OpenLedgerデプス研報：OP Stack+EigenDAを基盤に、データ駆動型でモデルが組み合わさるスマートエコノミーを構築する

I. はじめに | Crypto AIのモデルレイヤージャンプ

データ、モデルと算力は AI インフラストラクチャの三大核心要素であり、燃料（データ）、エンジン（モデル）、エネルギー（算力）を比喩的に表現しており、欠かすことはできません。従来の AI 業界のインフラ進化の道筋に似て、Crypto AI 分野も類似の段階を経てきました。2024 年初頭、市場は一時的に非中央集権型 GPU プロジェクトが主導し、「算力を競う」という粗放的な成長ロジックが強調されていました。しかし、2025 年に入ると、業界の関心は徐々にモデルとデータ層に移行し、Crypto AI が基盤リソースの競争から、より持続可能で応用価値のある中間構築へと移行していることを示しています。

General Large Model(LLM)とSpecialized Model(SLM)

従来の大規模言語モデル（LLM）トレーニングは、大規模データセットと複雑な分散アーキテクチャに高度に依存しており、パラメータの規模は70B～500Bに達することが多く、1回のトレーニングコストは数百万ドルに上ることがあります。一方、SLM（Specialized Language Model）は再利用可能な基盤モデルの軽量微調整パラダイムとして、通常はオープンソースモデルに基づき、少量の高品質な専門データとLoRAなどの技術を組み合わせて、特定の分野の知識を持つ専門モデルを迅速に構築し、トレーニングコストと技術的ハードルを大幅に削減します。

注目すべきは、SLMはLLMの重みには統合されず、エージェントアーキテクチャの呼び出し、プラグインシステムによる動的ルーティング、LoRAモジュールのホットプラグ、RAG（検索強化生成）などの方法でLLMと協力して動作することです。このアーキテクチャはLLMの広範なカバレッジ能力を保持しつつ、ファインチューニングモジュールによって専門的なパフォーマンスを強化し、高度に柔軟なコンビネーション型インテリジェントシステムを形成しています。

Crypto AI のモデル層における価値と境界

Crypto AI プロジェクトは本質的に大規模言語モデル（LLM）のコア能力を直接向上させることが難しい。その核心的な理由は、

• 技術的なハードルが高すぎる：Foundation Model のトレーニングに必要なデータ規模、計算リソース、エンジニアリング能力は非常に膨大であり、現在は米国や中国などのテクノロジー大手のみがその能力を持っている。
• オープンソースエコシステムの限界：主流の基盤モデルである LLaMA、Mixtral はすでにオープンソースですが、モデルの突破を促進する鍵は依然として研究機関とクローズドエンジニアリングシステムに集中しており、ブロックチェーンプロジェクトはコアモデル層への参加の余地が限られています。

しかし、オープンソースの基盤モデルの上において、Crypto AIプロジェクトは、特化型言語モデル（SLM）を微調整し、Web3の検証性とインセンティブメカニズムを組み合わせることで、価値の拡張を実現できます。AI産業チェーンの「周辺インターフェース層」として、2つのコア方向に体現されています：

• 信頼できる検証層：チェーン上にモデル生成のパス、データの貢献と使用状況を記録することで、AIの出力の追跡可能性と改ざん耐性を強化します。
• インセンティブメカニズム：ネイティブトークンを活用して、データのアップロード、モデルの呼び出し、エージェント（Agent）の実行などの行動を促進し、モデルのトレーニングとサービスの正の循環を構築します。

AIモデルタイプ分類とブロックチェーンの適用性分析

これにより、モデル型のCrypto AIプロジェクトの実行可能な落とし所は、主に小型SLMの軽量化ファインチューニング、RAGアーキテクチャのチェーン上データ接続と検証、そしてEdgeモデルのローカルデプロイとインセンティブに集中しています。ブロックチェーンの検証可能性とトークンメカニズムを組み合わせることで、Cryptoはこれらの中低リソースモデルシナリオに独自の価値を提供し、AI「インターフェース層」の差別化された価値を形成します。

データとモデルに基づくブロックチェーン AI チェーンは、各データとモデルの貢献元を明確かつ改ざん不可能な形でオンチェーン記録し、データの信頼性とモデルのトレーニングの追跡可能性を大幅に向上させます。また、スマートコントラクトメカニズムを通じて、データまたはモデルが呼び出される際に自動的に報酬分配をトリガーし、AI の行動を測定可能で取引可能なトークン化された価値に変換し、持続可能なインセンティブシステムを構築します。さらに、コミュニティユーザーはトークンを通じてモデルの性能を評価し、ルールの策定とイテレーションに参加し、分散型ガバナンス構造を改善することができます。

! [OpenLedger In-Depth Research Report: Building a Data-Driven, Model-Composable Agent Economy Based on OP Stack+EigenDA](https://img-cdn.gateio.im/social/ モーメント-62B3FA1E810F4772AABA3D91C74C1AA6)

二、プロジェクト概要 | OpenLedgerのAIチェーンビジョン

OpenLedgerは現在の市場で数少ないデータとモデルのインセンティブメカニズムに特化したブロックチェーンAIプロジェクトです。彼らは「Payable AI」という概念を初めて提唱し、公平で透明かつコンポーザブルなAI運用環境を構築することを目指しています。データ提供者、モデル開発者、AIアプリケーション構築者が同じプラットフォームで協力し、実際の貢献に基づいてオンチェーンの報酬を得ることを促進します。

OpenLedgerは「データ提供」から「モデルデプロイ」そして「呼び出し分配」までの全チェーンのクローズドループを提供しており、そのコアモジュールには以下が含まれます：

• モデルファクトリー：プログラミングなしで、オープンソースのLLMを基にLoRA微調整トレーニングを使用してカスタムモデルを展開できます；
• OpenLoRA：千のモデル共存をサポートし、必要に応じて動的にロードし、展開コストを大幅に削減；
• PoA(Proof of Attribution):コントリビューションの測定と報酬の分配は、オンチェーンの通話記録を通じて実現されます。
• Datanets：垂直シーンに向けた構造化データネットワークで、コミュニティが協力して構築・検証します；
• モデル提案プラットフォーム（Model Proposal Platform）：組み合わせ可能で、呼び出し可能で、支払い可能なチェーン上のモデル市場。

上記のモジュールを通じて、OpenLedgerはデータ駆動型でモデルを組み合わせることができる「エージェント経済インフラストラクチャ」を構築し、AIのバリューチェーンのオンチェーン化を推進しました。

そして、ブロックチェーン技術の採用において、OpenLedgerはOP Stack + EigenDAを基盤として、AIモデルのために高性能、低コスト、検証可能なデータおよび契約実行環境を構築しました。

• OPスタックに基づいて構築：Optimism技術スタックに基づき、高スループットと低コストの実行をサポート；
• イーサリアムメインネットでの決済： トランザクションの安全性と資産の完全性を確保する；
• EVM互換：Solidityに基づいて開発者が迅速にデプロイおよび拡張するのに便利；
• EigenDAはデータの可用性をサポートします：ストレージコストを大幅に削減し、データの検証可能性を確保します。

NEARのようなより基盤的で、データ主権と「AI Agents on BOS」構造を主打とする汎用AIチェーンに比べて、OpenLedgerはデータとモデルインセンティブに特化したAI専用チェーンの構築に注力しています。モデルの開発と呼び出しをチェーン上で追跡可能で、組み合わせ可能で、持続可能な価値のクローズドループを実現することを目指しています。これはWeb3の世界におけるモデルインセンティブの基盤インフラであり、モデルホスティング、使用料金、チェーン上での組み合わせ可能なインターフェースを組み合わせて「モデルは資産である」という実現の道筋を促進します。

! [OpenLedger In-Depth Research Report: Building a Data-Driven, Model-Composable Agent Economy Based on OP Stack+EigenDA](https://img-cdn.gateio.im/social/ モーメント-19C2276FCCC616CCF9260FB7E35C9C24)

三、OpenLedger のコアコンポーネントと技術アーキテクチャ

3.1 モデルファクトリー，コード不要のモデルファクトリー

ModelFactoryはOpenLedgerエコシステム下の大型言語モデル（LLM）微調整プラットフォームです。従来の微調整フレームワークとは異なり、ModelFactoryは純粋なグラフィカルインターフェース操作を提供し、コマンドラインツールやAPI統合は不要です。ユーザーはOpenLedger上で完了した認可と審査のデータセットに基づいてモデルを微調整できます。データの認可、モデルのトレーニングとデプロイメントの統合ワークフローを実現しており、そのコアプロセスには次のものが含まれます：

• データアクセスコントロール：ユーザーがデータリクエストを提出し、プロバイダーが審査を承認し、データが自動的にモデル訓練インターフェースに接続されます。
• モデル選択と設定： 主流の LLM をサポートし、GUI を通じてハイパーパラメータを設定できます。
• 軽量化微調： 内蔵 LoRA / QLoRA エンジン、リアルタイムでトレーニング進捗を表示。
• モデル評価とデプロイ：内蔵評価ツール、エクスポートデプロイまたはエコシステム共有呼び出しをサポート。
• インタラクティブ検証インターフェース： チャット形式のインターフェースを提供し、モデルの質問応答能力を直接テストしやすくします。
• RAG生成トレーサビリティ：出所の引用を含む回答により、信頼性と監査可能性を強化します。

Model Factory システムアーキテクチャは、アイデンティティ認証、データ権限、モデル微調整、評価展開、RAGトレーサビリティを貫通する6つの主要モジュールを含み、安全で制御可能、リアルタイムインタラクション、持続可能な収益化を実現する統合モデルサービスプラットフォームを構築しています。

! [OpenLedger In-Depth Research Report: Building a Data-Driven, Model-Composable Agent Economy Based on OP Stack+EigenDA](https://img-cdn.gateio.im/social/ モーメント-F23F47F09226573B1FCACEBDCFB8C1F3)

ModelFactory 現在サポートしている大規模言語モデルの能力の簡易表は以下の通りです：

• LLaMAシリーズ：エコシステムが最も広く、コミュニティが活発で、汎用性能が高く、現在最も主流のオープンソース基盤モデルの一つです。
• Mistral：アーキテクチャは効率的で、推論性能が非常に優れており、柔軟なデプロイメントやリソースが限られたシーンに適しています。
• Qwen：中文タスクのパフォーマンスが優れており、総合能力が高く、国内の開発者に最適です。
• ChatGLM：中国語の対話効果が優れており、特化型カスタマーサービスやローカライズされたシーンに適しています。
• Deepseek：コード生成と数学的推論に優れ、スマート開発支援ツールに適しています。
• Gemma：Googleが提供する軽量モデルで、構造が明確で、迅速に取り組むことや実験が容易です。
• Falcon：かつては性能のベンチマークで、基礎研究や比較テストに適していましたが、コミュニティの活性度は低下しています。
• BLOOM：多言語サポートが強いですが、推論性能がやや弱く、言語カバレッジ型の研究に適しています。
• GPT-2：クラシックな初期モデルで、教育や検証用途にのみ適しており、実際の展開には推奨されません。

OpenLedgerのモデルの組み合わせには最新の高性能MoEモデルやマルチモーダルモデルは含まれていませんが、その戦略は時代遅れではなく、オンチェーンでのデプロイメントにおける現実的な制約（推論コスト、RAG適合、LoRA互換性、EVM環境）に基づいた「実用優先」の構成がなされています。

Model Factoryはノーコードツールチェーンとして、すべてのモデルに貢献証明メカニズムが内蔵されており、データ貢献者とモデル開発者の権利を確保しています。低いハードル、収益化可能性、そして組み合わせ可能性という利点を持ち、従来のモデル開発ツールと比較して:

• 開発者向け：モデルのインキュベーション、配布、収益の完全なパスを提供します；
• プラットフォームについて：モデル資産の流通と組み合わせのエコシステムを形成する；
• アプリケーション利用者向け：モデルやエージェントをAPIを呼び出すように組み合わせて使用できます。

! [OpenLedger In-Depth Research Report: Building a Data-Driven, Model-Composable Agent Economy Based on OP Stack+EigenDA](https://img-cdn.gateio.im/social/ モーメント-909dc3f796ad6aa44a1c97a51ade4193)

3.2 OpenLoRA、微調整モデルのオンチェーンアセット化

LoRA（Low-Rank Adaptation）は、事前学習された大規模モデルに「低秩行列」を挿入して新しいタスクを学習する効率的なパラメータ微調整手法であり、元のモデルパラメータを変更することなく、トレーニングコストとストレージ要件を大幅に削減します。従来の大規模言語モデルは通常、数十億から千億のパラメータを持っています。それらを特定のタスクに使用するには、微調整が必要です。LoRAの核心戦略は：「元の大規模モデルのパラメータを凍結し、新しく挿入したパラメータ行列のみをトレーニングする。」というもので、そのパラメータ効率、トレーニングの速さ、デプロイの柔軟性から、現在のWeb3モデルのデプロイと組み合わせ呼び出しに最も適した主流の微調整手法です。

! [OpenLedger In-Depth Research Report: Building a Data-Driven, Model-Composable Agent Economy Based on OP Stack+EigenDA](https://img-cdn.gateio.im/social/ モーメント-f49cfa5ea73fc0018250d04193b34b60)

OpenLoRAは、OpenLedgerが構築した多モデルの展開とリソース共有のために特別に設計された軽量推論フレームワークです。そのコア目標は、現在のAIモデル展開における一般的な高コスト、低再利用、GPUリソースの浪費などの問題を解決し、「可支付AI」（Payable AI）の実現を推進することです。

OpenLoRA システムアーキテクチャのコアコンポーネントは、モジュール設計に基づいており、モデルストレージ、推論実行、リクエストルーティングなどの重要なプロセスをカバーし、高効率で低コストのマルチモデル展開と呼び出し能力を実現します。

• LoRAアダプターストレージモジュール：ファインチューニングされたLoRAアダプターはOpenLedgerにホストされ、オンデマンドでロードされるため、すべてのモデルを事前にメモリにロードする必要がなく、リソースを節約できます。
• モデルホスティングとダイナミックフュージョン層：すべての微調整