Polychain力挺AI+区块链新星:OpenLedger如何借SLM赛道引领变革?
项目名称:Open Ledger
项目定位:专用 AI 语言模型(SLM)的区块链网络
项目亮点:在专用语言模型赛道,巧妙地利用区块链技术解决了AI数据抓取、确权和激励等核心问题,真正让区块链发挥了其独特价值。
融资情况:种子轮融资800万美金,由Polychain等机构领投。
参与方式:尚未进行TGE,目前可通过电脑参与测试网挖矿激励。
以下是项目的详细解读:

一. OpenLedger 是什么?
用大白话说,@OpenledgerHQ 是一个将AI和区块链技术融合在一起的去中心化网络。它的核心目标,是构建一个公平的去中心化AI生态系统,让每个人都能贡献数据、开发AI模型,并从中获得回报。
这个系统里有四个关键角色:专用数据贡献者、专用AI模型开发者、Open Ledger平台,以及专用AI应用。
这里反复强调的“专用”二字,正是Open Ledger的精髓所在。它不像OpenAI那样去构建一个无所不包的通用大语言模型,而是专注于专用AI语言模型(SLM)。这意味着,数据是专用的,AI模型也是用这些专用数据训练出来的。
那么,它是怎么运作的呢?Open Ledger通过一个名为“Datanets”的专用数据网络来吸收、清洗数据,并将其转化为可供AI模型开发者使用的有效数据。最关键的一步来了:Open Ledger基于区块链技术构建了一套“归因证明机制”。这套机制可以精确识别数据的来源,并将数据所有权明确归属到具体的贡献者身上。这样一来,平台就能清楚地知道某份专用数据是由哪个特定用户贡献的,并基于区块链完成确权和激励。
OpenLedger还特别强调一个概念,叫“Payable AI”(可支付的AI)。意思是,AI模型不仅能被使用,还能根据贡献程度,自动为数据提供者和模型开发者分配收益。想象一下,你是一位摄影师,拍摄了大量高质量的人像照片。你把它们上传到OpenLedger,一位AI开发者用你的照片训练了一个生成艺术人像的AI模型。每当有人用这个模型生成一张新的人像时,OpenLedger都能追踪到你的照片被使用了,并自动给你分一部分收益。这就是Payable AI的核心,也是整个Open Ledger的核心运作逻辑。这套逻辑在通用大模型领域可能行不通,但在SLM(专用语言模型)这个赛道上,区块链的作用被发挥得淋漓尽致,而Open Ledger正是为这个赛道搭建的通用平台。
二. OpenLedger 的运作原理
为了把这事说得更明白,我们把其中的几个专业术语掰开揉碎了讲清楚,并逐一解释区块链在每个环节扮演的角色。
OpenLedger的运作可以拆解为几个关键部分:
(1)数据来源:Datanets(数据网络)
OpenLedger依靠一种叫Datanets的东西来收集数据。你可以把它想象成一个个专门的数据集市,每个市场都聚焦于某个特定领域,比如医疗数据、音乐创作、社交媒体内容等。任何个人、公司或专家,都可以把自己的数据上传到相应的Datanet。
比如,你是一位医生,可以上传一些匿名的病例数据;或者你是个程序员,可以上传一些有价值的代码片段。这些数据会被整理、清洗,最终成为AI训练的“原材料”。
区块链在这里扮演的角色,就像一个超级透明的公共账本。每一次数据上传,都会被记录下来:谁上传了什么,数据被使用了多少次。这样一来,没人能偷偷篡改数据,也没人能赖账说没使用过你的数据。
举个具体的例子:Bob是个游戏主播,他把自己的直播片段上传到了OpenLedger的“游戏Datanet”。一家公司用这些片段训练了一个能自动生成游戏解说的AI。区块链记录了Bob的片段被使用了100次,那么Bob就能根据这个使用次数获得相应的报酬。
(2)Proof of Attribution(归因证明)
这是OpenLedger的核心技术,简单来说就是“证明谁贡献了什么”。它能追踪任何一个AI模型的输出结果,弄清楚它到底用了哪些数据、集合了哪些人的贡献。
当AI模型生成一个结果(比如一篇文章、一张图片),OpenLedger会分析这个结果依赖了哪些数据源,然后把功劳(和收益)分配给对应的贡献者。比如,AI写了一首歌,系统能查出它参考了Peter的旋律、Mary的歌词,然后自动给他们分钱。区块链确保了整个“功劳分配”过程是透明且不可篡改的。所有贡献记录都写在链上,谁也改不了。而智能合约(一种自动执行的程序)则会根据记录,直接把钱打到贡献者的账户。
再举个例子:Jack是个作家,上传了一堆短篇小说到OpenLedger。一个AI写手用他的小说风格生成了新故事。Proof of Attribution机制发现新故事有30%的灵感来自Jack的小说,那么Jack就能自动获得30%的收益分成。
(3)Payable AI(可支付 AI)
Payable AI是OpenLedger的终极目标:让AI模型变成一种“能自己赚钱的资产”。开发者可以把AI模型部署到OpenLedger上,用户使用模型时需要付费,而费用会自动分给数据贡献者和模型开发者。
比如,一家公司开发了一个医疗诊断AI,医生用这个AI分析病人数据,每次使用都需要付费。这些费用会通过区块链自动分给提供医疗数据的医院、训练模型的工程师等所有贡献者。
区块链保证了交易的公开透明:钱怎么分、谁拿了多少,全都一目了然。智能合约还能自动执行分成,不需要中间人,既省钱又省心。举个例子,Alice是个AI工程师,开发了一个翻译AI并部署在OpenLedger上。每次有人用这个AI翻译文件,Alice和提供语言数据的贡献者(比如上传英语教材的Ruby)都能分到钱,区块链自动算好比例,直接转账。
(4)OpenLedger 去中心化网络
OpenLedger并没有把数据和计算都放在一个公司的服务器上,而是通过区块链构建了一个去中心化网络。这意味着数据和AI模型分布在全球的各个节点上,没有任何一家能一家独大。
全球的用户都可以运行OpenLedger的节点(就像一台小服务器),帮助存储数据、跑AI计算。作为回报,他们也能获得代币奖励。
区块链负责协调这些节点,确保数据安全、计算结果可信。谁运行了节点、干了多少活,区块链都会记录下来,发放奖励的时候也不会遗漏。
举个例子,Black在家跑了一个OpenLedger节点,帮助平台存储了一些音乐数据。有人用这些数据训练AI,Black的节点记录了这笔交易,区块链就会给他发放一点代币作为报酬。
三. OpenLedger 使用区块链技术解决了哪些本来很难解决的问题?
现在的AI领域有几个老大难问题,OpenLedger巧妙地用区块链技术给出了自己的解决方案:
(1)数据来源不透明
大多数AI公司从网上随意抓取数据来训练模型,你的数据被用了你都不知道,更别说拿到报酬了。OpenLedger用区块链记录数据的来源和使用情况,归因证明确保每个贡献者都能被公平对待。比如,现在很多AI画图工具用艺术家的作品训练,艺术家却一分钱拿不到。OpenLedger能让艺术家上传作品,AI在使用时自动给钱。
(2)中心化风险
目前,AI数据和模型都被大公司牢牢控制着,他们想关就关,想改就改,用户没什么话语权。比如某个AI平台突然说“不让你用了”,用户就傻眼了。OpenLedger的区块链让数据和模型不被一家公司垄断,用户自己也能参与运行网络,权力更加分散。这就好比YouTube早期,视频创作者完全看平台心情分钱。OpenLedger相当于给AI行业建了一个“去中心化YouTube”,创作者有了更多控制权。
(3)贡献者没回报
现在的情况是,AI模型赚得盆满钵满,但提供数据的普通人、开发模型的工程师往往什么都没得到。OpenLedger的Payable AI让每个贡献者都能分到收益,这不仅激励了更多人参与,也使得数据质量更高。就像YouTube后来给UP主广告分成,视频质量蹭蹭上涨一样,OpenLedger也想通过分成机制,让AI数据生态更丰富、更健康。
(4)AI 模型不够多样
现在的AI大模型大多是几家大公司搞的,偏通用型,很难满足一些小众需求(比如地方语言翻译)。OpenLedger专注于专用语言模型领域。Datanets让专业领域的数据更容易被收集,开发者也能造出更精准的“专精AI”。比如,某个少数民族的语言AI,可能因为数据太少而没人开发。OpenLedger的Datanet可以让族人上传语言数据,开发者就能做出专属的AI模型。
OpenLedger的聪明之处在于,它没有直接去和巨头们抢大语言模型的市场,而是切入了专用语言模型(SLM)这个赛道。在这个赛道,区块链技术的特点能得到最充分的发挥。
我们来总结一下区块链技术在OpenLedger中发挥的具体作用:
· 记账:
· 分钱:
· 去中心化:
· 安全:
· 激励:
总结
OpenLedger的核心,是用区块链打造一个公平、透明的专用AI模型生态。它通过Datanets收集数据、Proof of Attribution追踪贡献、Payable AI自动分钱,让每个人都能从AI的发展中分到一杯羹。区块链在这里保证了数据安全、交易透明和分账公平,同时还让整个系统摆脱了大公司的控制。
OpenLedger团队敏锐地发现,在通用大语言模型赛道,已经被OpenAI、谷歌、微软等超级公司垄断,他们不需要区块链,也不会用区块链来给自己“平权”。而在专用语言模型赛道(SLM),这个领域更需要依靠分散的社区和去中心化的力量来驱动。在这里,AI和区块链实现了一次巧妙的结合。
OpenLedger也让我们看到了另一种可能:区块链和AI的结合,不应该是单纯从技术需求出发,而应该是从市场出发。首先是业务本身要成立,然后才是看区块链和AI到底能在这里发挥怎样的价值。而OpenLedger,无疑让我们看到了这种可能性。