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さるインテリジェントエコノミーを構築する

I. はじめに | Crypto AIのモデルレイヤージャンプ

データ、モデルと算力はAIインフラの三大コア要素であり、燃料（データ）、エンジン（モデル）、エネルギー（算力）が欠かせません。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年初頭には市場が去中心化GPUプロジェクトに主導され、「算力競争」の粗放型成長ロジックが一般的に強調されました。しかし、2025年に入ると、業界の焦点はモデルとデータ層に徐々に移り、Crypto AIが基盤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（専門言語モデル）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と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るのではなく、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、本質的には大規模言語モデル（LLM）のコア能力を直接向上させることが難しい。核心的な理由は、

• 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その能力を持っている。
• 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も、Crypto AIプロジェクトは特化型言語モデル（SLM）のファインチューニングを通じて、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つのコア方向に具現化されています：

• 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

このことから、モデル型のCrypto AIプロジェクトの実行可能な落とし所は、主に小型SLMの軽量化ファインチューニング、RAGアーキテクチャのオンチェーンデータの接続と検証、さらに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ーン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ブロックチェーンに記録し、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機構を通じて、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。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、ルールの策定やイテレーションに参加し、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「モデル展開」、さらに「収益分配の呼び出し」までの全チェーンのクローズドループを提供し、その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：プログラミング不要で、オープンソースLLMを基にLoRA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：千のモデルの共存をサポートし、必要に応じて動的にロードし、デプロイ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）：オンチェーンの呼び出し記録を通じて貢献度の測定と報酬の分配を実現する；
• Datanets：特化した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。

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さる「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ブロック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を基に構築：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。

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打する汎用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、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、持続可能な価値のクローズドループを実現することに取り組んでいます。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イスを組み合わせて「モデルは資産である」という実現の道を推進します。

! [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 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、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、プロバイダーが審査・承認し、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 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。
• 軽量微調整： 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： 組み込みの評価ツールがあり、デプロイや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ています。
• インタラクション検証インターフェイス： チャット式のインターフェイスを提供し、モデルの質問応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：出所の引用を伴う回答で、信頼性と監査可能性を強化します。

Model Factory の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、安全で制御可能なリアルタイムインタラクションを提供し、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、汎用性能が強く、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、柔軟な展開やリソースが限られたシナリオに適しています。
• Qwen：中国語のタスクのパフォーマンスが優れており、総合能力が高く、国内の開発者に最適です。
• ChatGLM：中文の対話効果が突出しており、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で優れた性能を発揮し、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、すぐに取り組んだり実験したりしやすい。
• 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ですが、推論性能が弱めで、言語カバレッジ型の研究に適しています。
• GPT-2：クラシックな初期モデルで、教育や検証目的にのみ適しています。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、オンチェーンでのデプロイにおける現実的な制約（推論コスト、RAG適合、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益を保証します。低いハードル、収益化およびコンポーザブルな利点を持ち、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します；
• 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；
• アプリケーター向け：モデルやエージェントをAPI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-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、事前学習済みの大規模モデルに「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は通常数十億、あるいは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。」というもので、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、多モデルの展開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モデルの展開における一般的な高コスト、低再利用、GPUリソースの無駄遣いなどの問題を解決し、「ペイアブル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上にホスティングされ、オンデマンドでロードされることで、すべてのモデルを事前にVRAMに読み込むことを避け、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融合層：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を共有し、推論時にLoRAアダプタが動的に統合され、複数のアダプタによる共同推論をサポートし、性能を向上させます。
• 推論エンジン:Flash-Attention、Paged-Attention、SGMV最適化など、複数のCUDA最適化技術を統合します。
• 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: ルート