Desde el aprendizaje federado hasta la red de agentes descentralizada, análisis del proyecto ChainOpera

Autor: 0xjacobzhao

En el informe de investigación de junio titulado "El Santo Grial de Crypto AI: Exploración de Vanguardia en Entrenamiento Descentralizado", mencionamos el aprendizaje federado (Federated Learning), una solución de "descentralización controlada" que se sitúa entre el entrenamiento distribuido y el entrenamiento descentralizado: su núcleo es la retención local de datos y la agregación centralizada de parámetros, cumpliendo con los requisitos de privacidad y cumplimiento en áreas como la medicina y las finanzas. Al mismo tiempo, hemos estado prestando atención al surgimiento de redes de agentes (Agent) en varios informes anteriores: su valor radica en la cooperación para completar tareas complejas a través de la autonomía y la división del trabajo de múltiples agentes, promoviendo la evolución de "grandes modelos" hacia "ecosistemas de múltiples agentes".

El aprendizaje federado establece la base de la colaboración multiparte con "los datos no salen del lugar, incentivando según la contribución", sus genes distribuidos, incentivos transparentes, protección de la privacidad y prácticas de cumplimiento proporcionan experiencias reutilizables directamente para la Red de Agentes. El equipo de FedML está siguiendo este camino, actualizando el gen de código abierto a TensorOpera (capa de infraestructura de la industria de IA), y luego evolucionando hacia ChainOpera (red de agentes descentralizada). Por supuesto, la Red de Agentes no es una extensión inevitable del aprendizaje federado, su núcleo radica en la cooperación autónoma y la división de tareas entre múltiples agentes, que también se puede construir directamente sobre sistemas multiagente (MAS), aprendizaje por refuerzo (RL) o mecanismos de incentivo basados en blockchain.

Uno, Arquitectura de la pila tecnológica de aprendizaje federado y agentes de IA

El aprendizaje federado (Federated Learning, FL) es un marco para el entrenamiento colaborativo sin centralizar los datos. Su principio básico consiste en que cada parte participante entrena un modelo localmente, subiendo solo parámetros o gradientes al punto de coordinación para su agregación, logrando así el cumplimiento de la privacidad con "datos que no salen del dominio". Tras la práctica en escenarios típicos como la medicina, las finanzas y dispositivos móviles, el aprendizaje federado ha alcanzado una etapa comercial bastante madura, pero aún enfrenta cuellos de botella como altos costos de comunicación, protección de la privacidad incompleta y baja eficiencia de convergencia debido a la heterogeneidad de los dispositivos. En comparación con otros modos de entrenamiento, el entrenamiento distribuido enfatiza la concentración de poder de cálculo para buscar eficiencia y escala, mientras que el entrenamiento descentralizado logra una colaboración completamente distribuida a través de una red de poder de cálculo abierta. El aprendizaje federado se sitúa entre ambos, manifestándose como una solución de "descentralización controlada": satisface las necesidades de la industria en términos de privacidad y cumplimiento, y ofrece una ruta viable para la colaboración entre instituciones, siendo más adecuada para arquitecturas de despliegue transicional en la industria.

y en toda la pila de protocolos de AI Agent, en nuestros informes anteriores la hemos dividido en tres niveles principales, es decir,

Capa de Infraestructura (Agent Infrastructure Layer): Esta capa proporciona el soporte operativo más básico para los agentes y es la base técnica sobre la cual se construyen todos los sistemas de agentes.

• Módulo central: incluye el Agent Framework (marco de desarrollo y ejecución de agentes) y el Agent OS (programación multitarea de nivel más bajo y tiempo de ejecución modular), que proporciona capacidades centrales para la gestión del ciclo de vida del agente.
• Módulos de soporte: como Agent DID (identidad descentralizada), Agent Wallet & Abstraction (abstracción de cuentas y ejecución de transacciones), Agent Payment/Settlement (capacidad de pago y liquidación).

La capa de coordinación y ejecución (Coordination & Execution Layer) se centra en la colaboración entre múltiples agentes, la programación de tareas y los mecanismos de incentivos del sistema, siendo clave para construir la "inteligencia colectiva" de los sistemas de agentes.

• Orquestación de Agentes: se refiere a un mecanismo de control utilizado para la programación y gestión unificada del ciclo de vida del agente, la asignación de tareas y el flujo de ejecución, aplicable a escenarios de flujo de trabajo con control central.
• Agent Swarm: es una estructura colaborativa que enfatiza la cooperación de agentes distribuidos, con alta autonomía, capacidad de división del trabajo y colaboración flexible, adecuada para enfrentar tareas complejas en entornos dinámicos.
• Capa de Incentivos para Agentes: Construir un sistema de incentivos económicos para la red de Agentes, estimulando la participación de desarrolladores, ejecutores y validadores, proporcionando una energía sostenible para el ecosistema de agentes.

Capa de Aplicación (Capa de Aplicación y Distribución)

• Subclases de distribución: incluye Agent Launchpad, Agent Marketplace y Agent Plugin Network
• Subclases de aplicación: incluye AgentFi, Agent Native DApp, Agent-as-a-Service, etc.
• Subcategoría de consumo: principalmente Agent Social / Consumer Agent, dirigido a escenarios ligeros como la interacción social de los consumidores.
• Meme: Aprovechando el concepto de Agente para la especulación, carece de implementación técnica real y aplicación práctica, impulsado únicamente por el marketing.

Dos, el estándar de aprendizaje federado FedML y la plataforma de pila completa TensorOpera

FedML es uno de los primeros marcos de código abierto orientados al aprendizaje federado (Federated Learning) y al entrenamiento distribuido, originado en un equipo académico (USC) y gradualmente comercializado como el producto central de TensorOpera AI. Proporciona a investigadores y desarrolladores herramientas de entrenamiento colaborativo de datos entre instituciones y dispositivos. En el ámbito académico, FedML ha aparecido con frecuencia en conferencias de alto nivel como NeurIPS, ICML, AAAI, convirtiéndose en una plataforma experimental general para la investigación en aprendizaje federado; en el ámbito industrial, FedML goza de una alta reputación en escenarios sensibles a la privacidad, como la medicina, las finanzas, la inteligencia artificial en el borde y la inteligencia artificial en Web3, siendo considerado una herramienta de referencia en el campo del aprendizaje federado.

TensorOpera es una plataforma de infraestructura de IA de pila completa orientada a empresas y desarrolladores, desarrollada por FedML como una actualización de su camino de comercialización: manteniendo la capacidad de aprendizaje federado, se expande hacia el Mercado de GPU, servicios de modelos y MLOps, ingresando así a un mercado más grande en la era de los grandes modelos y agentes. La arquitectura general de TensorOpera se puede dividir en tres niveles: Capa de Cómputo, Capa de Programador y Capa de MLOps.

1. Capa de Cálculo（底层）

La capa Compute es la base tecnológica de TensorOpera, continuando el legado de código abierto de FedML. Sus funciones principales incluyen el Servidor de Parámetros, Entrenamiento Distribuido, Punto de Inferencia y Servidor de Agregación. Su valor se centra en proporcionar entrenamiento distribuido, aprendizaje federado con protección de la privacidad y un motor de inferencia escalable, respaldando las tres capacidades centrales de "Entrenar / Desplegar / Federar", cubriendo toda la cadena desde el entrenamiento del modelo, despliegue hasta la colaboración interinstitucional, siendo la capa fundamental de toda la plataforma.

2. Capa de Programador (Capa Media)

La capa Scheduler actúa como el centro de transacciones y programación de potencia informática, compuesta por GPU Marketplace, Provision, Master Agent y Schedule & Orchestrate, soportando la llamada de recursos a través de nubes públicas, proveedores de GPU y contribuyentes independientes. Esta capa es el punto de inflexión clave en la actualización de FedML a TensorOpera, permitiendo una programación inteligente de potencia informática y orquestación de tareas para lograr un entrenamiento e inferencia de IA a mayor escala, abarcando escenarios típicos de LLM y IA generativa. Al mismo tiempo, el modo Share & Earn de esta capa reserva interfaces de mecanismos de incentivos, con el potencial de ser compatible con modelos DePIN o Web3.

3. Capa MLOps (Capa superior)

La capa de MLOps es la interfaz de servicio del plataforma dirigida directamente a desarrolladores y empresas, que incluye módulos como Model Serving, AI Agent y Studio. Las aplicaciones típicas abarcan Chatbots LLM, inteligencia artificial generativa multimodal y herramientas de Copilot para desarrolladores. Su valor radica en abstraer la potencia de cómputo subyacente y la capacidad de entrenamiento en API y productos de alto nivel, reduciendo la barrera de entrada, proporcionando agentes listos para usar, un entorno de desarrollo de bajo código y capacidad de despliegue escalable, posicionándose en comparación con Anyscale, Together, Modal y otras plataformas de infraestructura de IA de nueva generación, actuando como un puente entre la infraestructura y la aplicación.

En marzo de 2025, TensorOpera se actualizará a una plataforma de pila completa para Agentes de IA, con productos centrales que abarcan AgentOpera AI App, Framework y Platform. La capa de aplicación ofrecerá un acceso multiagente similar a ChatGPT, la capa de framework evolucionará hacia un sistema multiagente basado en estructuras gráficas y Orchestrator/Router como "Agentic OS", mientras que la capa de plataforma se integrará profundamente con la plataforma de modelos TensorOpera y FedML, logrando servicios de modelos distribuidos, optimización RAG y despliegue híbrido en la nube. El objetivo general es crear "un sistema operativo, una red de agentes", permitiendo que desarrolladores, empresas y usuarios co-construyan una nueva generación de ecosistema de IA Agentic en un entorno abierto y de protección de la privacidad.

Tres, panorama ecológico de ChainOpera AI: de co-creadores a base tecnológica

Si FedML es el núcleo tecnológico, proporcionando el gen abierto de aprendizaje federado y entrenamiento distribuido; TensorOpera abstrae los logros de investigación de FedML en una infraestructura AI de pila completa comercializable, entonces ChainOpera es llevar las capacidades de la plataforma TensorOpera "on-chain", creando un ecosistema de red de agentes descentralizado a través de AI Terminal + Agent Social Network + DePIN modelo y capa de cómputo + blockchain nativa de AI. El cambio central radica en que TensorOpera sigue estando principalmente orientado a empresas y desarrolladores, mientras que ChainOpera, aprovechando la gobernanza y el mecanismo de incentivos de Web3, incorpora a usuarios, desarrolladores y proveedores de GPU/datos en la co-creación y co-gobernanza, haciendo que el AI Agent no solo sea "utilizado", sino "co-creado y co-propietario".

Ecología de co-creadores (Co-creators)

ChainOpera AI proporciona herramientas, infraestructura y una capa de coordinación para la co-creación del ecosistema a través de la Plataforma de Modelos y GPU y la Plataforma de Agentes, apoyando el entrenamiento de modelos, el desarrollo de agentes, el despliegue y la colaboración en la expansión.

Los co-creadores del ecosistema ChainOpera abarcan desarrolladores de agentes de IA (diseño y operación de agentes inteligentes), proveedores de herramientas y servicios (plantillas, MCP, bases de datos y API), desarrolladores de modelos (entrenamiento y publicación de tarjetas de modelo), proveedores de GPU (contribuyendo poder de cálculo a través de DePIN y socios de nube Web2), y contribuyentes de datos y etiquetadores (subida y etiquetado de datos multimodales). Tres tipos de suministros clave: desarrollo, poder de cálculo y datos, impulsan conjuntamente el crecimiento continuo de la red de agentes inteligentes.

Co-propietarios

La ecología de ChainOpera también introduce un mecanismo de copropiedad, construyendo la red a través de la cooperación y la participación. Los creadores de AI Agent son individuos o equipos que diseñan y despliegan nuevos agentes a través de la plataforma Agent, responsables de construir, lanzar y mantener continuamente, promoviendo así la innovación en funciones y aplicaciones. Los participantes de AI Agent provienen de la comunidad, que participan en el ciclo de vida del agente al obtener y mantener unidades de acceso (Access Units), apoyando el crecimiento y la actividad del agente en el proceso de uso y promoción. Estos dos tipos de roles representan respectivamente la oferta y la demanda, formando conjuntamente un modelo de compartición de valor y desarrollo colaborativo dentro de la ecología.

Socios ecológicos: plataforma y marco

ChainOpera AI colabora con múltiples partes para fortalecer la usabilidad y seguridad de la plataforma, y se enfoca en la integración de escenarios Web3: a través de la aplicación AI Terminal App, se implementan recomendaciones de servicios inteligentes mediante billeteras, algoritmos y plataformas de agregación; en la plataforma Agent se introducen marcos diversos y herramientas sin código para reducir la barrera de entrada al desarrollo; se basa en TensorOpera AI para el entrenamiento y la inferencia de modelos; y se establece una colaboración exclusiva con FedML para apoyar el entrenamiento con protección de privacidad entre instituciones y dispositivos. En general, se forma un ecosistema abierto que equilibra las aplicaciones empresariales y la experiencia del usuario en Web3.

Entrada de hardware: AI Hardware y Socios (AI Hardware & Partners)

A través de socios como DeAI Phone, dispositivos portátiles y Robot AI, ChainOpera fusionará blockchain con IA en terminales inteligentes, logrando interacciones de dApp, entrenamiento en el lado del dispositivo y protección de la privacidad, formando gradualmente un ecosistema de hardware de IA descentralizado.

Plataforma central y base tecnológica: TensorOpera GenAI & FedML

TensorOpera ofrece una plataforma GenAI de pila completa que cubre MLOps, Scheduler y Compute; su subplataforma FedML ha crecido de ser un código abierto académico a un marco industrial, fortaleciendo la capacidad de la IA de "funcionar en cualquier lugar y escalar de cualquier manera".

CadenaOpera AI ecosistema

Cuatro, productos principales de ChainOpera e infraestructura de agente AI de pila completa

En junio de 2025, ChainOpera lanzará oficialmente la aplicación AI Terminal y la pila de tecnología descentralizada, posicionándose como "OpenAI descentralizado". Su producto central abarca cuatro grandes módulos: capa de aplicación (AI Terminal & Agent Network), capa de desarrolladores (Agent Creator Center), capa de modelos y GPU (Model & Compute Network), así como el protocolo CoAI y la cadena dedicada, cubriendo un ciclo completo que va desde la entrada del usuario hasta la potencia computacional de fondo y los incentivos en cadena.

La aplicación AI Terminal ha integrado BNBChain, soportando transacciones en cadena y escenarios DeFi para el Agente. El Centro de Creación de Agentes está abierto a desarrolladores, ofreciendo capacidades como MCP/HUB, base de conocimientos y RAG, con agentes comunitarios que continúan uniéndose; al mismo tiempo, se inicia la Alianza CO-AI, colaborando con socios como io.net, Render, TensorOpera, FedML y MindNetwork.

Según los datos en cadena de BNB DApp Bay en los últimos 30 días, tiene 158.87K usuarios únicos y un volumen de transacciones de 2.6 millones en los últimos 30 días, ocupando el segundo lugar en la clasificación de la categoría "AI Agent" en BSC, lo que demuestra una fuerte actividad en cadena.

Aplicación Super AI Agent – Terminal AI ()

Como una entrada descentralizada para ChatGPT y redes sociales de IA, AI Terminal ofrece colaboración multimodal, incentivos para la contribución de datos, integración de herramientas DeFi, asistentes multiplataforma y soporta la colaboración de agentes de IA y la protección de la privacidad (Tus Datos, Tu Agente). Los usuarios pueden invocar directamente el modelo de código abierto DeepSeek-R1 y agentes comunitarios en dispositivos móviles, donde los tokens de lenguaje y los tokens criptográficos circulan de manera transparente en la cadena durante la interacción. Su valor radica en permitir que los usuarios pasen de ser "consumidores de contenido" a "co-creadores inteligentes" y puedan utilizar redes de agentes inteligentes exclusivas en escenarios como DeFi, RWA, PayFi y comercio electrónico.

Red Social de Agentes de IA (agent-social-network)

Posicionamiento similar a LinkedIn + Messenger, pero dirigido a la comunidad de Agentes de IA. A través de un espacio de trabajo virtual y un mecanismo de colaboración Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel), se impulsa la evolución de un único Agente hacia una red de colaboración multiagente, abarcando aplicaciones en finanzas, juegos, comercio electrónico, investigación, entre otros, y aumentando gradualmente la memoria y autonomía.

Plataforma de Desarrollo de Agentes de IA ()

Proporcionar a los desarrolladores una experiencia de creación "estilo LEGO". Soporta la creación sin código y la expansión modular, los contratos de blockchain garantizan la propiedad, DePIN + infraestructura en la nube reducen las barreras de entrada, el Marketplace ofrece canales de distribución y descubrimiento. Su núcleo radica en permitir que los desarrolladores lleguen rápidamente a los usuarios, las contribuciones al ecosistema pueden ser registradas de manera transparente y recibir incentivos.

Modelo de IA & Plataforma GPU ()

Como capa de infraestructura, combinando DePIN y aprendizaje federado, aborda el problema de la dependencia de la potencia de cálculo centralizada en Web3 AI. A través de GPU distribuidas, entrenamiento de datos con protección de la privacidad, mercado de modelos y datos, así como MLOps de extremo a extremo, apoya la colaboración de múltiples agentes y la IA personalizada. Su visión es promover la transición del paradigma de infraestructura de "monopolio de grandes empresas" a "co-creación comunitaria".

Cinco, la planificación de la hoja de ruta de ChainOpera AI

Además de haber lanzado oficialmente la plataforma de agente AI de pila completa, ChainOpera AI está convencido de que la inteligencia artificial general (AGI) proviene de una red de colaboración de múltiples modalidades y múltiples agentes. Por lo tanto, su hoja de ruta a largo plazo se divide en cuatro fases:

El proveedor obtiene ingresos distribuidos según el uso.

Fase dos (Aplicaciones Agénticas → Economía de IA Colaborativa): Lanzamiento de AI Terminal, Mercado de Agentes y Red Social de Agentes, formando un ecosistema de aplicaciones multiagente; a través del protocolo CoAI se conectan usuarios, desarrolladores y proveedores de recursos, e introducen un sistema de coincidencia entre demanda de usuarios y desarrolladores, así como un sistema de crédito, fomentando interacciones frecuentes y actividades económicas sostenidas.

Fase tres (IA colaborativa → IA nativa de criptomonedas): implementación en campos como DeFi, RWA, pagos y comercio electrónico, al mismo tiempo que se expande a escenarios de KOL e intercambio de datos personales; desarrollo de LLM específicos para finanzas / criptomonedas y lanzamiento de un sistema de pagos y billeteras de agente a agente, promoviendo aplicaciones escenificadas de "Crypto AGI".

Fase cuatro (Ecosistemas → Economías de IA Autónomas): Evolución gradual hacia economías de subredes autónomas, donde cada subred gestiona de manera independiente y opera con tokenización en torno a aplicaciones, infraestructura, potencia de cálculo, modelos y datos, y colabora a través de protocolos entre subredes, formando un ecosistema colaborativo de múltiples subredes; al mismo tiempo, se avanza de IA Agentic a IA Física (robots, vehículos autónomos, aeroespacial).

Aviso legal: Este mapa de ruta es solo para referencia, el cronograma y las funciones pueden ajustarse dinámicamente debido al entorno del mercado y no constituyen una promesa de entrega.

Siete, incentivos de tokens y gobernanza del protocolo

Actualmente, ChainOpera no ha publicado un plan completo de incentivos para tokens, pero su protocolo CoAI tiene como núcleo la «co-creación y co-propiedad», logrando registros de contribuciones transparentes y verificables a través de blockchain y un mecanismo de Proof-of-Intelligence: la inversión de desarrolladores, poder computacional, datos y proveedores de servicios se mide de manera estandarizada y se recompensa; los usuarios utilizan los servicios, los recursos apoyan la operación, y los desarrolladores construyen aplicaciones, todas las partes participantes comparten los beneficios del crecimiento; la plataforma mantiene el ciclo con un 1% de tarifa de servicio, distribución de recompensas y apoyo a la liquidez, promoviendo un ecosistema de IA descentralizado, abierto, justo y colaborativo.

Marco de Aprendizaje Proof-of-Intelligence

Proof-of-Intelligence (PoI) es el mecanismo de consenso central propuesto por ChainOpera bajo el protocolo CoAI, diseñado para proporcionar un sistema de incentivos y gobernanza transparente, justo y verificable para la construcción de IA descentralizada. Se basa en un marco de aprendizaje automático colaborativo de blockchain denominado Proof-of-Contribution (prueba de contribución), que busca abordar los problemas de falta de incentivos, riesgos de privacidad y falta de verificabilidad que existen en la aplicación práctica del aprendizaje federado (FL). Este diseño se centra en contratos inteligentes y combina almacenamiento descentralizado (IPFS), nodos de agregación y pruebas de conocimiento cero (zkSNARKs), logrando cinco objetivos principales: ① Distribución de recompensas justa según la contribución, asegurando que los entrenadores reciban incentivos basados en la mejora real del modelo; ② Mantener el almacenamiento de datos localizado, garantizando que la privacidad no se vea comprometida; ③ Introducir mecanismos de robustez para contrarrestar la contaminación o ataques de agregación por parte de entrenadores maliciosos; ④ Asegurar la verificabilidad de cálculos clave como la agregación de modelos, detección de anomalías y evaluación de contribuciones a través de ZKP; ⑤ Ser aplicable en eficiencia y versatilidad a datos heterogéneos y diferentes tareas de aprendizaje.

Valor de los tokens en la IA de pila completa

El mecanismo de tokens de ChainOpera se basa en cinco flujos de valor (LaunchPad, Agent API, Model Serving, Contribution, Model Training), y su núcleo son las tarifas de servicio, la confirmación de contribuciones y la asignación de recursos, en lugar de los rendimientos especulativos.

• Usuarios de IA: accedan a servicios o suscriban aplicaciones con tokens y contribuyan al ecosistema proporcionando / etiquetando / apostando datos.
• Agente/ Desarrollador de aplicaciones: utiliza la potencia de cálculo y los datos de la plataforma para desarrollar, y es reconocido por el protocolo por su contribución de agente, aplicación o conjunto de datos.
• Proveedor de recursos: contribuye con poder de cómputo, datos o modelos, y obtén registros transparentes e incentivos.
• Participantes de la gobernanza (comunidad y DAO): participan en votaciones, diseño de mecanismos y coordinación ecológica a través de tokens.
• Capa de protocolo (COAI): Mantener el desarrollo sostenible a través de tarifas de servicio, utilizando un mecanismo de distribución automatizado para equilibrar la oferta y la demanda.
• Nodos y validadores: proporcionan servicios de verificación, potencia de cálculo y seguridad, asegurando la fiabilidad de la red.

Gobernanza del protocolo

ChainOpera utiliza la gobernanza DAO, permitiendo la participación en propuestas y votaciones a través de la participación de tokens, garantizando decisiones transparentes y justas. El mecanismo de gobernanza incluye: sistema de reputación (verificar y cuantificar contribuciones), colaboración comunitaria (propuestas y votaciones que impulsan el desarrollo del ecosistema), ajuste de parámetros (uso de datos, seguridad y responsabilidad de los validadores). El objetivo general es evitar la concentración de poder, mantener la estabilidad del sistema y la co-creación de la comunidad.

Ocho, antecedentes del equipo y financiamiento del proyecto

El proyecto ChainOpera fue cofundado por el profesor Salman Avestimehr, quien tiene una profunda experiencia en el campo del aprendizaje federado, y el Dr. He Chaoyang (Aiden). Los otros miembros clave del equipo tienen un trasfondo que abarca UC Berkeley, Stanford, USC, MIT, la Universidad Tsinghua, así como las principales instituciones académicas y tecnológicas como Google, Amazon, Tencent, Meta y Apple, combinando capacidades de investigación académica y práctica industrial. Hasta ahora, el equipo de ChainOpera AI ha superado las 40 personas.

Co-Fundador: Salman Avestimehr

El profesor Salman Avestimehr es el Decano "s Professor" del Departamento de Ingeniería Eléctrica y de Computación de la Universidad del Sur de California (USC), y es el director fundador del Centro de IA Confiable USC-Amazon, además de liderar el Laboratorio de Teoría de la Información y Aprendizaje Automático de USC (vITAL). Es cofundador y CEO de FedML, y cofundó TensorOpera/ChainOpera AI en 2022.

El profesor Salman Avestimehr se graduó con un doctorado en EECS de UC Berkeley (Premio al Mejor Artículo). Como miembro de IEEE, ha publicado más de 300 artículos de alto nivel en los campos de teoría de la información, computación distribuida y aprendizaje federado, con más de 30,000 citas, y ha recibido varios honores internacionales, incluyendo PECASE, NSF CAREER y el Premio Massey de IEEE. Lideró la creación del marco de código abierto FedML, que se utiliza ampliamente en salud, finanzas y computación de privacidad, y se ha convertido en la piedra angular de la tecnología central de TensorOpera/ChainOpera AI.

Co-fundador: Dr. Aiden Chaoyang He

El Dr. Aiden Chaoyang He es cofundador y presidente de TensorOpera/ChainOpera AI, doctor en Ciencias de la Computación por la Universidad del Sur de California (USC) y creador original de FedML. Su investigación abarca el aprendizaje distribuido y federado, el entrenamiento de modelos a gran escala, blockchain y computación en privacidad. Antes de emprender, trabajó en Meta, Amazon, Google y Tencent en investigación y desarrollo, y ocupó puestos clave de ingeniería y gestión en Tencent, Baidu y Huawei, liderando la implementación de múltiples productos a nivel de Internet y plataformas de IA.

En el ámbito académico e industrial, Aiden ha publicado más de 30 artículos, con más de 13,000 citas en Google Scholar, y ha recibido la Beca Amazon Ph.D., la Beca de Innovación Qualcomm y el Premio al Mejor Artículo en NeurIPS y AAAI. El marco FedML que lideró el desarrollo es uno de los proyectos de código abierto más utilizados en el campo del aprendizaje federado, soportando un promedio de 27 mil millones de solicitudes al día; además, como autor principal, propuso el marco FedNLP y el método de entrenamiento paralelo de modelos híbridos, que se utiliza ampliamente en proyectos de IA descentralizada como Sahara AI.

En diciembre de 2024, ChainOpera AI anunció la finalización de una ronda de financiación inicial de 3.5 millones de dólares, acumulando un total de 17 millones de dólares en financiación junto a TensorOpera. Los fondos se utilizarán para construir una blockchain L1 y un sistema operativo de IA orientados a agentes de IA descentralizados. Esta ronda de financiación fue liderada por Finality Capital, Road Capital e IDG Capital, con la participación de Camford VC, ABCDE Capital, Amber Group, Modular Capital, entre otros. También recibió el apoyo de instituciones y personalidades reconocidas como Sparkle Ventures, Plug and Play, USC, así como Sreeram Kannan, fundador de EigenLayer, y David Tse, cofundador de BabylonChain. El equipo expresó que esta ronda de financiación acelerará la realización de la visión de un "ecosistema de IA descentralizado donde los contribuyentes de recursos de IA, desarrolladores y usuarios co-propietan y co-crean juntos".

Nueve, análisis del mercado de aprendizaje federado y agentes de IA

Los principales marcos de aprendizaje federado son cuatro: FedML, Flower, TFF y OpenFL. Entre ellos, FedML es el más completo, combinando aprendizaje federado, entrenamiento de grandes modelos distribuidos y MLOps, adecuado para la implementación industrial; Flower es ligero y fácil de usar, con una comunidad activa, orientado a la enseñanza y experimentos a pequeña escala; TFF depende en gran medida de TensorFlow, tiene un alto valor de investigación académica, pero es débil en términos de industrialización; OpenFL se centra en la atención médica / financiera, enfatizando la conformidad con la privacidad, y su ecosistema es bastante cerrado. En general, FedML representa un enfoque versátil a nivel industrial, Flower se enfoca en la facilidad de uso y la educación, TFF está más orientado a experimentos académicos, y OpenFL tiene ventajas en la conformidad en industrias verticales.

En la capa de industrialización e infraestructura, TensorOpera (comercialización de FedML) se caracteriza por heredar la acumulación técnica de FedML de código abierto, ofreciendo capacidades integradas de programación de GPU en la nube, entrenamiento distribuido, aprendizaje federado y MLOps, con el objetivo de conectar la investigación académica con las aplicaciones industriales, sirviendo a desarrolladores, pequeñas y medianas empresas, así como al ecosistema Web3/DePIN. En general, TensorOpera es equivalente a "Hugging Face + W&B de FedML de código abierto", siendo más completo y general en las capacidades de entrenamiento distribuido de pila completa y aprendizaje federado, a diferencia de otras plataformas centradas en comunidades, herramientas o una sola industria.

En el ámbito de los representantes de la capa de innovación, ChainOpera y Flock intentan combinar el aprendizaje federal con Web3, pero hay diferencias claras en sus enfoques. ChainOpera construye una plataforma de agente de IA de pila completa, que abarca cuatro capas de arquitectura: entrada, social, desarrollo e infraestructura. Su valor central radica en impulsar a los usuarios a pasar de "consumidores" a "co-creadores" y lograr una colaboración AGI y una construcción comunitaria a través del AI Terminal y la Red Social de Agentes; mientras que Flock se centra más en el aprendizaje federal mejorado por blockchain (BAFL), enfatizando la protección de la privacidad y los mecanismos de incentivos en un entorno descentralizado, dirigido principalmente a la validación colaborativa a nivel de potencia de cálculo y datos. ChainOpera se inclina más hacia la implementación en la capa de aplicación y red de agentes, mientras que Flock se enfoca en el fortalecimiento del entrenamiento de la capa base y la computación de la privacidad.

En el nivel de la red de Agentes, el proyecto más representativo de la industria es Olas Network. ChainOpera se origina en el aprendizaje federado, construyendo un ciclo cerrado de modelo-potencia-agente, y utiliza Agent Social Network como campo de experimentación para explorar la interacción y colaboración social entre múltiples agentes; Olas Network proviene de la colaboración DAO y del ecosistema DeFi, posicionándose como una red de servicios autónomos descentralizados, lanzando escenarios de rendimiento DeFi que pueden implementarse directamente a través de Pearl, mostrando un camino completamente diferente al de ChainOpera.

Diez, análisis de la lógica de inversión y los riesgos potenciales

Lógica de inversión

Las ventajas de ChainOpera radican primero en su foso tecnológico: desde FedML (un marco de código abierto de aprendizaje federado) hasta TensorOpera (infraestructura IA de pila completa de nivel empresarial), y luego hasta ChainOpera (red de agentes Web3 + DePIN + Tokenomics), formando una única trayectoria de evolución continua que combina acumulación académica, implementación industrial y narrativa criptográfica.

En términos de aplicación y escala de usuarios, AI Terminal ha formado cientos de miles de usuarios activos diarios y un ecosistema de aplicaciones de nivel mil de agentes, y ocupa el primer lugar en la categoría de IA en BNBChain DApp Bay, con un crecimiento claro de usuarios en la cadena y un volumen de transacciones reales. Su cobertura de escenarios multimodales en el campo nativo de criptomonedas tiene el potencial de expandirse gradualmente a una base de usuarios más amplia de Web2.

En términos de colaboración ecológica, ChainOpera ha iniciado la CO-AI Alliance, uniendo a socios como io.net, Render, TensorOpera, FedML y MindNetwork para construir efectos de red multilateral en GPU, modelos, datos y computación privada; al mismo tiempo, ha colaborado con Samsung Electronics para validar GenAI multimodal en dispositivos móviles, mostrando el potencial de expansión hacia hardware y AI en el borde.

En cuanto a los modelos de token y economía, ChainOpera se basa en el consenso Proof-of-Intelligence, distribuyendo incentivos en torno a cinco flujos de valor (LaunchPad, Agent API, Model Serving, Contribution, Model Training) y formando un ciclo positivo a través de un 1% de tarifa de servicio de la plataforma, distribución de incentivos y soporte de liquidez, evitando el modo único de "especulación de criptomonedas" y mejorando la sostenibilidad.

Riesgos potenciales

Primero, la dificultad de implementar la tecnología es alta. La arquitectura descentralizada de cinco capas propuesta por ChainOpera tiene un amplio alcance, y la colaboración entre capas (especialmente en el razonamiento distribuido de modelos grandes y el entrenamiento en privacidad) aún enfrenta desafíos de rendimiento y estabilidad, y no ha sido validada a gran escala.

En segundo lugar, la adhesión de los usuarios al ecosistema aún necesita ser observada. Aunque el proyecto ha logrado un crecimiento inicial de usuarios, todavía está por verse si el Agent Marketplace y la cadena de herramientas para desarrolladores pueden mantener una oferta activa y de alta calidad a largo plazo. Actualmente, la Red Social de Agentes en línea se centra principalmente en diálogos textuales impulsados por LLM, y la experiencia del usuario y la retención a largo plazo aún necesitan ser mejoradas. Si el diseño del mecanismo de incentivos no es lo suficientemente refinado, podría haber una alta actividad a corto plazo pero un valor a largo plazo insuficiente.

Finalmente, la sostenibilidad del modelo de negocio aún debe confirmarse. En esta etapa, los ingresos dependen principalmente de las tarifas de servicio de la plataforma y del ciclo de tokens, y aún no se ha formado un flujo de efectivo estable. En comparación con aplicaciones más financieras o productivas como AgentFi o Payment, el valor comercial del modelo actual aún necesita ser validado; al mismo tiempo, el ecosistema móvil y de hardware todavía se encuentra en una fase de exploración, y hay cierta incertidumbre en las perspectivas de comercialización.