاصطناعي.

• بناءً على OP Stack: مبني على تقنية Optimism، يدعم تنفيذ عالي التدفق ومنخفض التكلفة؛
• التسوية على شبكة Ethereum الرئيسية: تأكد من أمان المعاملات وسلامة الأصول؛
• متوافق مع EVM: يسهل على المطورين نشر وتوسيع التطبيقات بسرعة بناءً على Solidity؛
• يوفر EigenDA دعمًا لتوافر البيانات: يقلل بشكل كبير من تكاليف التخزين، ويضمن قابلية التحقق من البيانات.

بالمقارنة مع NEAR ، وهي سلسلة ذكاء اصطناعي عامة تركز على البيانات السيادية وبنية "AI Agents on BOS" ، تركز OpenLedger على بناء سلسلة ذكاء اصطناعي مخصصة تحفز البيانات والنماذج ، وتهدف إلى تحقيق قيمة قابلة للتتبع ، وقابلة للتجميع ، ومستدامة في تطوير النماذج واستدعائها على السلسلة. إنها بنية تحتية لتحفيز النماذج في عالم Web3 ، تجمع بين استضافة نماذج على منصات معينة ، وفوترة استخدام على منصات معينة ، وواجهات قابلة للتجميع على السلسلة ، مما يدفع نحو تحقيق "النموذج كأصل".

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-19C2276FCCC616CCF9260FB7E35C9C24)

ثلاثاً، المكونات الأساسية لـ OpenLedger والهيكل التكنولوجي

3.1 نموذج المصنع،无需代码模型工厂

نموذج المصنع هو منصة ضبط نموذج اللغة الكبيرة (LLM) تحت نظام OpenLedger البيئي. على عكس أطر الضبط التقليدية، يوفر نموذج المصنع واجهة رسومية بحتة، دون الحاجة إلى أدوات سطر الأوامر أو تكامل API. يمكن للمستخدمين ضبط النموذج بناءً على مجموعة البيانات التي تم تفويضها ومراجعتها على OpenLedger. تم تحقيق سير العمل المتكامل لتفويض البيانات، وتدريب النموذج ونشره، وتتضمن العملية الأساسية ما يلي:

• التحكم في الوصول إلى البيانات: يقدم المستخدم طلبات البيانات، ويقوم المزود بمراجعة الموافقة، ويتم توصيل البيانات تلقائيًا بواجهة تدريب النموذج.
• اختيار النموذج وتكوينه: يدعم LLM الشائعة (مثل LLaMA و Mistral)، من خلال واجهة المستخدم الرسومية لتكوين المعلمات الفائقة.
• تعديل خفيف الوزن: محرك LoRA / QLoRA المدمج، يعرض تقدم التدريب في الوقت الحقيقي.
• تقييم النموذج ونشره: أدوات تقييم مدمجة، تدعم تصدير النشر أو مشاركة الاستدعاء البيئي.
• واجهة تحقق تفاعلية: توفر واجهة دردشة، مما يسهل اختبار قدرة النموذج على الإجابة.
• توليد رصد RAG: إجابات مع استشهادات المصادر، لتعزيز الثقة وقابلية التدقيق.

يتضمن هيكل نظام Model Factory ستة وحدات، تشمل المصادقة على الهوية، صلاحيات البيانات، تعديل النموذج، تقييم النشر، و RAG للتتبع، مما يخلق منصة خدمات نماذج متكاملة آمنة وقابلة للتحكم، وتفاعلية في الوقت الحقيقي، وقابلة لتحقيق الدخل المستدام.

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ Moments-F23F47F09226573B1FCACEBDCFB8c1f3)

جدول ملخص قدرات نماذج اللغة الكبيرة المدعومة حالياً من ModelFactory هو كما يلي:

• سلسلة LLaMA: الأكثر انتشارًا، مجتمع نشط، أداء عام قوي، وهي واحدة من النماذج الأساسية مفتوحة المصدر الأكثر شيوعًا في الوقت الحالي.
• Mistral: هيكل فعّال، أداء استنتاجي ممتاز، مناسب للنشر في سيناريوهات مرنة وموارد محدودة.
• Qwen: منتج من شركة معينة، أداء متميز في المهام الصينية، قدرة شاملة قوية، مناسب للاختيار الأول للمطورين المحليين.
• ChatGLM: تأثير المحادثة باللغة الصينية بارز، مناسب لخدمة العملاء في المجالات المتخصصة والمشاهد المحلية.
• Deepseek: يتميز بأداء متفوق في توليد الشفرات والاستدلال الرياضي، ويستخدم كأداة مساعدة للتطوير الذكي.
• Gemma: نموذج خفيف تم إطلاقه من قبل شركة معينة، هيكله واضح، وسهل الاستخدام السريع والتجريب.
• فالكون: كان معيار الأداء، مناسب للأبحاث الأساسية أو اختبارات المقارنة، لكن نشاط المجتمع قد انخفض.
• BLOOM: دعم متعدد اللغات قوي، لكن أداء الاستدلال ضعيف، مناسب للأبحاث التي تغطي اللغات.
• GPT-2: نموذج مبكر كلاسيكي، مناسب فقط لأغراض التعليم والتحقق، لا يُوصى باستخدامه في النشر الفعلي.

على الرغم من أن مجموعة نماذج OpenLedger لا تتضمن أحدث نماذج MoE عالية الأداء أو النماذج متعددة الوسائط، إلا أن استراتيجيتها ليست قديمة، بل هي تكوين "الأولوية العملية" استنادًا إلى القيود الواقعية للنشر على السلسلة (تكلفة الاستدلال، توافق RAG، توافق LoRA، بيئة EVM).

تعتبر Model Factory كأداة سلسلة بدون كود، حيث تم دمج آلية إثبات المساهمة في جميع النماذج، لضمان حقوق مساهمي البيانات ومطوري النماذج، وتتميز بانخفاض العوائق، وقابلية التسييل والتركيب، مقارنةً بأدوات تطوير النماذج التقليدية:

• للمطورين: توفير مسار كامل لاحتضان النماذج وتوزيعها والدخل؛
• بالنسبة للمنصة: تشكيل تدفق الأصول النموذجية وبيئة التركيب؛
• بالنسبة للمستخدمين: يمكن دمج النماذج أو الوكلاء كما هو الحال عند استدعاء واجهة برمجة التطبيقات.

! [تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب على أساس OP Stack+EigenDA](https://img-cdn.gateio.im/social/ moments-909dc3f796ad6aa44a1c97a51ade4193)

3.2 OpenLoRA ،资产化 الأصول على السلسلة لنموذج الضبط

LoRA (التكيف منخفض الرتبة) هي طريقة فعالة لضبط المعلمات من خلال إدخال "مصفوفة منخفضة الرتبة" في نموذج كبير تم تدريبه مسبقًا لتعلم مهام جديدة دون تعديل معلمات النموذج الأصلي، مما يقلل بشكل كبير من تكلفة التدريب واحتياجات التخزين. عادةً ما تحتوي نماذج اللغة الكبيرة التقليدية (مثل LLaMA وGPT-3) على عشرات المليارات أو حتى مئات المليارات من المعلمات. لاستخدامها في مهام محددة (مثل استفسارات قانونية، استشارات طبية)، يجب إجراء ضبط (fine-tuning). الاستراتيجية الأساسية لـ LoRA هي: "تجميد معلمات النموذج الكبير الأصلي، وتدريب مصفوفة المعلمات الجديدة المدخلة فقط". إنها فعالة من حيث المعلمات، سريعة التدريب، ومرنة النشر، مما يجعلها الطريقة الرائدة حاليًا لنشر نماذج Web3 واستدعائها بشكل مشترك.

OpenLoRA هو إطار خفيف الوزن تم بناؤه بواسطة OpenLedger مصمم لنشر عدة نماذج ومشاركة الموارد. الهدف الأساسي له هو معالجة المشكلات الشائعة في نشر نماذج الذكاء الاصطناعي الحالية مثل التكاليف العالية، وانخفاض إعادة الاستخدام، واهدار موارد GPU، ودعم تنفيذ "الذكاء الاصطناعي القابل للدفع".

المكونات الأساسية لهندسة نظام OpenLoRA، المعتمدة على التصميم المعياري، تغطي تخزين النماذج، تنفيذ الاستدلال، توجيه الطلبات وغيرها من النقاط الحرجة، لتحقيق كفاءة وبتكلفة منخفضة لنشر واستدعاء نماذج متعددة:

• وحدة تخزين محولات LoRA (LoRA Adapters Storage): يتم استضافة محول LoRA المعدل على OpenLedger، مما يتيح التحميل حسب الحاجة، وتجنب تحميل جميع النماذج مسبقًا.