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、パラメータ規模は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微調整のパラダイムとして、通常はLLaMA、Mistral、DeepSeekなどのオープンソースモデルに基づき、少数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モデルを迅速に構築し、トレーニングコストと技術的なハードルを大幅に低下させます。
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上鎖記録として提供し、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。同時に、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て、分散型ガバナンス構造を改善できます。
! [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)
! [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)ファインチューニングプラットフォームです。従来のファインチューニング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 統合を必要としません。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ファインチューニングできます。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:
! [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)
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
OpenLedgerはモジュール化されたスマートエージェント経済エコシステムを構築します
OpenLedgerデプス研報:OP Stack+EigenDAを基盤に、データ駆動型でモデル可コラボレーションのインテリジェントエコノミーを構築
一、引言 | Crypto AI のモデルレイヤーの飛躍
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)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、市場は一時去中心化GPUプロジェクトが主導し、「算力を競う」粗放的な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、パラメータ規模は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微調整のパラダイムとして、通常はLLaMA、Mistral、DeepSeekなどのオープンソースモデルに基づき、少数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モデルを迅速に構築し、トレーニングコストと技術的なハードルを大幅に低下させます。
注目すべきは、SLM は LLM の重み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ということです。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ナトリアルインテリジェンスシステムを形成しました。
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
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
このことから、モデル型Crypto AIプロジェクトの実行可能な落ち着きどころは、主に小型SLMの軽量化調整、RAGアーキテクチャのチェーン上データ接続と検証、および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元を明確かつ改ざん不可能な上鎖記録として提供し、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。同時に、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て、分散型ガバナンス構造を改善できます。
! [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焦点を当てたブロックチェーンAIプロジェクトです。「Payable AI」という概念を初めて提案し、公平で透明性があり、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アプリケーション構築者が同じプラットフォームで協力し、実際の貢献に応じてオンチェーンの利益を得ることを促進します。
OpenLedgerは「データ提供」から「モデルデプロイメント」、さらには「呼び出し分配」までの全体的な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:
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採用において、OpenLedger は OP Stack + EigenDA を基盤に、高性能、低コスト、検証可能なデータおよび契約の実行環境を AI モデルの構築のために提供しています。
NEARのようなより基盤的で、データ主権と「BOS上のAIエージェント」を主に提供する汎用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ており、モデルの開発と利用をチェーン上で追跡可能、コンポーザブル、持続可能な価値のサイクルを実現することに努めています。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)ファインチューニングプラットフォームです。従来のファインチューニング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 統合を必要としません。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ファインチューニングできます。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:
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 溯源を通じて、6 つの主要モジュールを含んでおり、安全で制御可能、リアルタイムでインタラクティブ、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。
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:
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ないが、その戦略は時代遅れではなく、オンチェーンデプロイメントの現実的な制約(推論コスト、RAGアダプテーション、LoRA互換、EVM環境)に基づいた「実用優先」の構成がなされている。
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、収益化可能性、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して:
! [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)
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、高効率のパラメータ微調整方法であり、事前訓練された大規模モデルに「低秩行列」を挿入して新しいタスクを学習します。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(例えば、LLaMAやGPT-3)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(例えば、法律に関する質問応答や医療診断)に使用するためには、微調整(fine-tuning)が必要です。LoRAの核心的な戦略は、「元の大規模モデルのパラメータを固定し、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。」であり、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方法です。
OpenLoRAはOpenLedgerが構築した、多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のデプロイおよび呼び出し能力を実現しています。