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 のモデルレイヤーの飛躍

データ、モデルとデプスは AI インフラストラクチャ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（デプス）が欠かせないことに似ています。従来の AI 業界のインフラ進化の道筋に似て、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 プロジェクトが支配し、「デプスを競う」という粗放な成長ロジックが強調されました。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り、Crypto AI が基盤リソース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に及ぶことがあります。トレーニングのコストはしばしば数百万ドルに達します。一方、SLM（Specialized Language Model）は再利用可能な基盤モデルの軽量微調整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およびLoRAなどの技術を組み合わせることで、特定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を通じて呼び出され、プラグインシステムによる動的ルーティング、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の広いカバレッジ能力を維持しつつ、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ナルインテリジェンスシステムを形成しています。

Crypto AI 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。核心的な理由は、

• 技術的な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、現在はアメリカや中国などのテクノロジー大手のみがそれに対応できる能力を持っている。
• 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はコアモデル層への参加スペースが限られています。

しかし、オープンソースの基盤モデルの上に、Crypto AI プロジェクトは、特化型言語モデル（SLM）をファインチューニングし、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つのコア方向に表れます：

• 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、データの貢献と使用状況を記録することにより、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促進し、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

このように、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の軽量化ファインチューニング、RAGアーキテクチャのブロックチェーン上のデータ接続と検証、さらにEdgeモデルのローカルデプロイメントとインセンティブに集中しています。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にブロックチェーンに記録し、データの信頼性とモデル訓練の追跡可能性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、データまたはモデルが呼び出されると自動的に報酬分配がトリガーされ、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性能を評価し、ルールの策定や反復に参加し、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。彼は「Payable AI」の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、および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チェーン上の収益を得ることを奨励します。

OpenLedgerは「データ提供」から「モデルデプロイメント」、さらには「呼び出し分配」に至る全チェーンの閉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、必要に応じて動的にロードし、展開コストを大幅に削減します；
• PoA（プローフ・オブ・アトリビューション）：オンチェーンのコール記録を通じて貢献度の測定と報酬の配分を実現する；
• Datanets：垂直シーンに向けた構造化データネットワークで、コミュニティの協力によって構築と検証が行われます；
• 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市場。

上記のモジュールを通じて、OpenLedgerはデータ駆動型、モデル合成可能な「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促進しました。

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することを容易にします；
• 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、コンポーザブル、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。それは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、チェーン上のコンポーザブル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-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 エコシステム内の大規模言語モデル（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 上で完了した承認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。データの承認、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：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：出所を引用した回答で、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1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：中文タスクのパフォーマンスが優れており、総合能力が高く、国内の開発者に最適です。
• ChatGLM：中文対話の効果が際立っており、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基準でしたが、基礎研究や比較テストに適していますが、コミュニティの活発度は減少しました。
• BLOOM：多言語サポートが強いが、推論性能が弱いため、言語カバレッジ型研究に適している。
• 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おり、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は最新の高性能MoEモデルやマルチモーダルモデルを含んでいませんが、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の制約（推論コスト、RAG適応、LoRA互換性、EVM環境）に基づく「実用優先」の構成を行っています。

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、データの貢献者とモデルの開発者の権利を確保しています。低いハードル、可変現性、組み合わせ可能性の利点を持ち、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、収益の完全なルートを提供します；
• 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、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手法であり、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します。従来の大規模言語モデル（LLaMAやGPT-3など）は、通常数十億または千億のパラメータを持っています。特定のタスク（法律の質問応答や医療相談など）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、新しく挿入したパラメータ行列のみをトレーニングする」です。そのパラメータ効率、トレーニングの速さ、展開の柔軟性により、現在のWeb3モデルの展開と組み合わせ呼び出しに最も適した主流の微調整手法となっています。

OpenLoRAはOpenLedgerが構築した、多モデル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モデル展開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、「可支付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、高効率かつ低コストのマルチモデル展開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 (LoRAアダプター 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、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基盤となる大モデル（base model）を共有し、推論時にLoRAアダプタがダイナミックに