تقرير بحثي متعمق ل OpenLedger: بناء اقتصاد وكيل قائم على البيانات وقابل للتركيب استنادا إلى OP Stack + EigenDA

١. المقدمة | الانتقال في طبقة النموذج لـ Crypto AI

البيانات والنماذج والقوة الحاسوبية هي العناصر الثلاثة الأساسية للبنية التحتية للذكاء الاصطناعي، على غرار الوقود (البيانات) والمحرك (النموذج) والطاقة (القوة الحاسوبية) التي لا غنى عنها. وعلى غرار مسار تطور البنية التحتية في صناعة الذكاء الاصطناعي التقليدية، شهد مجال الذكاء الاصطناعي في التشفير أيضًا مراحل مشابهة. في أوائل عام 2024، هيمن السوق لفترة على مشاريع وحدات معالجة الرسوميات اللامركزية ( وبعض منصات القوة الحاسوبية اللامركزية الأخرى )، حيث تم التأكيد بشكل عام على منطق النمو الواسع "لزيادة القوة الحاسوبية". ومع دخول عام 2025، بدأت نقاط التركيز في الصناعة بالتحول تدريجيًا نحو نموذج وطبقة البيانات، مما يدل على أن الذكاء الاصطناعي في التشفير ينتقل من المنافسة على الموارد الأساسية إلى بناء أكثر استدامة وقيمة تطبيقية في الطبقة المتوسطة.

! [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)

النموذج العام الكبير (LLM) مقابل النموذج المتخصص (SLM)

تدريب نماذج اللغة الكبيرة التقليدية (LLM) يعتمد بشكل كبير على مجموعات بيانات ضخمة وهياكل موزعة معقدة، حيث يتراوح حجم المعلمات بين 70B و 500B، وغالبًا ما تصل تكلفة التدريب لمرة واحدة إلى مئات الآلاف من الدولارات. أما نموذج اللغة المتخصص (SLM) كنوع من نماذج الأساس القابلة لإعادة الاستخدام، فيعتمد عادةً على نماذج مفتوحة المصدر مثل LLaMA وMistral وDeepSeek، ويجمع بين كمية صغيرة من البيانات المهنية عالية الجودة وتقنيات مثل LoRA، لبناء نماذج خبراء تحتوي على معرفة في مجالات معينة بسرعة، مما يقلل بشكل كبير من تكلفة التدريب والعوائق التقنية.

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

قيمة وحدود Crypto AI على مستوى النموذج

مشاريع الذكاء الاصطناعي العملات المشفرة من الصعب أساسًا تعزيز القدرات الأساسية لنماذج اللغة الكبيرة (LLM) بشكل مباشر، والسبب الرئيسي في ذلك هو

• عائق تقني مرتفع: حجم البيانات والموارد الحاسوبية والقدرات الهندسية المطلوبة لتدريب نموذج Foundation كبيرة للغاية، والآن فقط تمتلك بعض الشركات الكبرى في الولايات المتحدة (مثل OpenAI) والصين (مثل DeepSeek) هذه القدرات.
• قيود النظام البيئي المفتوح: على الرغم من أن النماذج الأساسية الشائعة مثل LLaMA و Mixtral قد تم فتح مصدرها، إلا أن العامل الرئيسي الذي يدفع تقدم النماذج لا يزال مركزًا في المؤسسات البحثية ونظم الهندسة المغلقة، مما يحد من مساحة المشاركة لمشاريع البلوك تشين في مستوى النموذج الأساسي.

ومع ذلك، على أساس نموذج المصدر المفتوح، يمكن لمشروع Crypto AI أن يحقق تمديد القيمة من خلال تحسين نموذج اللغة المتخصص (SLM) ودمجه مع القابلية للتحقق وآلية التحفيز في Web3. كـ "طبقة واجهة محيطية" في سلسلة صناعة AI، يتجلى ذلك في اتجاهين رئيسيين:

• طبقة التحقق الموثوق: من خلال تسجيل مسار توليد النموذج، ومساهمات البيانات، واستخدامها على السلسلة، تعزز إمكانية تتبع مخرجات الذكاء الاصطناعي وقدرتها على مقاومة التلاعب.
• آلية التحفيز: من خلال استخدام الرمز الأصلي، لتحفيز سلوكيات مثل رفع البيانات، واستدعاء النماذج، وتنفيذ الوكلاء، لبناء حلقة إيجابية بين تدريب النموذج والخدمات.

تحليل ملاءمة نوع نموذج AI والبلوكتشين

من هنا يتضح أن النقاط القابلة للتطبيق لمشاريع Crypto AI من نوع نموذجية تتركز بشكل رئيسي على تخفيف الوزن الدقيق لنماذج SLM الصغيرة، وتكامل البيانات والتحقق من البيانات على السلسلة باستخدام بنية RAG، بالإضافة إلى النشر المحلي لنماذج Edge والتحفيز. من خلال الجمع بين قابلية التحقق التي توفرها blockchain وآلية الرموز، يمكن لـ Crypto أن تقدم قيمة فريدة لهذه السيناريوهات التي تعتمد على نماذج ذات موارد متوسطة إلى منخفضة، مما يشكل قيمة مميزة لطبقة واجهة AI.

سلسلة كتلة AI القائمة على البيانات والنماذج، يمكن تسجيل مصدر مساهمة كل من البيانات والنماذج بوضوح وبطريقة غير قابلة للتغيير، مما يعزز بشكل كبير من 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 رمزية قابلة للقياس والتداول، وبناء نظام تحفيز مستدام. بالإضافة إلى ذلك، يمكن لمستخدمي المجتمع أيضًا تقييم أداء النموذج من خلال التصويت بالرموز، والمشاركة في صياغة القواعد والتكرار، مما يحسن هيكل الحوكمة اللامركزية.

! [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)

ثانياً، نظرة عامة على المشروع | رؤية OpenLedger لسلسلة الذكاء الاصطناعي

OpenLedger هو واحد من المشاريع القليلة في سوق blockchain AI التي تركز على آليات تحفيز البيانات والنماذج. لقد قدمت مفهوم "AI القابلة للدفع"، بهدف بناء بيئة تشغيل AI عادلة وشفافة وقابلة للتجميع، لتحفيز المساهمين في البيانات، ومطوري النماذج، وبناة تطبيقات AI للتعاون على نفس المنصة، والحصول على إيرادات على السلسلة بناءً على المساهمات الفعلية.

OpenLedger تقدم حلقة مغلقة كاملة من "توفير البيانات" إلى "نشر النماذج" وصولاً إلى "استدعاء الأرباح"، تشمل الوحدات الأساسية ما يلي:

• مصنع النموذج: دون الحاجة إلى برمجة، يمكنك استخدام LoRA لتدريب وتحسين النماذج المخصصة ونشرها بناءً على LLM مفتوح المصدر؛
• OpenLoRA: يدعم التعايش بين الآلاف من النماذج، تحميل ديناميكي حسب الطلب، مما يقلل بشكل كبير من تكاليف النشر؛
• PoA (إثبات النسبة): من خلال تسجيل استدعاءات على السلسلة لتحقيق قياس المساهمة وتوزيع المكافآت؛
• Datanets: شبكة بيانات هيكلية موجهة نحو مشاهد 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 يعزز تحويل سلسلة قيمة الذكاء الاصطناعي إلى السلسلة.

وفي اعتماد تكنولوجيا البلوكشين، قدمت OpenLedger بيئة تشغيل للبيانات والعقود عالية الأداء ومنخفضة التكلفة وقابلة للتحقق، مبنية على OP Stack + EigenDA.

• مبني على OP Stack: يعتمد على تقنية Optimism، ويدعم تنفيذ عالي السعة ومنخفض التكلفة؛
• تسوية على الشبكة الرئيسية للإيثيريوم: ضمان أمان المعاملات وسلامة الأصول؛
• متوافق مع EVM: يسهل على المطورين نشر وتوسيع بسرعة استنادًا إلى Solidity؛
• EigenDA توفر دعم توافر البيانات: يقلل بشكل كبير من تكاليف التخزين ويضمن قابلية التحقق من البيانات.

بالمقارنة مع NEAR، وهو نوع من سلاسل البلوكتشين التي تركز أكثر على البنية التحتية وتروج لسيادة البيانات و«الوكلاء الذكائيين على BOS»، تركز OpenLedger أكثر على بناء سلاسل بلوكتشين مخصصة للذكاء الاصطناعي، تستهدف تحفيز البيانات والنماذج، وتهدف إلى جعل تطوير النماذج واستدعائها في السلسلة قابلة للتتبع والتركيب والاستدامة. إنها بنية تحتية لتحفيز النماذج في عالم Web3، تجمع بين بعض منصات استضافة النماذج، وبعض منصات الدفع لتكاليف الاستخدام، وبعض خدمات البلوكتشين كواجهات قابلة للتركيب على السلسلة، مما يعزز مسار 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-F23F47F09226573B1FCACEBDCFB8c1f3)

ثلاثة، المكونات الأساسية وعمارة التقنية لـ OpenLedger

3.1 مصنع النموذج،无需 كود مصنع النموذج

ModelFactory هو منصة لتخصيص نموذج اللغة الكبير (LLM) ضمن نظام OpenLedger البيئي. على عكس أطر التخصيص التقليدية، يوفر ModelFactory واجهة رسومية بحتة، دون الحاجة إلى أدوات سطر الأوامر أو تكامل API. يمكن للمستخدمين تخصيص النماذج استنادًا إلى مجموعات البيانات التي تم تفويضها ومراجعتها على OpenLedger. تم تحقيق سير العمل المتكامل لتفويض البيانات، وتدريب النماذج ونشرها، وتتضمن العملية الأساسية ما يلي:

• التحكم في وصول البيانات: يقدم المستخدم طلب بيانات، يقوم المزود بمراجعته والموافقة عليه، وتتم توصيل البيانات تلقائيًا إلى واجهة 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 في النظام البيئي.
• واجهة التحقق التفاعلية: توفر واجهة دردشة، مما يسهل اختبار قدرة النموذج على الإجابة.
• توليد تتبع RAG: إجابة مع إشارة إلى المصدر، مما يعزز الثقة وقابلية التدقيق.

يتضمن هيكل نظام Model Factory ستة وحدات، تشمل مصادقة الهوية، وصلاحيات البيانات، وتعديل النموذج، وتقييم النشر، وRAG تتبع المصدر، لإنشاء منصة خدمة نموذج متكاملة وآمنة وقابلة للتحكم، وتفاعلية في الوقت الفعلي، وقابلة للتحقيق 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-909dc3f796ad6aa44a1c97a51ade4193)

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

• سلسلة LLaMA: الأكثر انتشارًا في النظام البيئي، مجتمع نشط، أداء عام قوي، وهي واحدة من أكثر النماذج الأساسية مفتوحة المصدر شيوعًا حاليًا.
• Mistral: هيكل فعال، أداء استدلال ممتاز، مناسب لنشر مرن، ومشاهد ذات موارد محدودة.
• Qwen: منتج من علي بابا، أداء ممتاز في المهام باللغة الصينية، قدرة شاملة قوية، مناسب ليكون الخيار الأول للمطورين المحليين.
• ChatGLM: تأثير المحادثة باللغة الصينية بارز، مناسب لخدمة العملاء في الفئات المحلية والسيناريوهات المحلية.
• Deepseek: تتميز بأداء متفوق في توليد الشفرات والاستدلال الرياضي، مناسبة كأداة مساعدة للتطوير الذكي.
• Gemma: نموذج خفيف الوزن تم إطلاقه من قبل جوجل، هيكل واضح، سهل الاستخدام والتجريب بسرعة.
• Falcon: كانت معيار الأداء، مناسبة للبحث الأساسي أو اختبارات المقارنة، لكن نشاط المجتمع قد انخفض.
• BLOOM: يدعم عدة لغات بشكل قوي، لكن أداء الاستدلال ضعيف، مناسب لأبحاث تغطية اللغات.
• GPT-2: نموذج كلاسيكي مبكر، مناسب فقط لأغراض التعليم والتحقق، لا يُنصح باستخدامه في النشر الفعلي.

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

تعتبر Model Factory كأداة بلا كود، حيث تحتوي جميع النماذج على آلية إثبات المساهمة المدمجة، مما يضمن حقوق المساهمين في البيانات ومطوري النماذج، وتتميز بمتطلبات منخفضة، وقابلية للتسييل، وقابلية للتجميع، مقارنة بأدوات تطوير النماذج التقليدية:

• للمطورين: توفير مسار كامل لنمذجة الحضانة والتوزيع والإيرادات؛
• بالنسبة للمنصة: تشكيل تدفق الأصول النموذجية وبيئة التركيب؛
• بالنسبة للمستخدمين: يمكن دمج النماذج أو الوكيل كما لو كنت تستدعي 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-F49CFA5EA73FC0018250D04193B34B60)

3.2 OpenLoRA ، الأصول على السلسلة لنماذج الضبط

LoRA (التكيف منخفض الرتبة) هي طريقة فعالة لضبط المعلمات، من خلال إدخال "مصفوفات منخفضة الرتبة" في نموذج كبير مدرب 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 الأسئلة القانونية، الاستشارات الطبية)، يلزم إجراء ضبط (fine-tuning). الاستراتيجية الأساسية لـ LoRA هي: "تجميد معلمات النموذج الكبير الأصلي، وتدريب فقط مصفوفات المعلمات الجديدة المدخلة."، وهي فعالة من حيث المعلمات، سريعة التدريب، ومرنة في النشر، مما يجعلها الطريقة الرئيسية الأنسب لنشر نماذج Web3 واستدعائها بشكل مركب.

OpenLoRA هو إطار استدلال خفيف الوزن تم بناؤه بواسطة OpenLedger مصمم لنشر نماذج متعددة ومشاركة الموارد. الهدف الرئيسي منه هو معالجة المشكلات الشائعة في نشر نماذج الذكاء الاصطناعي مثل التكاليف العالية، وانخفاض إمكانية إعادة الاستخدام، وهدر موارد GPU، ودفع تنفيذ "الذكاء الاصطناعي القابل للدفع".

OpenLoRA نظام هيكل المكونات الأساسية، بناءً على النموذج