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

المقدمة | الانتقال في طبقة نموذج Crypto AI

تُعتبر البيانات والنماذج وقدرة الحوسبة العناصر الثلاثة الأساسية للبنية التحتية للذكاء الاصطناعي، مماثلة للوقود (البيانات) والمحرك (النماذج) والطاقة (قدرة الحوسبة) التي لا يمكن الاستغناء عن أي منها. مثل مسار تطور البنية التحتية في صناعة الذكاء الاصطناعي التقليدية، شهد مجال Crypto AI أيضًا مراحل مماثلة. في أوائل عام 2024، هيمن السوق في وقت ما على مشاريع GPU اللامركزية ( ومنصات معينة ومنصات معينة ومنصات معينة أخرى )، حيث تم التأكيد بشكل عام على منطق النمو الواسع من خلال “تجميع القدرة الحاسوبية”. ومع دخول عام 2025، بدأت النقاط الرئيسية في الصناعة ترتفع تدريجيًا إلى مستوى النموذج وطبقة البيانات، مما يُشير إلى أن Crypto AI يتجه 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)

نموذج عام (LLM) مقابل نموذج متخصص (SLM)

تعتمد نماذج اللغة الكبيرة التقليدية (LLM) بشكل كبير على مجموعات البيانات الضخمة والهياكل الموزعة المعقدة، حيث يتراوح حجم المعلمات عادة بين 70B و 500B، وتصل تكلفة تدريب نموذج واحد إلى ملايين الدولارات. في حين أن نموذج اللغة المتخصص (SLM) يمثل نمطاً خفيف الوزن من الضبط الدقيق لنموذج أساسي يمكن إعادة استخدامه، وغالباً ما يعتمد على نماذج مفتوحة المصدر مثل LLaMA و Mistral و DeepSeek، ويجمع بين كمية صغيرة من البيانات المتخصصة عالية الجودة وتقنيات مثل LoRA، لبناء نماذج خبراء تمتلك معرفة خاصة بسرعة، مما يقلل بشكل كبير من تكلفة التدريب والحدود التقنية.

من الجدير بالذكر أن SLM لن يتم دمجه في أوزان LLM، بل سيتم التعاون مع LLM من خلال استدعاء بنية الوكيل، ونظام المكونات الديناميكية، والتوصيل الحار لوحدات LoRA، وRAG (التوليد المعزز بالاسترجاع) وغيرها من الطرق. تحافظ هذه البنية على قدرة LLM الشاملة، بينما تعزز الأداء المتخصص من خلال وحدات الضبط الدقيق، مما يشكل نظامًا ذكيًا مركبًا عالي المرونة.

قيمة وحدود الذكاء الاصطناعي في مستوى النموذج

مشاريع الذكاء الاصطناعي في العملات المشفرة من الصعب أساسًا أن تعزز بشكل مباشر القدرات الأساسية لنموذج اللغة الكبير (LLM) والسبب الرئيسي في ذلك هو

• العوائق التقنية مرتفعة للغاية: حجم البيانات والموارد الحاسوبية والقدرات الهندسية اللازمة لتدريب نموذج Foundation ضخمة للغاية، حالياً لا تمتلك هذه القدرات سوى عمالقة التكنولوجيا مثل الولايات المتحدة (OpenAI وغيرها) والصين (DeepSeek وغيرها).
• قيود النظام البيئي مفتوح المصدر: على الرغم من أن النماذج الأساسية الرئيسية مثل LLaMA و Mixtral قد تم فتح مصدرها، إلا أن المحرك الحقيقي لتقدم النماذج لا يزال مركزًا في المؤسسات البحثية ونظم الهندسة المغلقة، مما يحد من مساحة مشاركة المشاريع على السلسلة في المستوى الأساسي للنموذج.

ومع ذلك، على الرغم من نماذج الأساس مفتوحة المصدر، لا يزال بإمكان مشروع Crypto AI تحقيق قيمة مضافة من خلال تعديل نماذج اللغة المتخصصة (SLM) ودمج قابلية التحقق وآليات التحفيز في Web3. كـ “طبقة واجهة محيطية” في سلسلة صناعة الذكاء الاصطناعي، تتجلى في اتجاهين رئيسيين:

• طبقة التحقق الموثوقة: من خلال تسجيل مسار توليد النموذج، ومساهمات البيانات، واستخدامها على السلسلة، تعزز من قابلية تتبع مخرجات الذكاء الاصطناعي وقدرتها على مقاومة التلاعب.
• آلية التحفيز: من خلال استخدام الرموز الأصلية، لتحفيز سلوكيات مثل تحميل البيانات، استدعاء النماذج، وتنفيذ الوكلاء (Agent)، لبناء دورة إيجابية لتدريب النماذج والخدمات.

تصنيف أنواع نماذج الذكاء الاصطناعي وتحليل ملاءمة blockchain

من هنا، يتضح أن النقاط القابلة للتطبيق لمشاريع Crypto AI من نوع نموذجية تتركز أساساً على خفة الوزن الدقيقة لنماذج SLM الصغيرة، ودمج البيانات والتحقق منها على السلسلة باستخدام هيكل RAG، بالإضافة إلى نشر وتحفيز النماذج المحلية. بالاستفادة من قابلية التحقق التي توفرها تقنية البلوكشين وآلية الرموز، يمكن لـ Crypto تقديم قيمة فريدة لهذه السيناريوهات ذات الموارد المتوسطة والمنخفضة، مما يخلق قيمة متميزة في “طبقة الواجهة” للذكاء الاصطناعي.

سلسلة الذكاء الاصطناعي القائمة على البيانات والنماذج في البلوكشين يمكن أن تسجل بوضوح وسجل غير قابل للتغيير لمصدر مساهمة كل بيانات ونماذج، مما يعزز بشكل كبير مصداقية البيانات وقابلية تتبع تدريب النموذج. في الوقت نفسه، من خلال آلية العقود الذكية، يتم تنشيط توزيع المكافآت تلقائيًا عند استدعاء البيانات أو النماذج، مما يحول سلوك الذكاء الاصطناعي إلى قيمة رمزية قابلة للقياس والتداول، ويؤسس نظام تحفيز مستدام. بالإضافة إلى ذلك، يمكن لمستخدمي المجتمع أيضًا تقييم أداء النموذج من خلال التصويت بالرموز، والمشاركة في وضع القواعد والتكرار، وتحسين هيكل الحكم 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-19C2276FCCC616CCF9260FB7E35C9C24)

٢. نظرة عامة على المشروع | رؤية OpenLedger للذكاء الاصطناعي في سلسلة الكتل

OpenLedger هو أحد المشاريع القليلة في سوق blockchain AI التي تركز على آليات تحفيز البيانات والنماذج. إنه أول من قدم مفهوم “AI القابل للدفع”، والذي يهدف إلى بناء بيئة تشغيل AI عادلة وشفافة وقابلة للتجميع، لتحفيز مساهمي البيانات ومطوري النماذج وبناة تطبيقات AI للتعاون على نفس المنصة، والحصول على أرباح على السلسلة بناءً على المساهمات الفعلية.

OpenLedger توفر حلقة مغلقة كاملة من “توفير البيانات” إلى “نشر النماذج” ثم إلى “استدعاء توزيع الأرباح”، وتشمل الوحدات الأساسية:

• Model Factory: بدون برمجة، يمكنك استخدام LoRA لتدريب وتعديل النماذج المخصصة ونشرها استنادًا إلى LLM مفتوح المصدر؛
• OpenLoRA: يدعم التعايش بين آلاف النماذج، التحميل الديناميكي حسب الحاجة، مما يقلل بشكل كبير من تكاليف النشر؛
• PoA (إثبات الانتماء): قياس المساهمة وتوزيع المكافآت من خلال سجلات الاستدعاء على السلسلة؛
• Datanets: شبكة بيانات هيكلية موجهة نحو السيناريوهات العمودية، 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 بإنشاء “بنية تحتية للاقتصاد الذكي المدفوع بالبيانات والقابلة للتجميع”، مما يعزز من تحويل سلسلة قيمة الذكاء الاصطناعي إلى السلسلة.

! [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)

وفي اعتماد تقنية البلوكشين، قامت OpenLedger بتأسيس بيئة تشغيل بيانات وعقود عالية الأداء ومنخفضة التكلفة وقابلة للتحقق من خلال OP Stack + EigenDA.

• مبني على OP Stack: مبني على تقنية Optimism، يدعم تنفيذ عالي الإنتاجية ومنخفض التكلفة؛
• التسوية على الشبكة الرئيسية للإيثريوم: ضمان أمان المعاملات وسلامة الأصول؛
• متوافق مع EVM: يسهل على المطورين نشر وتوسيع بسرعة بناءً على Solidity؛
• EigenDA يوفر دعم قابلية البيانات: يقلل بشكل كبير من تكاليف التخزين، ويضمن قابلية تحقق البيانات.

بالمقارنة مع NEAR ، التي تركز بشكل أكبر على البنية التحتية الأساسية وتهدف إلى سيادة البيانات مع “وكلاء الذكاء الاصطناعي على BOS” ، تركز OpenLedger بشكل أكبر على بناء سلسلة الذكاء الاصطناعي المتخصصة الموجهة نحو تحفيز البيانات والنماذج. تهدف إلى جعل تطوير النموذج واستدعائه قابلاً للتتبع والتركيب والاستدامة على السلسلة. إنها البنية التحتية لتحفيز النماذج في عالم Web3 ، حيث تجمع بين استضافة النماذج على منصة معينة ، وفوترة الاستخدام على منصة معينة ، وواجهة قابلة للتركيب على السلسلة على منصة معينة ، مما يعزز مسار تحقيق “النموذج كأصل”.

ثلاثة، المكونات الأساسية و الهيكل التكنولوجي لـ OpenLedger

3.1 نموذج المصنع،无需代码模型工厂

ModelFactory هو منصة ضبط نموذج لغوي كبير (LLM) تحت نظام OpenLedger. على عكس إطارات الضبط التقليدية، يوفر ModelFactory واجهة رسومية بحتة، دون الحاجة إلى أدوات سطر الأوامر أو تكامل API. يمكن للمستخدمين ضبط النموذج بناءً على مجموعة البيانات التي تم إكمال تفويضها ومراجعتها على OpenLedger. يحقق تدفق العمل المتكامل لتفويض البيانات، وتدريب النموذج، والنشر، وتشمل العمليات الأساسية ما يلي:

• التحكم في الوصول إلى البيانات: يقدم المستخدم طلب بيانات، ويقوم المزود بمراجعته والموافقة عليه، ويتم توصيل البيانات تلقائيًا بواجهة تدريب النموذج.
• اختيار النموذج وتكوينه: يدعم LLM الشائع (مثل LLaMA و Mistral)، من خلال واجهة المستخدم الرسومية لتكوين المعلمات الفائقة.
• تعديل خفيف الوزن: محرك LoRA / QLoRA المدمج، يعرض تقدم التدريب في الوقت الفعلي.
• تقييم النموذج ونشره: أدوات تقييم مدمجة، تدعم تصدير النشر أو المشاركة البيئية.
• واجهة التحقق التفاعلي: توفر واجهة محادثة، مما يسهل اختبار قدرة النموذج على الإجابة.
• RAG توليد التتبع: إجابات تحتوي على اقتباسات مصدرية، لتعزيز الثقة والقابلية للتدقيق.

يتضمن هيكل نظام Model Factory ستة وحدات، تشمل المصادقة على الهوية، وصلاحيات البيانات، وتعديل النماذج، ونشر التقييم، وتتبع RAG، لإنشاء منصة خدمات نماذج متكاملة آمنة وقابلة للتحكم، وتفاعلية في الوقت الحقيقي، 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 لقدرات نموذج اللغة الكبير المدعومة حالياً من قبل ModelFactory هو كما يلي:

• سلسلة LLaMA: الأكثر انتشارًا في النظام البيئي، مجتمع نشط، أداء عام قوي، وهو واحد من النماذج الأساسية مفتوحة المصدر الأكثر شيوعًا حاليًا.
• مistral: هيكل فعال، أداء استدلال ممتاز، مناسب لنشر مرن وفي سيناريوهات ذات موارد محدودة.
• Qwen: منتج من علي بابا، أداء ممتاز في المهام الصينية، قدرة شاملة قوية، مناسب ليكون الخيار الأول للمطورين المحليين.
• ChatGLM: تأثيرات الحوار باللغة الصينية بارزة، مناسبة لخدمات العملاء المتخصصة والمشاهد المحلية.
• Deepseek: يتمتع بأداء متفوق في توليد الشفرات والاستدلال الرياضي، مناسب لأدوات المساعدة في التطوير الذكي.
• جيمما: نموذج خفيف تم إطلاقه من قبل جوجل، هيكل واضح، سهل الاستخدام والتجربة بسرعة.
• فالكون: كان معيار الأداء، مناسب للبحث الأساسي أو اختبارات المقارنة، لكن نشاط المجتمع قد انخفض.
• BLOOM: دعم متعدد اللغات قوي، لكن أداء الاستدلال ضعيف، مناسب لأبحاث تغطية اللغة.
• GPT-2: نموذج كلاسيكي مبكر، مناسب فقط للأغراض التعليمية 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” الذي تم اتخاذه بناءً على القيود الواقعية للنشر على السلسلة (تكاليف الاستدلال، تكييف RAG، توافق LoRA، بيئة EVM).

تعتبر Model Factory كأداة بدون رمز، حيث تحتوي جميع النماذج على آلية إثبات المساهمة المدمجة، لضمان حقوق المساهمين في البيانات ومطوري النماذج، وتتميز بعتبة منخفضة، وقابلية للتسييل، وإمكانية التجميع، مقارنةً بأدوات تطوير النماذج التقليدية:

• للمطورين: تقديم مسار كامل للتكاثر والتوزيع والدخل للنماذج؛
• بالنسبة للمنصة: تشكيل تدفق أصول النماذج وبيئة التركيب؛
• بالنسبة للمستخدمين: يمكن دمج النماذج أو الوكلاء كما هو الحال عند استدعاء واجهة برمجة التطبيقات.

3.2 OpenLoRA، الأصول على السلسلة لنموذج التخصيص

LoRA (تكييف منخفض الرتبة) هي طريقة فعالة لضبط المعلمات، حيث تتعلم مهام جديدة من خلال إدخال “مصفوفات منخفضة الرتبة” في نموذج كبير مُدرب مسبقًا، دون تعديل معلمات النموذج الأصلي، مما يقلل بشكل كبير من تكاليف التدريب واحتياجات التخزين. عادةً ما تحتوي نماذج اللغة الكبيرة التقليدية (مثل LLaMA، GPT-3) على عشرات المليارات أو حتى مئات المليارات من المعلمات. لاستخدامها في مهام محددة (مثل الأسئلة القانونية، الاستشارات الطبية)، يتطلب الأمر ضبطًا (fine-tuning). الاستراتيجية الأساسية لـ LoRA هي: “تجميد معلمات النموذج الكبير الأصلي، وتدريب مصفوفات المعلمات الجديدة المدخلة فقط.”، حيث تتميز بكفاءة المعلمات، وسرعة التدريب، ومرونة النشر، مما يجعلها واحدة من الطرق الرئيسية لضبط النماذج المناسبة لنشر Web3 واستدعائها بشكل مترابط.

OpenLoRA هو إطار استدلال خفيف الوزن مصمم لنشر نماذج متعددة ومشاركة الموارد تم بناؤه بواسطة OpenLedger. الهدف الأساسي منه هو حل المشكلات الشائعة في نشر نماذج الذكاء الاصطناعي الحالية مثل التكلفة العالية، وانخفاض إمكانية إعادة الاستخدام، وإهدار موارد GPU، مما يدفع نحو تنفيذ “الذكاء الاصطناعي القابل للدفع” (Payable AI).

! [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)

OpenLoRA نظام المعمارية المكونات الأساسية، يعتمد على التصميم المعياري، يغطي تخزين النموذج،