De l'apprentissage fédéré au réseau d'agents décentralisés, analyse du projet ChainOpera

Auteur : 0xjacobzhao

Dans le rapport de recherche de juin intitulé "Le Saint Graal de Crypto AI : Exploration de la Formation Décentralisée", nous mentionnons l'apprentissage fédéré (Federated Learning), une solution "décentralisée contrôlée" se situant entre la formation distribuée et la formation décentralisée : son noyau est la conservation locale des données et l'agrégation centralisée des paramètres, répondant aux exigences de confidentialité et de conformité dans des secteurs comme la santé et la finance. Parallèlement, nous avons continué à suivre l'émergence des réseaux d'agents dans plusieurs de nos précédents rapports de recherche — leur valeur réside dans la collaboration de plusieurs agents autonomes et spécialisés pour accomplir des tâches complexes, poussant ainsi l'évolution des "grands modèles" vers un "écosystème multi-agents".

L'apprentissage fédéré a établi les bases de la collaboration multipartite avec « des données qui ne quittent pas le local et une incitation basée sur la contribution ». Son ADN distribué, ses incitations transparentes, sa protection de la vie privée et ses pratiques de conformité fournissent à l'Agent Network une expérience directement réutilisable. L'équipe FedML suit cette voie en mettant à niveau l'ADN open source vers TensorOpera (couche d'infrastructure de l'industrie de l'IA), puis en évoluant vers ChainOpera (réseau Agent décentralisé). Bien sûr, l'Agent Network n'est pas une extension inévitable de l'apprentissage fédéré ; son cœur réside dans la collaboration autonome et la répartition des tâches entre plusieurs agents, qui peuvent également être construits directement sur des systèmes multi-agents (MAS), l'apprentissage par renforcement (RL) ou des mécanismes d'incitation basés sur la blockchain.

1. Architecture de la pile technologique de l'apprentissage fédéré et des agents IA

L'apprentissage fédéré (Federated Learning, FL) est un cadre de formation collaborative qui se déroule sans centraliser les données. Son principe de base est que chaque partie participante entraîne le modèle localement, ne téléchargeant que les paramètres ou les gradients vers un point de coordination pour l'agrégation, réalisant ainsi une conformité en matière de confidentialité sans sortie des données de leur domaine. Après des pratiques dans des scénarios typiques tels que la santé, la finance et les appareils mobiles, l'apprentissage fédéré est entré dans une phase commerciale relativement mature, mais fait encore face à des goulots d'étranglement tels que des coûts de communication élevés, une protection de la vie privée incomplète et une efficacité de convergence faible due à l'hétérogénéité des appareils. Comparé aux autres modes d'entraînement, l'entraînement distribué met l'accent sur la concentration de la puissance de calcul pour poursuivre l'efficacité et l'échelle, tandis que l'entraînement décentralisé réalise une collaboration totalement distribuée à travers un réseau de puissance de calcul ouvert. L'apprentissage fédéré se situe entre les deux, se manifestant comme une solution de "décentralisation contrôlée" : il peut satisfaire les besoins de l'industrie en matière de confidentialité et de conformité tout en offrant une voie viable pour la collaboration inter-organisationnelle, ce qui le rend plus adapté aux architectures de déploiement transitoires dans l'industrie.

Dans l'ensemble de la pile de protocoles AI Agent, nous l'avons divisée en trois niveaux principaux dans nos rapports précédents, à savoir

Couche d'infrastructure (Agent Infrastructure Layer) : Cette couche fournit le support opérationnel de base aux agents et constitue la base technique sur laquelle tous les systèmes d'agents sont construits.

• Module central : comprend l'Agent Framework (cadre de développement et d'exécution des agents) et l'Agent OS (système d'exploitation multitâche de bas niveau et temps d'exécution modulaire), fournissant des capacités centrales pour la gestion du cycle de vie des agents.
• Modules pris en charge : tels que Agent DID (identité décentralisée), Agent Wallet & Abstraction (abstraction de compte et exécution de transactions), Agent Payment/Settlement (paiement et capacités de règlement).

La couche de coordination et d'exécution (Coordination & Execution Layer) se concentre sur la collaboration entre plusieurs agents, la planification des tâches et les mécanismes d'incitation du système, ce qui est essentiel pour construire l'« intelligence collective » des systèmes d'agents.

• Orchestration d'Agent : désigne un mécanisme de commandement, utilisé pour unifier la planification et la gestion du cycle de vie des agents, la répartition des tâches et le processus d'exécution, adapté aux scénarios de flux de travail avec contrôle central.
• Agent Swarm : est une structure collaborative qui met l'accent sur la coopération d'agents distribués, dotés d'une autonomie élevée, de capacités de division du travail et d'une coopération flexible, adaptée pour faire face à des tâches complexes dans des environnements dynamiques.
• Couche d'incitation des agents : construire un système d'incitation économique pour le réseau des agents, stimuler l'engagement des développeurs, des exécutants et des validateurs, et fournir une dynamique durable à l'écosystème des agents.

Couche d'application (Application & Distribution Layer)

• Catégories de distribution : y compris Agent Launchpad, Agent Marketplace et Agent Plugin Network
• Sous-catégories d'application : comprend AgentFi, Agent Native DApp, Agent-as-a-Service, etc.
• Sous-catégorie de consommation : Agent Social / Agent de Consommateur en tant que principal, axé sur des scénarios légers tels que les réseaux sociaux pour les consommateurs.
• Meme : Utilisation du concept d'Agent pour la spéculation, manquant de réalisation technique concrète et d'application pratique, uniquement motivé par le marketing.

Deux, le modèle de fédération FedML et la plateforme full-stack TensorOpera

FedML est l'un des premiers cadres open source destiné à l'apprentissage fédéré (Federated Learning) et à l'entraînement distribué, originaire d'une équipe académique (USC) et devenant progressivement le produit phare de TensorOpera AI. Il fournit aux chercheurs et aux développeurs des outils de collaboration pour l'entraînement de données inter-institutions et inter-appareils. Dans le milieu académique, FedML est devenu une plateforme expérimentale universelle pour la recherche en apprentissage fédéré, grâce à sa présence fréquente dans des conférences de premier plan telles que NeurIPS, ICML, AAAI ; dans le secteur industriel, FedML jouit d'une excellente réputation dans des scénarios sensibles à la vie privée tels que la santé, la finance, l'IA de périphérie et l'IA Web3, et est considéré comme une chaîne d'outils de référence dans le domaine de l'apprentissage fédéré.

TensorOpera est une plateforme d'infrastructure AI full-stack destinée aux entreprises et aux développeurs, développée par FedML dans le cadre d'une voie de commercialisation : tout en conservant les capacités d'apprentissage fédéré, elle s'étend au marché des GPU, aux services de modèles et au MLOps, afin de pénétrer un marché plus vaste à l'ère des grands modèles et des agents. L'architecture globale de TensorOpera peut être divisée en trois niveaux : Compute Layer (couche de base), Scheduler Layer (couche de planification) et MLOps Layer (couche d'application) :

1. Couche de calcul (couche de base)

La couche Compute est la base technologique de TensorOpera, poursuivant le gène open source de FedML. Ses fonctionnalités principales incluent le Parameter Server, l'entraînement distribué, le point de terminaison d'inférence et le serveur d'agrégation. Sa valeur réside dans la fourniture de l'entraînement distribué, de la protection de la vie privée par l'apprentissage fédéré et d'un moteur d'inférence évolutif, soutenant les trois capacités fondamentales « Train / Deploy / Federate », couvrant l'ensemble du lien complet allant de l'entraînement du modèle, au déploiement, jusqu'à la collaboration inter-institutionnelle, constituant la couche de base de l'ensemble de la plateforme.

2. Couche de planification (couche intermédiaire)

La couche Scheduler équivaut au centre d'échange et de planification de la puissance de calcul, constitué de GPU Marketplace, Provision, Master Agent et Schedule & Orchestrate, prenant en charge l'appel de ressources à travers le cloud public, les fournisseurs de GPU et les contributeurs indépendants. Cette couche représente un tournant clé dans la mise à niveau de FedML vers TensorOpera, permettant une formation et un raisonnement AI à plus grande échelle grâce à une planification intelligente de la puissance de calcul et à l'orchestration des tâches, couvrant des scénarios typiques de LLM et d'IA générative. Parallèlement, le modèle Share & Earn de cette couche réserve une interface de mécanisme d'incitation, ayant le potentiel d'être compatible avec les modèles DePIN ou Web3.

3. Couche MLOps (couche supérieure)

La couche MLOps est l'interface de service de la plateforme directement destinée aux développeurs et aux entreprises, incluant des modules tels que Model Serving, AI Agent et Studio. Les applications typiques comprennent les chatbots LLM, l'IA générative multimodale et des outils Copilot pour les développeurs. Sa valeur réside dans l'abstraction de la puissance de calcul sous-jacente et des capacités d'entraînement en API et produits de haut niveau, réduisant ainsi le seuil d'utilisation, offrant des agents prêts à l'emploi, un environnement de développement low-code et des capacités de déploiement évolutives. En termes de positionnement, elle se compare aux nouvelles plateformes AI Infra de nouvelle génération telles qu'Anyscale, Together et Modal, agissant comme un pont entre l'infrastructure et l'application.

En mars 2025, TensorOpera sera mis à niveau en une plateforme full-stack destinée aux agents d'IA, avec des produits phares comprenant AgentOpera AI App, Framework et Platform. Le niveau applicatif fournira un accès multi-agents similaire à ChatGPT, le niveau de cadre évoluera en un système multi-agents basé sur une structure graphique et en un Orchestrator/Router connu sous le nom de « Agentic OS », tandis que le niveau plateforme s'intégrera profondément avec la plateforme de modèles TensorOpera et FedML, réalisant des services de modèles distribués, l'optimisation RAG et le déploiement hybride edge-cloud. L'objectif global est de créer « un système d'exploitation, un réseau d'agents », permettant aux développeurs, entreprises et utilisateurs de co-construire une nouvelle génération d'écosystèmes d'IA Agentic dans un environnement ouvert et respectueux de la vie privée.

Trois, ChainOpera AI Écosystème Panorama : des co-créateurs aux bases technologiques

Si FedML est le noyau technologique, fournissant le gène open source pour l'apprentissage fédéré et l'entraînement distribué ; TensorOpera abstrait les résultats de recherche de FedML en une infrastructure AI full stack commercialisable, alors ChainOpera « met en chaîne » les capacités de plateforme de TensorOpera, en créant un écosystème de réseau Agent décentralisé grâce à AI Terminal + Agent Social Network + DePIN modèle et couche de puissance de calcul + blockchain AI-Native. Le changement central réside dans le fait que TensorOpera s'adresse principalement aux entreprises et aux développeurs, tandis que ChainOpera, grâce à une gouvernance et un mécanisme d'incitation Web3, intègre les utilisateurs, développeurs, et fournisseurs de GPU/données dans une co-construction et une co-gouvernance, permettant à l'Agent AI de ne pas seulement être « utilisé », mais plutôt « co-créé et co-proprié ».

Écosystème des co-créateurs (Co-creators)

ChainOpera AI fournit une chaîne d'outils, une infrastructure et un niveau de coordination pour la co-création écologique via la plateforme Model & GPU et la plateforme Agent, soutenant l'entraînement de modèles, le développement d'agents, le déploiement et la collaboration à l'échelle.

Les co-créateurs de l'écosystème ChainOpera comprennent les développeurs d'agents AI (conception et exploitation d'agents intelligents), les fournisseurs d'outils et de services (modèles, MCP, bases de données et API), les développeurs de modèles (formation et publication de cartes de modèles), les fournisseurs de GPU (contribution de puissance de calcul via DePIN et partenaires cloud Web2) et les contributeurs de données et annotateurs (téléchargement et annotation de données multimodales). Trois types d'approvisionnement essentiels — développement, puissance de calcul et données — favorisent ensemble la croissance continue du réseau d'agents intelligents.

Co-propriétaires

L'écosystème ChainOpera introduit également un mécanisme de co-propriété, permettant de construire le réseau par la collaboration et la participation. Les créateurs d'AI Agent sont des individus ou des équipes qui conçoivent et déploient de nouveaux agents via la plateforme Agent, responsables de la construction, du lancement et de la maintenance continue, favorisant ainsi l'innovation des fonctionnalités et des applications. Les participants d'AI Agent proviennent de la communauté, qui soutiennent le cycle de vie de l'agent en acquérant et en détenant des unités d'accès (Access Units), et soutiennent la croissance et l'activité de l'agent au cours de son utilisation et de sa promotion. Ces deux types de rôles représentent respectivement l'offre et la demande, formant ensemble un modèle de partage de valeur et de développement collaboratif au sein de l'écosystème.

Partenaires écologiques : plateforme et cadre

ChainOpera AI collabore avec plusieurs parties pour renforcer la disponibilité et la sécurité de la plateforme, tout en mettant l'accent sur l'intégration des scénarios Web3 : grâce à l'application AI Terminal, un portefeuille commun, des algorithmes et une plateforme d'agrégation pour réaliser des recommandations de services intelligents ; introduction d'un cadre diversifié et d'outils sans code sur la plateforme Agent pour abaisser le seuil de développement ; formation et inférence de modèles reposant sur TensorOpera AI ; et établissement d'une collaboration exclusive avec FedML pour soutenir la formation protégée de la vie privée entre institutions et appareils. Dans l'ensemble, cela forme un écosystème ouvert qui prend en compte les applications d'entreprise et l'expérience utilisateur Web3.

Entrée matérielle : AI Matériel et Partenaires (AI Hardware & Partners)

Grâce à des partenaires tels que DeAI Phone, des appareils portables et Robot AI, ChainOpera fusionne la blockchain et l'IA dans des terminaux intelligents, permettant l'interaction dApp, l'entraînement sur le côté et la protection de la vie privée, formant progressivement un écosystème matériel AI décentralisé.

Plateforme centrale et base technologique : TensorOpera GenAI & FedML

TensorOpera propose une plateforme GenAI full-stack couvrant MLOps, Scheduler et Compute ; sa sous-plateforme FedML est passée d'une ouverture académique à un cadre industrialisé, renforçant la capacité de l'IA à « fonctionner partout et se développer de manière illimitée ».

Écosystème ChainOpera AI

Quatrième, produits clés de ChainOpera et infrastructure AI Agent full stack

En juin 2025, ChainOpera lancera officiellement l'application AI Terminal et la pile technologique décentralisée, positionnée comme « OpenAI décentralisé », dont le produit phare comprend quatre grands modules : couche d'application (AI Terminal & Agent Network), couche développeur (Agent Creator Center), couche modèle et GPU (Model & Compute Network), ainsi que le protocole CoAI et la chaîne dédiée, couvrant ainsi un cycle complet allant de l'entrée utilisateur à la puissance de calcul sous-jacente et aux incitations sur la chaîne.

L'application AI Terminal a intégré BNBChain, prenant en charge les transactions sur la chaîne et les scénarios DeFi d'Agent. Le Centre de Création d'Agent est ouvert aux développeurs, offrant des capacités telles que MCP/HUB, une base de connaissances et RAG, avec des agents communautaires qui continuent à s'installer ; en même temps, l'alliance CO-AI a été lancée, en collaboration avec des partenaires tels que io.net, Render, TensorOpera, FedML et MindNetwork.

Selon les données on-chain de BNB DApp Bay des 30 derniers jours, il y a 158,87K utilisateurs uniques et un volume de transactions de 2,6 millions, ce qui classe la catégorie « AI Agent » de BSC au deuxième rang sur l'ensemble du site, montrant une forte activité on-chain.

Super AI Agent App – Terminal IA ()

En tant qu'interface sociale décentralisée pour ChatGPT et l'IA, AI Terminal offre une collaboration multimodale, des incitations à la contribution de données, une intégration d'outils DeFi, un assistant multiplateforme, et prend en charge la collaboration des agents IA ainsi que la protection de la vie privée (Vos données, Votre agent). Les utilisateurs peuvent directement appeler le grand modèle open-source DeepSeek-R1 et des agents communautaires sur mobile, avec une circulation transparente des tokens linguistiques et des tokens cryptographiques sur la blockchain pendant l'interaction. Sa valeur réside dans le fait de permettre aux utilisateurs de passer de « consommateurs de contenu » à « co-créateurs intelligents », et de pouvoir utiliser un réseau d'agents intelligents exclusifs dans des scénarios DeFi, RWA, PayFi, et e-commerce.

Réseau social d'agent AI (agent-social-network)

Positionnement similaire à LinkedIn + Messenger, mais destiné au groupe des agents AI. Grâce à un espace de travail virtuel et un mécanisme de collaboration Agent-à-Agent (MetaGPT, ChatDEV, AutoGEN, Camel), favoriser l'évolution d'un agent unique en un réseau de collaboration multi-agents, couvrant des applications telles que la finance, le jeu, le commerce électronique et la recherche, tout en renforçant progressivement la mémoire et l'autonomie.

Plateforme de Développement d'Agent IA ()

Offrir aux développeurs une expérience de création « style Lego ». Support pour le zéro code et l'extension modulaire, les contrats blockchain garantissent la propriété, DePIN + infrastructure cloud réduisent les barrières à l'entrée, le marché fournit des canaux de distribution et de découverte. Son cœur réside dans la capacité des développeurs à atteindre rapidement les utilisateurs, les contributions à l'écosystème peuvent être enregistrées de manière transparente et récompensées.

Modèle AI & Plateforme GPU ()

En tant que couche d'infrastructure, alliant DePIN et apprentissage fédéré, résoudre le problème de la dépendance de Web3 AI sur la puissance de calcul centralisée. Grâce à des GPU distribués, un entraînement de données protégé par la vie privée, un marché de modèles et de données, ainsi qu'un MLOps de bout en bout, soutenir la collaboration multi-agents et l'IA personnalisée. Sa vision est de promouvoir le transfert du paradigme d'infrastructure de « monopole des grandes entreprises » à « co-construction communautaire ».

Cinq, la planification de la feuille de route de ChainOpera AI

En plus de la plateforme d'agent AI full-stack officiellement lancée, ChainOpera AI croit fermement que l'intelligence artificielle générale (AGI) provient d'un réseau de collaboration multimodal et multi-agent. Par conséquent, sa feuille de route à long terme est divisée en quatre phases :

Le fournisseur obtient des revenus répartis en fonction de l'utilisation.

Phase 2 (Applications agentiques → Économie collaborative de l'IA) : lancement de l'AI Terminal, du marché des agents et du réseau social des agents, formant un écosystème d'applications multi-agents ; connexion des utilisateurs, des développeurs et des fournisseurs de ressources via le protocole CoAI, et introduction d'un système de correspondance des besoins des utilisateurs et des développeurs ainsi qu'un système de crédit, favorisant les interactions fréquentes et les activités économiques continues.

Phase trois (IA collaborative → IA native de la crypto) : mise en œuvre dans les domaines DeFi, RWA, paiement, e-commerce, tout en s'étendant aux scénarios KOL et à l'échange de données personnelles ; développement d'un LLM dédié aux finances / cryptos et lancement d'un système de paiement et de portefeuille Agent-à-Agent, promouvant l'application scénarisée de « Crypto AGI ».

Phase quatre (Écosystèmes → Économies AI autonomes) : Évolution progressive vers une économie de sous-réseau autonome, chaque sous-réseau gouvernant indépendamment et fonctionnant de manière tokenisée autour des applications, de l'infrastructure, de la puissance de calcul, des modèles et des données, tout en collaborant via des protocoles inter-sous-réseaux pour former un écosystème collaboratif multi-sous-réseaux ; tout en passant de l'AI agentique à l'AI physique (robots, conduite autonome, aérospatial).

Avertissement : Cette feuille de route est fournie à titre de référence uniquement, le calendrier et les fonctionnalités peuvent être ajustés dynamiquement en fonction de l'environnement du marché, et ne constituent pas un engagement de livraison.

Sept, incitations par des jetons et gouvernance du protocole

Actuellement, ChainOpera n'a pas encore publié de plan complet d'incitation des jetons, mais son protocole CoAI est centré sur la « co-création et la co-propriété », réalisant un enregistrement de contribution transparent et vérifiable grâce à la blockchain et au mécanisme de Proof-of-Intelligence : les contributions des développeurs, de la puissance de calcul, des fournisseurs de données et de services sont mesurées de manière standardisée et récompensées, les utilisateurs utilisant les services, les fournisseurs de ressources soutenant le fonctionnement, les développeurs construisant des applications, toutes les parties prenantes partageant les dividendes de croissance ; la plateforme maintient le cycle avec des frais de service de 1 %, une distribution des récompenses et un soutien à la liquidité, favorisant un écosystème d'IA décentralisé ouvert, équitable et collaboratif.

Cadre d'apprentissage Proof-of-Intelligence

Proof-of-Intelligence (PoI) est le mécanisme de consensus central proposé par ChainOpera sous le protocole CoAI, visant à établir un système d'incitation et de gouvernance transparent, équitable et vérifiable pour la construction d'IA décentralisée. Il repose sur un cadre d'apprentissage machine collaboratif basé sur la Proof-of-Contribution, visant à résoudre les problèmes d'incitation insuffisante, de risque de confidentialité et de manque de vérifiabilité présents dans les applications réelles de l'apprentissage fédéré (FL). Ce design est centré sur les contrats intelligents, combiné avec le stockage décentralisé (IPFS), des nœuds d'agrégation et des preuves à connaissance nulle (zkSNARKs), réalisant cinq grands objectifs : ① une distribution équitable des récompenses en fonction de la contribution, garantissant que les formateurs reçoivent des incitations basées sur l'amélioration réelle du modèle ; ② maintenir le stockage des données en local pour protéger la confidentialité ; ③ introduire des mécanismes de robustesse pour contrer la contamination ou les attaques d'agrégation de formateurs malveillants ; ④ assurer la vérifiabilité des calculs clés tels que l'agrégation de modèles, la détection d'anomalies et l'évaluation des contributions grâce à la ZKP ; ⑤ être adapté en efficacité et en généralité pour des données hétérogènes et différentes tâches d'apprentissage.

Valeur des tokens dans l'IA full stack

Le mécanisme de token de ChainOpera fonctionne autour de cinq flux de valeur (LaunchPad, Agent API, Model Serving, Contribution, Model Training), avec pour cœur les frais de service, la confirmation de contribution et la répartition des ressources, plutôt que le retour spéculatif.

• Utilisateur AI : Accédez aux services ou abonnez-vous à des applications avec des tokens, et contribuez à l'écosystème en fournissant / annotant / mettant en gage des données.
• Agent / Développeur d'application : Utiliser la puissance de calcul et les données de la plateforme pour développer, et recevoir une reconnaissance du protocole pour la contribution d'Agent, d'application ou de jeu de données.
• Fournisseurs de ressources : contribuez de la puissance de calcul, des données ou des modèles, et obtenez des enregistrements transparents et des incitations.
• Participants à la gouvernance (communauté & DAO) : participer aux votes, à la conception des mécanismes et à la coordination de l'écosystème via des tokens.
• Couche de protocole (COAI) : maintien d'un développement durable par des frais de service, utilisant un mécanisme de répartition automatisé pour équilibrer l'offre et la demande.
• Nœuds et validateurs : fournissent des services de validation, de puissance de calcul et de sécurité, garantissant la fiabilité du réseau.

Gouvernance par protocole

ChainOpera utilise la gouvernance DAO, permettant la participation aux propositions et aux votes par le biais de la mise en jeu de jetons, assurant ainsi la transparence et l'équité des décisions. Le mécanisme de gouvernance comprend : un système de réputation (validation et quantification des contributions), une collaboration communautaire (les propositions et les votes favorisent le développement de l'écosystème), et des ajustements de paramètres (utilisation des données, sécurité et responsabilité des validateurs). L'objectif global est d'éviter la concentration du pouvoir, de maintenir la stabilité du système et de co-créer avec la communauté.

Huit, Antécédents de l'équipe et financement du projet

Le projet ChainOpera a été cofondé par le professeur Salman Avestimehr, qui a une expertise approfondie dans le domaine de l'apprentissage fédéré, et le docteur He Zhaoyang (Aiden). Les autres membres clés de l'équipe ont des antécédents issus de UC Berkeley, Stanford, USC, MIT, Tsinghua University ainsi que d'institutions académiques et technologiques de premier plan telles que Google, Amazon, Tencent, Meta et Apple, alliant recherche académique et compétences pratiques dans l'industrie. À ce jour, l'équipe de ChainOpera AI compte plus de 40 personnes.

Co-fondateur : Salman Avestimehr

Le professeur Salman Avestimehr est le Dean's Professor du département d'ingénierie électrique et informatique de l'Université de Californie du Sud (USC) et il est le directeur fondateur du centre USC-Amazon Trusted AI, tout en dirigeant le laboratoire d'information et d'apprentissage automatique de l'USC (vITAL). Il est cofondateur et PDG de FedML et a cofondé TensorOpera/ChainOpera AI en 2022.

Le professeur Salman Avestimehr est diplômé en doctorat de l'EECS de l'UC Berkeley (prix du meilleur article). En tant que membre de l'IEEE, il a publié plus de 300 articles de haut niveau dans les domaines de la théorie de l'information, du calcul distribué et de l'apprentissage fédéré, avec plus de 30 000 citations, et a reçu plusieurs distinctions internationales, dont le PECASE, le NSF CAREER et le prix Massey de l'IEEE. Il a dirigé la création du cadre open source FedML, largement utilisé dans les domaines de la santé, des finances et du calcul de la vie privée, et est devenu la pierre angulaire de la technologie de TensorOpera/ChainOpera AI.

Co-fondateur : Dr. Aiden Chaoyang He

Dr. Aiden Chaoyang He est le cofondateur et président de TensorOpera/ChainOpera AI, titulaire d'un doctorat en informatique de l'Université de Californie du Sud (USC) et créateur original de FedML. Ses axes de recherche couvrent l'apprentissage distribué et fédéré, l'entraînement de modèles à grande échelle, la blockchain et le calcul de la confidentialité. Avant de se lancer dans l'entrepreneuriat, il a travaillé dans la recherche et le développement chez Meta, Amazon, Google et Tencent, occupant des postes clés en ingénierie et en gestion chez Tencent, Baidu et Huawei, dirigeant le déploiement de plusieurs produits de niveau Internet et plateformes AI.

Dans le domaine académique et industriel, Aiden a publié plus de 30 articles, avec plus de 13 000 citations sur Google Scholar, et a reçu la bourse Amazon Ph.D., la bourse d'innovation Qualcomm et le prix du meilleur article à NeurIPS et AAAI. Le cadre FedML qu'il a développé est l'un des projets open source les plus utilisés dans le domaine de l'apprentissage fédéré, soutenant 27 milliards de requêtes par jour ; et en tant qu'auteur principal, il a proposé le cadre FedNLP et la méthode d'entraînement parallèle de modèles hybrides, largement utilisés dans des projets d'IA décentralisée tels que Sahara AI.

En décembre 2024, ChainOpera AI a annoncé avoir levé 3,5 millions de dollars lors d'un tour de financement initial, portant le total des financements avec TensorOpera à 17 millions de dollars. Les fonds seront utilisés pour construire une blockchain L1 et un système d'exploitation AI axés sur des agents AI décentralisés. Ce tour de financement a été dirigé par Finality Capital, Road Capital et IDG Capital, avec la participation d'investisseurs tels que Camford VC, ABCDE Capital, Amber Group, Modular Capital, ainsi que le soutien d'institutions et d'investisseurs individuels renommés comme Sparkle Ventures, Plug and Play, USC, ainsi que Sreeram Kannan, le fondateur d'EigenLayer, et David Tse, le co-fondateur de BabylonChain. L'équipe a déclaré que ce tour de financement accélérera la réalisation de la vision d'un « écosystème AI décentralisé co-proprié et co-créé par les contributeurs de ressources AI, les développeurs et les utilisateurs ».

IX. Analyse du marché de l'apprentissage fédéré et des agents IA

Les principaux cadres d'apprentissage fédéré sont au nombre de quatre : FedML, Flower, TFF et OpenFL. Parmi eux, FedML est le plus complet, combinant apprentissage fédéré, formation de grands modèles distribués et MLOps, ce qui le rend adapté à l'industrialisation ; Flower est léger et facile à utiliser, avec une communauté active, axé sur l'enseignement et les petites expériences ; TFF dépend fortement de TensorFlow, a une grande valeur pour la recherche académique, mais est faible en industrialisation ; OpenFL se concentre sur la santé / la finance, en mettant l'accent sur la conformité à la vie privée, et son écosystème est relativement fermé. En général, FedML représente un chemin polyvalent de niveau industriel, Flower met l'accent sur la facilité d'utilisation et l'éducation, TFF est plus axé sur les expériences académiques, et OpenFL a un avantage en matière de conformité dans les secteurs verticaux.

Dans la couche d'industrialisation et d'infrastructure, TensorOpera (la commercialisation de FedML) se caractérise par l'héritage des accumulations technologiques de FedML open source, offrant des capacités intégrées de planification GPU multi-cloud, d'entraînement distribué, d'apprentissage fédéré et de MLOps. L'objectif est de faire le lien entre la recherche académique et les applications industrielles, en servant les développeurs, les petites et moyennes entreprises ainsi que l'écosystème Web3/DePIN. Dans l'ensemble, TensorOpera équivaut à "Hugging Face + W&B de FedML open source", avec des capacités d'entraînement distribué full-stack et d'apprentissage fédéré plus complètes et universelles, se distinguant des autres plateformes axées sur la communauté, les outils ou un secteur unique.

Dans le cadre des représentants de la couche d'innovation, ChainOpera et Flock tentent tous deux de combiner l'apprentissage fédéré avec Web3, mais les directions présentent des différences évidentes. ChainOpera construit une plateforme d'Agent IA full stack, couvrant quatre niveaux d'architecture : accès, social, développement et infrastructure. La valeur centrale réside dans la promotion du passage des utilisateurs de « consommateurs » à « co-créateurs », et la réalisation d'une AGI collaborative et d'un écosystème communautaire grâce à l'AI Terminal et au réseau social des agents ; tandis que Flock se concentre davantage sur l'apprentissage fédéré amélioré par la blockchain (BAFL), en mettant l'accent sur la protection de la vie privée et les mécanismes d'incitation dans un environnement décentralisé, visant principalement la validation collaborative au niveau de la puissance de calcul et des données. ChainOpera est plus axé sur la mise en œuvre des applications et des réseaux d'agents, tandis que Flock privilégie le renforcement de l'entraînement de base et du calcul privé.

Au niveau du réseau Agent, le projet le plus représentatif de l'industrie est Olas Network. ChainOpera provient de l'apprentissage fédéré, construisant un cycle fermé de modèle - puissance de calcul - agent, et explore les interactions et la collaboration sociale entre plusieurs agents dans le cadre du réseau social Agent ; Olas Network est issu de la collaboration DAO et de l'écosystème DeFi, se positionnant comme un réseau de services autonomes décentralisés, introduisant des scénarios de rendement DeFi directement exploitables via Pearl, affichant un chemin totalement différent de celui de ChainOpera.

Dix, analyse de la logique d'investissement et des risques potentiels

Logique d'investissement

Les avantages de ChainOpera résident d'abord dans son fossé technologique : de FedML (un cadre open source de référence pour l'apprentissage fédéré) à TensorOpera (infrastructure AI full-stack de niveau entreprise), en passant par ChainOpera (réseau Agent Web3 + DePIN + Tokenomics), formant un chemin d'évolution continue unique, alliant accumulation académique, mise en œuvre industrielle et narration cryptographique.

En termes d'application et d'échelle des utilisateurs, AI Terminal a déjà formé des centaines de milliers d'utilisateurs actifs quotidiens et un écosystème d'applications Agent au niveau des milliers, se classant au premier rang dans la catégorie AI de BNBChain DApp Bay, avec une croissance claire des utilisateurs sur la chaîne et un volume de transactions réel. Son domaine natif cryptographique couvrant des scénarios multimodaux devrait progressivement s'étendre à un public Web2 plus large.

Dans le domaine de la coopération écologique, ChainOpera a lancé la CO-AI Alliance, réunissant des partenaires tels que io.net, Render, TensorOpera, FedML et MindNetwork, pour construire des effets de réseau multilatéraux autour des GPU, des modèles, des données et du calcul de la confidentialité ; tout en collaborant avec Samsung Electronics pour valider GenAI multimodal sur mobile, montrant le potentiel d'expansion vers le matériel et l'IA de périphérie.

Sur le modèle économique et des tokens, ChainOpera repose sur un consensus de Proof-of-Intelligence, distribuant des incitations autour de cinq flux de valeur (LaunchPad, Agent API, Model Serving, Contribution, Model Training) et formant un cycle positif grâce à des frais de service de plateforme de 1%, une distribution d'incitations et un soutien à la liquidité, évitant ainsi un modèle unique de "trading de tokens" et améliorant la durabilité.

Risques potentiels

Tout d'abord, la difficulté de mise en œuvre technologique est élevée. L'architecture décentralisée à cinq niveaux proposée par ChainOpera présente un large éventail, et la collaboration entre les niveaux (en particulier dans le domaine de l'inférence distribuée de grands modèles et de l'entraînement privé) pose encore des défis en matière de performance et de stabilité, n'ayant pas encore été validée par des applications à grande échelle.

Deuxièmement, la fidélité des utilisateurs écologiques doit encore être observée. Bien que le projet ait connu une première croissance des utilisateurs, il reste à vérifier si le marché des agents et la chaîne d'outils pour développeurs peuvent maintenir une offre active et de haute qualité à long terme. Le réseau social des agents lancé actuellement est principalement axé sur les dialogues textuels alimentés par LLM, et l'expérience utilisateur ainsi que la rétention à long terme doivent encore être améliorées. Si le mécanisme d'incitation n'est pas suffisamment raffiné, il pourrait y avoir un phénomène de forte activité à court terme mais de valeur à long terme insuffisante.

Enfin, la durabilité du modèle commercial reste à confirmer. À ce stade, les revenus dépendent principalement des frais de service de la plateforme et de la circulation des tokens, un flux de trésorerie stable n'a pas encore été formé. Comparé à des applications plus financièrement orientées ou productives comme AgentFi ou Payment, la valeur commerciale du modèle actuel doit encore être validée. Parallèlement, l'écosystème mobile et matériel est encore en phase d'exploration, et les perspectives de commercialisation présentent une certaine incertitude.