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

一、引言 | Crypto AI のモデルレイヤーのジャンプ

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）が欠かせないことに例えられます。従来の AI 業界のインフラの進化の道筋に似て、Crypto AI 分野も同様の段階を経てきました。2024 年初頭、市場は一時去中心化 GPU プロジェクトによって主導されており、( の計算プラットフォーム、) のレンダリングプラットフォーム、( のネットワークなどがあり、一般的に「算力を組み合わせる」という粗放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、業界の注目は徐々にモデルとデータ層に移行し、Crypto AI が底層リソース競争からより持続可能で応用価値のある中層構築へと移行していることを示しています。

! [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-62B3FA1E810F4772AABA3D91C74C1AA6###

####ジェネラルラージモデル(LLM)とスペシャライズドモデル(SLM)

従来の大規模言語モデル（LLM）のトレーニングは、大規模な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、パラメータ規模は70B～500Bに達し、1回のトレーニングコストは数百万ドルに達することがよくあります。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LLaMA、Mistral、DeepSeekなどの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や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の動的ルーティング、LoRAモジュールのホットスワップ、RAG（リトリーバル強化生成）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、高度に柔軟な組み合わせ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、

• 技術的敷居が高すぎる：Foundation Modelを訓練するために必要なデータ規模、計算資源、エンジニアリング能力は非常に膨大であり、現在、アメリカ（某社など）や中国（某社など）などのテクノロジー大手のみがそれに対応する能力を持っている。
• 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 や Mixtral はオープンソース化されているが、モデルのブレークスルーを推進する鍵は依然として研究機関やクローズドソースの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がコアモデル層に参加する余地は限られている。

しかし、オープンソースの基盤モデルの上に、Crypto AIプロジェクトは特化言語モデル（SLM）をファインチューニングし、Web3の検証可能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つのコア方向に反映されます：

• 信頼できる検証層：オンチェーンでモデル生成のパス、データの貢献と使用状況を記録することにより、AIの出力のトレーサビリティ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サイクルを構築します。

(# AIモデルタイプの分類とブロックチェーンの適用性分析

このことから、モデル型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、及び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ることがわかります。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特有の価値を提供し、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寄与元を明確かつ改ざん不可能な形でオンチェーン記録することで、データの信頼性とモデルのトレーニングのトレーサビリティを大幅に向上させます。同時に、スマートコントラクトメカニズムを通じて、データやモデルが呼び出される際に自動的に報酬配布をトリガーし、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使用してモデルの性能を評価し、ルールの策定と反復に参加し、分散型ガバナンスの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-19C2276FCCC616CCF9260FB7E35C9C24###

( 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」の概念を初めて提唱し、公平で透明性があり、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収益を得ることを奨励します。

OpenLedgerは「データ提供」から「モデルデプロイ」さらには「呼び出し分配」に至る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：プログラミング不要で、オープンソースのLLMに基づいてLoRA微調整訓練を行い、カスタムモデルをデプロイできます；
• OpenLoRA：千のモデルの共存をサポートし、必要に応じて動的にロードし、展開コストを大幅に削減します；
• 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：垂直シーン向けの構造化データネットワークで、コミュニティの協力によって構築・検証されます；
• モデル提案プラットフォーム（Model Proposal Platform）：組み合わせ可能、呼び出し可能、支払い可能なオンチェーンモデルマーケット。

上記のモジュールを通じて、OpenLedgerはデータ駆動型でモデルが組み合わせ可能な「スマートエージェント経済基盤」を構築し、AIバリューチェーンのオンチェーン化を推進しました。

! [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###

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、検証可能なデータと契約の実行環境を構築しました。

• OPスタックに基づく：Optimismテクノロジースタックに基づき、高スループットと低コストの実行をサポートします；
• イーサリアムメインネットでの決済： 取引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はデータの可用性サポートを提供します：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保証します。

特定のパブリックチェーンに比べ、データ主権と「AI Agents on BOS」アーキテクチャを重視した汎用型AIチェーンに対して、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ブロック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に尽力しています。それはWeb3の世界におけるモデルインセンティブ基盤インフラであり、特定のモデルホスティングプラットフォームのモデルホスティング、特定の支払いプラットフォームの使用課金、特定のインフラサービスのブロックチェーン上の組み合わせインターフェースを組み合わせ、「モデルは資産である」という実現への道を推進しています。

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イス操作を提供し、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上で権限とレビューを完了したデータセットに基づいてモデルを微調整することができます。データの権限付与、モデルのトレーニング、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以下が含まれます：

• データアクセス制御：ユーザーがデータリクエストを提出し、提供者が審査・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る。
• モデル選択と設定： 主流のLLM（LLaMA、Mistralなど）をサポートし、GUIを通じてハイパーパラメータを設定します。
• 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： 内蔵の評価ツールがあり、デプロイまたはエコシステム共有呼び出しのエクスポートをサポートします。
• 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、モデルの問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：出典を引用した回答で、信頼性と監査可能性を高める。

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、評価デプロイメント、RAGトレーサビリティを通じて、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(

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、現在最も主流なオープンソース基盤モデルの一つです。
• Mistral：アーキテクチャが効率的で、推論性能が非常に優れており、柔軟なデプロイやリソースが限られたシーンに適しています。
• Qwen：ある会社が製造したもので、中国語のタスクに優れたパフォーマンスを発揮し、総合的な能力が高く、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、特定のカスタマーサービスやローカライズ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：ある会社が提供する軽量モデルで、構造が明確で、迅速に操作や実験が行いやすい。
• Falcon：かつてはパフォーマンスのベンチマークであり、基礎研究や比較テストに適していましたが、コミュニティの活発さが減少しました。
• BLOOM：多言語サポートが強いが、推論性能が弱めで、言語カバレッジ型の研究に適している。
• GPT-2：クラシックな初期モデルで、教育と検証目的にのみ適しており、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、チェーン上のデプロイメントにおける現実的な制約（推論コスト、RAG適応、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組み込まれており、データの提供者とモデル開発者の権益を確保しています。低いハードル、収益化可能性、そして組み合わせ可能性の利点を持ち、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する；
• 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エコシステムを形成する；
• ユーザーにとって：モデルやエージェントをAPIを呼び出すかの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-f49cfa5ea73fc0018250d04193b34b60###

3.2 OpenLoRA、ファインチューニングモデルのオンチェーン資産化

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（例：LLaMA、GPT-3）は、通常数十億から数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（例：法律質問応答、医療相談）に使用するためには、微調整（fine-tuning）が必要です。LoRAのコア戦略は：「元の大規模モデルのパラメータを凍結し、挿入された新しいパラメータ行列のみをトレーニングする。」であり、そのパラメータ効率、トレーニングの迅速さ、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。

OpenLoRAはOpenLedgerが構築した、複数のモデルのデプロイとリソース共有のために設計された軽量推論フレームワークです。その核心的な目標は、現在のAIモデルのデプロイ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、「支払い可能な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、モジュール化に基づいて設計されている