OpenLedgerデプス研報：OP Stack+EigenDAを基盤に、データ駆動型、モデル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 のモデル層のジャンプ

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）が欠かせない。従来の AI 業界のインフラ進化パスと同様に、Crypto AI 分野も似たような段階を経てきた。2024 年初頭、市場は一時去中心化 GPU プロジェクトに主導され、一般的に「算力を競う」粗放的な成長ロジックが強調された。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り、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る。

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に達することが一般的です。トレーニング1回のコストは数百万ドルに上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であり、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家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がLLMの重みの中に統合されず、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大きく、現在、米国や中国などのテクノロジーの巨人のみがその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：主流の基盤モデルであるLLaMAやMixtralはオープンソース化されていますが、モデルの突破を促進する鍵は依然として研究機関や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おり、チェーン上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に、Crypto AIプロジェクトは依然として微調整された特化型言語モデル（SLM）を通じて、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ることで価値を延ばすことができます。AI産業チェーンの「周辺インターフェース層」として、二つのコア方向に現れます：

• 信頼できる検証レイヤー：オンチェーンでモデル生成パス、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

ここから、モデルタイプの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はこれらの中低資源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、各データとモデルの貢献源を明確で改ざん不可能なオンチェーン記録として記録し、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。同時に、スマートコントラクトメカニズムにより、データまたはモデルが呼び出されると自動的に報酬配分がトリガーされ、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。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パフォーマンスを評価し、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-62B3FA1E810F4772AABA3D91C74C1AA6)

二、プロジェクト概要 | OpenLedgerのAIチェーンビジョン

OpenLedgerは現在市場において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、公平で透明かつ組み合わせ可能な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アプリケーションビルダーが同じプラットフォーム上で協力し、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」さらには「収益分配呼び出し」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で微調整トレーニングを行い、カスタムモデルをデプロイできます；
• OpenLoRA：千のモデル共存をサポートし、必要に応じてダイナミックにロードし、デプロイ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：特定業界向けの構造化データネットワークで、コミュニティによって協力して構築・検証される；
• 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。

以上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促進しています。

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 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での実行をサポート；
• 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を基に迅速にデプロイおよび拡張できる便利さ；
• 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」アーキテクチャを主眼とした汎用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、持続可能な価値の閉ループで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」という実現の道筋を推進します。

! [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上で許可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できます。データの許可、モデルの訓練、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： ユーザーはデータリクエストを提出し、提供者が審査と承認を行い、データが自動的にモデルトレーニング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： 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、デプロイメントのエクスポートやエコシステム共有呼び出しをサポートしています。
• インタラクティブ検証インターフェース： チャット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するのに便利です。
• RAG生成トレーサビリティ：出典引用を含む回答により、信頼性と監査性を強化します。

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、評価デプロイメント、RAG 溯源を貫通する6つの主要モジュールを含んでおり、安全で制御可能、リアルタイムインタラクション、持続可能なマネタイズの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、柔軟な展開やリソースが限られたシーンに適しています。
• Qwen：アリババ製、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な選択です。
• ChatGLM：中国語の対話効果が際立ち、垂直型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：Googleが提供する軽量モデルで、構造が明確で、迅速に習得し実験するのが容易です。
• Falcon：かつてはパフォーマンスのベンチマークでしたが、基礎研究や比較テストに適していますが、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が、推論性能が弱いため、言語カバレッジ型の研究に適している。
• GPT-2：古典的な初期モデルで、教育や検証目的にのみ適しており、実際の展開使用は推奨されません。

OpenLedgerのモデルコンビネーションには最新の高性能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、EVM環境）に基づいて「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。低いハードル、収益化と組み合わせ可能性を持つ利点があります。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；
• アプリケーター向け：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、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、高効率なパラメータ微調整方法であり、事前に学習した大規模モデルに「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（例：LLaMA、GPT-3）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。特定のタスク（例：法律に関する質問応答、医療相談）にそれらを使用するには、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固定し、挿入し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方法です。

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モデルのデプロイにおいて一般的な高コスト、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の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 (LoRAアダプターのストレージ)：ファインチューニングされた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はベースモデル（base model）を共有し、推論時に