OpenLedgerデプス研究報告：OP Stack+EigenDAを基盤に、データ駆動型でモデルが組み合わせ可能なエージェント経済を構築する

I. はじめに | Crypto AIのモデルレイヤージャンプ

データ、モデルと計算力はAIインフラの三大核心要素であり、欠かすことはできません。Crypto AI分野は、伝統的なAI業界の進化の道筋を辿っています。2024年初頭には市場が分散型GPUプロジェクトによって主導され、「計算力を競う」粗放的な成長論理が強調されました。2025年以降、業界の焦点は徐々にモデルとデータ層に移行し、Crypto AIが基盤資源の競争から、より持続可能で応用価値のある中間構築へと移行す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)

General Large Model(LLM)とSpecialized Model(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アーキテクチャに高度に依存しており、コストが非常に高い。特化型言語モデル（SLM）は、軽量なファインチューニングのパラダイムとして、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を組み合わせて、特定の分野のモデルを迅速に構築し、コストとハードルを大幅に削減する。

SLMは、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、LoRAモジュールのホットスワッピング、RAGなどの方法でLLMと協力して動作します。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、微調整モジュールを通じて専門的なパフォーマンスを強化し、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 LLM のコア能力を直接向上させることが難しい。その理由は:

• 技術的ハードルが高すぎる：Foundation Modelのトレーニングに必要なリソースと能力は非常に膨大であり、ごく少数のテクノロジー大手だけが持っている。
• オープンソースエコシステムの限界：モデルの突破を真に推進する鍵は、研究機関とクローズドソースエンジニアリングシステムに集中しています。

しかし、Crypto AI プロジェクトは、SLMを微調整することで、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て価値の延伸を実現できます。AI産業チェーンの「周辺インターフェース層」として、2つの方向に体現されています：

• 信頼できる検証層：AI 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：モデルのトレーニングとサービスの正の循環を構築する。

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

モデルタイプのCrypto AIプロジェクトの実行可能な着地点は、主に小型SLMの微調整、RAGアーキテクチャのチェーン上データ接続と検証、エッジ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。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の"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、データとモデルの貢献源をオンチェーンで記録し、信頼性とトレーサビリティを向上させます。スマートコントラクトメカニズムを通じて、呼び出し時に自動的に報酬配布がトリガーされ、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ます。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、ルールの策定に参加し、分散型ガバナンス構造を改善できます。

! [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。"Payable AI"の概念を提唱し、公平で透明性があり、かつコンポーザブルなAI運用環境を構築し、各方面が同じプラットフォームで協力し、オンチェーンの利益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"呼び出し利益分配"までの全チェーンのクローズドループを提供しており、コアモジュールには次のものが含まれます：

• 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LLMを基に微調整し、カスタムモデルをトレーニングおよびデプロイできます
• 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。
• Proof of Attribution(PoA):貢献度を測定し、報酬を分配します
• Datanets：垂直型シーン向けの構造化データネットワーク
• モデル提案プラットフォーム：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

OpenLedgerは、OP Stack + EigenDAをベースに、AIモデルのための高性能で低コスト、かつ検証可能なデータおよびコントラクトランタイム環境を構築します。

• OP Stackに基づいて構築：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：取引の安全性と資産の完全性を確保する
• EVM対応:開発者は迅速なデプロイと拡張が可能
• 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削減し、データの検証可能性を保証します

NEARなどの基盤的な汎用AIチェーンと比較して、OpenLedgerはデータとモデルの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おり、モデルの開発と呼び出しがチェーン上で追跡可能、組み合わせ可能、持続可能な価値の閉ループを実現することを目指しています。それはWeb3の世界におけるモデルインセンティブのインフラであり、モデルホスティング、使用課金、チェーン上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推進しています。

! [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)

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 LLM 微調整プラットフォームです。コマンドラインや API 統合を必要とせず、純粋なグラフィカルインターフェース操作を提供します。ユーザーは、承認と審査を受けたデータセットに基づいてモデルを微調整し、データの承認、モデルの訓練とデプロイの統合ワークフローを実現できます。核心的なプロセスには、

• データアクセス制御
• モデル選択と設定
• 軽量な微調整
• モデル評価とデプロイ
• インタラクション検証インターフェース
• RAG生成トレーサビリティ

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、リアルタイム相互作用、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。

ModelFactory 現在サポートしている大規模言語モデルには、LLaMA、Mistral、Qwen、ChatGLM、Deepseek、Gemma、Falcon、BLOOM、GPT-2 などがあります。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、オンチェーンデプロイに基づく現実的な制約に基づいて「実用優先」の構成が行われています。

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、データ提供者とモデル開発者の権利を保証し、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っています。

! [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-909dc3f796ad6aa44a1c97a51ade4193)

3.2 OpenLoRA、微調整モデルのオンチェーンアセット化

LoRAは、事前訓練された大規模モデルに"低ランク行列"を挿入することによって新しいタスクを学習する効率的なパラメータ微調整方法であり、元のモデルパラメータを変更せずに、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。

OpenLoRAはOpenLedgerが構築した、マルチモデルのデプロイおよび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。これは、現在のAIモデルのデプロイにおける高コスト、低再利用、GPUリソースの浪費などの問題を解決し、「支払可能なAI」の実現を推進します。

OpenLoRA システムアーキテクチャのコアコンポーネントには次が含まれます:

• LoRAアダプター ストレージモジュール
• モデルホスティングとダイナミックフュージョンレイヤー
• 推論エンジン
• リクエストルーティングとストリーミング出力モジュール

OpenLoRAの推論プロセスには、基礎モデルのロード、LoRAの動的検索、アダプターのマージアクティベーション、推論の実行とストリーミング出力、推論の終了とリソースの解放が含まれます。

OpenLoRAは、一連の低レベルの最適化手段を通じて、複数モデルのデプロイと推論の効率を大幅に向上させました。その核心には、動的LoRAアダプタのロード、テンソル並列処理とPaged Attention、複数モデルの統合、Flash Attention、事前コンパイルされたCUDAカーネル、及び量子化技術などが含まれます。

OpenLoRA の位置付けは、効率的な LoRA 推論フレームワークであるだけでなく、モデル推論と Web3 インセンティブメカニズムをデプスに融合させることを目指しています。その目標は、LoRA モデルを呼び出し可能、組み合わせ可能、利益分配可能な Web3 資産に変えることです。これを実現しました:

1. モデルは資産です
2. 多 LoRA ダイナミックマージ + 分配の帰属
3. 長尾モデルをサポートする「マルチテナント共有推論」

OpenLedgerはOpenLoRAの将来の性能指標が従来の全パラメータモデルの展開よりも顕著に優れていると展望していますが、これらの指標は"上限表現"に近く、"理想上限"として捉えられるべきであり、"安定した日常"ではありません。

! [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)

3.3 データネット（データネットワーク）、データ主権からデータインテリジェンスへ

Datanets は OpenLedger の "データは資産" のインフラストラクチャであり、特定の分野のデータセットを収集および管理するためのものです。各 Datanet は構造化されたデータウェアハウスのようなもので、貢献者がデータをアップロードし、オンチェーンの帰属メカニズムを通じてデータの追跡可能性と信頼性を確保します。

データ主権に焦点を当てたプロジェクトと比較して、OpenLedger は Datanets、Model Factory、OpenLoRA の三つのモジュールを通じて、データの価値をモデルのトレーニングとオンチェーン呼び出しに拡張し、「データからインテリジェンスへ」の完全なクローズドループを構築しています。OpenLedger は「データがどのようにトレーニングされ、呼び出され、報酬を得るか」に焦点を当て、Web3 AI エコシステムにおけるデータのマネタイズパスの重要な位置を占めています。

! [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-9FBD934D293142E4FDD386EEE4AFD41A)

3.4 アトリビューションの証明（貢献証明）：利益配分のインセンティブ層を再構築

Proof of Attribution（PoA）は、OpenLedgerがデータの帰属とインセンティブの配分を実現するためのコアメカニズムです。そのデータの帰属とインセンティブプロセスには次のものが含まれます:

• データ提出
• 影響評価
• トレーニング検証
• インセンティブ配分
• 品質ガバナンス

PoAは、インセンティブ配布ツールであるだけでなく、透明性、ソース追跡、そして多段階の帰属に向けたフレームワークでもあります。それは、データのアップロード、モデルの呼び出し、エージェントの実行プロセスを全てブロックチェーンに記録し、エンドツーエンドの検証可能な価値の道筋を実現します。

RAG Attribution は OpenLedger が RAG シナリオで構築したデータの帰属とインセンティブ機構であり、モデルの出力内容が追跡可能で検証可能であることを保証し、貢献者にインセンティブを提供します。そのプロセスには以下が含まれます:

1. ユーザーの質問 → データを検索
2. データが呼び出され、回答が生成されます
3. 寄稿者には報酬が与えられます
4. 生成結果に引用を含める

OpenLedgerのRAGアトリビューションは、各AIの回答を真のデータソースに追跡可能にし、貢献者は引用頻度に応じてインセンティブを得ることで「知識には出所があり、利用可能に収益化される」ことを実現します。このメカニズムはモデルの出力の透明性を向上させ、高品質なデータの貢献に持続可能なインセンティブの循環を構築します。

! [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-FB455C53FFCE25E4AAFD015DE8A70E1B)

四、OpenLedger プロジェクトの進捗とエコシステムの協力

OpenLedgerはテストネットを立ち上げました。データインテリジェンス層は最初の段階で、コミュニティノードによって駆動されるインターネットデータウェアハウスを構築することを目的としています。コミュニティメンバーはエッジデバイスノードを実行し、データの収集と処理に参加し、活動度やタスクの完了度に応じてポイント報酬を得ることができます。

テストネットのインセンティブは三つの収益メカニズムを提供します:

• データマイニング
• トランザクションの検証
• タスク参加

Epoch 2 テストネットは、データ検証、分類などのタスクを含む Datanets データネットワークメカニズムをホワイトリストユーザーのみが参加できる形で重点的に導入しました。

OpenLedgerのより長期的なロードマップには次のものが含まれます:

• フェーズ1 · データインテリジェンス層
• フェーズ 2 ·