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跳躍

データ、モデルと算力はAIインフラ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）の類似性からも、欠かせない存在です。従来のAI業界のインフラの進化経路に似て、Crypto AI分野も同様の段階を経てきました。2024年初頭、市場は一時的に分散型GPUプロジェクトが主導し、「算力を競う」という粗放的成長論理が強調されました。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が基盤資源の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す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）のトレーニングは、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に達することがあり、1回のトレーニングコストは数百万ドルに上ることが一般的です。一方、SLM（Specialized Language Model）は、再利用可能なベース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、特定の領域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低減します。

注目すべきは、SLMはLLMの重みに統合されず、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（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向上させ、高度に柔軟なコンビネーション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は難しい。その核心的な理由は、

• 技術的ハードルが高すぎる：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、米国や中国などのテクノロジーの巨人のみがそれに相応しい能力を持っている。
• 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はすでにオープンソース化されていますが、モデルの突破を推進する鍵は依然として研究機関やクローズドエンジニアリングシステムに集中しており、オンチェーンプロジェクトのコアモデル層への参加スペースは限られています。

しかし、オープンソースの基盤モデルの上で、Crypto AI プロジェクトは、特化型言語モデル (SLM) を微調整することによって、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ています：

• 信頼できる検証層：チェーン上にモデル生成経路、データの貢献と使用状況を記録することで、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：ネイティブトークンを利用して、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奨励し、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適用性分析

これにより、モデル型Crypto AIプロジェクトの実行可能なポイントは、主に小型SLMの軽量調整、RAGアーキテクチャのオンチェーンデータ接続と検証、そしてEdgeモデルのローカル展開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することができます。

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源を明確かつ改ざん不可能な形でチェーン上に記録し、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。また、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の分配をトリガーし、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投票を通じ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的としています。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「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：プログラミング不要で、オープンソースのLLMを基にLoRAで微調整してトレーニングし、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、導入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：特定の垂直シーンに向けた構造化データネットワークで、コミュニティによる協力で構築・検証されます；
• モデル提案プラットフォーム（Model Proposal Platform）：組み合わせ可能で、呼び出し可能で、支払い可能なオンチェーンモデル市場。

上記のモジュールを通じて、OpenLedgerはデータ駆動型でモデルが組み合わせ可能な「エージェント経済インフラ」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ています。

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 Stack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： 取引の安全性と資産の完全性を確保する；
• EVM 互換：開発者がSolidityに基づいて迅速にデプロイおよび拡張できる便利さ；
• EigenDAはデータ可用性の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。

NEARのようなより基盤的で、データ主権を主眼とした「AI Agents on BOS」アーキテクチャの汎用AIチェーンに比べて、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集中しています。モデルの開発と呼び出しをチェーン上で追跡可能、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。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」という実現経路を推進します。

! [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、コード不要モデルファクトリー

ModelFactoryはOpenLedgerエコシステムの下にある大規模言語モデル（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することができます。データの認可、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、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ます。
• 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。
• 軽量化微調整：内蔵のLoRA / QLoRAエンジンで、トレーニング進捗をリアルタイムで表示します。
• モデル評価とデプロイ：内蔵評価ツール、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。
• 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：出所引用を伴う回答を提供し、信頼性と監査可能性を高めます。

Model Factory システムアーキテクチャは、アイデンティティ認証、データアクセス権、モデル微調整、評価展開および 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、リアルタイムの相互作用、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。

! [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簡易一覧は以下の通りです。

• 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：アーキテクチャが効率的で、推論性能が非常に優れており、展開が柔軟でリソースが限られたシナリオに適しています。
• Qwen：中文タスクのパフォーマンスが優れており、総合能力が高いため、国内開発者の最初の選択に適しています。
• ChatGLM：中文対話効果が突出しており、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：コード生成や数学的推論で優れたパフォーマンスを発揮し、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、すぐに使いやすく、実験が容易です。
• Falcon：かつては性能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、コミュニティの活性度は減少しています。
• BLOOM：多言語サポートが強いが、推論性能は弱く、言語カバレッジ型の研究に適している。
• GPT-2：古典的初期モデルで、教育や検証目的にのみ適しており、実際のデプロイメント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、オンチェーン展開の現実的制約（推論コスト、RAG適応、LoRA互換、EVM環境）に基づいた「実用優先」の設定がなされています。

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機構が内蔵されており、データ貢献者とモデル開発者の権利を確保します。低いハードル、収益化可能、そして組み合わせ可能という利点があります。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対して：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；
• アプリケーションユーザー向け：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し、元のモデルの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する効率的なパラメータ微調整手法です。従来の大規模言語モデル（LLaMA、GPT-3など）は、通常数十億から千億のパラメータを持っています。特定のタスク（法律相談、医療相談など）にそれらを使用するには、微調整（fine-tuning）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、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、パラメータ効率が高く、トレーニングが迅速で、デプロイが柔軟であるため、現在のWeb3モデルのデプロイや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、マルチ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モデルのデプロイメントにおいて一般的な高コスト、低再利用、GPUリソースの無駄遣いといった問題を解決し、「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は、モジュール化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、低コストのマルチモデルのデプロイと呼び出し機能を実現します。

• LoRAアダプターストレージモジュール (LoRAアダプターのストレージ)：微調整されたLoRAアダプターはOpenLedgerにホスティングされ、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ことを避け、リソースを節約します。
• モデルホスティングとダイナミックマージングレイヤー (Model Hosting & Adapter Merging Layer)：すべてのファインチューニングモデルが基本の大モデル（base model）を共有し、推論時にLoRAアダプターがダイナミックに