OpenLedgerデプス研報：OP Stack+EigenDAを基盤にして、データ駆動型でモデルがコンポーザブルなエージェント経済を構築する

一、引言 | Crypto AI のモデルレイヤーの躍進

データ、モデル、そして算力は 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 業界のインフラ進化パスと同様に、Crypto AI 分野も類似の段階を経てきました。2024 年初頭には、市場が一時的に分散型 GPU プロジェクトに主導されており、一般に「算力を競う」粗放な成長論理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。

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に及び、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なファインチューニングのパラダイムとして、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プラグ、RAG（検索強化生成）などの方法でLLMと協調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、精緻化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。

! [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)

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、

• 技術的な障壁が高すぎる：Foundation Model の訓練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、アメリカや中国などのテクノロジー大手のみが対応できる能力を持っています。
• オープンソースエコシステムの限界：主流の基盤モデル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と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、チェーン上の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で、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を拡張することができます。AI産業チェーンの「周辺インターフェース層」として、2つのコア方向に現れます：

• 信頼できる検証層：チェーン上にモデル生成の経路、データ貢献と使用状況を記録することで、AI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モデルタイプの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Crypto AIプロジェクトの実行可能な落点は主に小型SLMの軽量化微調整、RAGアーキテクチャのチェーン上データ接続と検証、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することができ、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。さらに、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と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、持続可能なインセンティブシステムを構築します。また、コミュニティの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、ルールの制定と反復に参加し、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-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。「Payable AI」という概念を最初に提唱し、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。これにより、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ができます。

OpenLedgerは「データ提供」から「モデルデプロイメント」、さらに「呼び出しの分配」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次のものが含まれています：

• 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を使用してカスタムモデルの微調整トレーニングとデプロイが可能；
• 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（アトリビューションの証明）：オンチェーンコール記録を通じて貢献度の測定と報酬の分配を実現する；
• Datanets：垂直シーンに特化した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され、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「エージェント経済インフラ」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ています。

そして、ブロックチェーン技術の導入において、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するのに便利です。
• EigenDAはデータ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、データの検証性を確保します。

NEARのようなより基盤となる、データの主権と「AI Agents on BOS」アーキテクチャを主打とした汎用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インフラであり、モデルのホスティング、使用料金の請求、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」という実現へ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、モデルを微調整できます。データの認可、モデルのトレーニングおよびデプロイメントの統合ワークフローが実現されており、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：出典引用を伴う回答で、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概要は以下の通りです：

• 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、汎用性能が強く、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、柔軟に展開でき、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、総合能力が強く、国内の開発者に最適です。
• ChatGLM：中文の対話効果が優れており、特定のビジネス領域の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たパフォーマンスを発揮し、スマート開発補助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、素早く習得して実験するのが容易です。
• 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ました。
• BLOOM：多言語サポートが強いが、推論性能が弱めであり、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、実際のデプロイ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、データ提供者とモデル開発者の権利を確保しています。低い敷居、マネタイズ可能性、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すると:

• 開発者向け：モデルの孵化、配布、収益の完全なパスを提供；
• 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、微調整モデルのオンチェーンアセット化

LoRA（Low-Rank Adaptation）は、高効率なパラメータ微調整方法であり、事前学習された大規模モデルに「低秩行列」を挿入することで新しいタスクを学習し、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。従来の大規模言語モデルは通常、数十億または数百億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ためには、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、新しく挿入された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、トレーニングの速さ、デプロイの柔軟性は、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方法です。

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特別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は、モジュール設計に基づき、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デプロイおよび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：微調整された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、すべてのモデルを事前にVRAM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動的融合層：すべてのファインチューニングモデルは基盤となる大モデルを共有し、推論時