Dari pembelajaran terdistribusi hingga jaringan agen desentralisasi, analisis proyek ChainOpera

Penulis: 0xjacobzhao

Dalam laporan penelitian bulan Juni berjudul "Cangkir Suci Crypto AI: Eksplorasi Terdepan dalam Pelatihan Terdesentralisasi", kami menyebutkan pembelajaran federasi (Federated Learning) sebagai solusi "terdesentralisasi terkontrol" yang berada di antara pelatihan terdistribusi dan pelatihan terdesentralisasi: inti dari solusi ini adalah menjaga data secara lokal dan mengagregasi parameter secara terpusat, memenuhi kebutuhan privasi dan kepatuhan di bidang medis, keuangan, dan lainnya. Sementara itu, kami terus memperhatikan kebangkitan jaringan agen (Agent) dalam beberapa laporan penelitian sebelumnya—nilai dari hal ini terletak pada kolaborasi antar banyak agen yang otonom dan terdistribusi, menyelesaikan tugas kompleks, dan mendorong evolusi dari "model besar" ke "ekosistem multi-agen".

Pembelajaran federasi menetapkan dasar untuk kolaborasi multi pihak dengan "data tidak keluar dari lokasi, insentif berdasarkan kontribusi". Gen terdistribusi, insentif transparan, perlindungan privasi, dan praktik kepatuhan memberikan pengalaman yang dapat langsung digunakan kembali untuk Jaringan Agen. Tim FedML mengikuti jalur ini, meningkatkan gen sumber terbuka menjadi TensorOpera (lapisan infrastruktur industri AI), dan kemudian berkembang menjadi ChainOpera (jaringan Agen terdesentralisasi). Tentu saja, Jaringan Agen bukanlah perpanjangan yang pasti dari pembelajaran federasi; inti dari hal ini adalah kolaborasi otonom multi agen dan pembagian tugas, yang juga dapat dibangun langsung berdasarkan sistem multi agen (MAS), pembelajaran penguatan (RL), atau mekanisme insentif blockchain.

Satu, Arsitektur Tumpukan Teknologi Pembelajaran Federasi dan Agen AI

Federated Learning (FL) adalah kerangka kerja untuk pelatihan kolaboratif tanpa mengonsolidasikan data, dengan prinsip dasar bahwa masing-masing pihak yang terlibat melatih model secara lokal dan hanya mengunggah parameter atau gradien ke pihak koordinator untuk agregasi, sehingga mencapai «data tidak keluar dari domain» untuk kepatuhan privasi. Setelah praktik di berbagai skenario khas seperti kesehatan, keuangan, dan perangkat seluler, Federated Learning telah memasuki tahap komersial yang cukup matang, tetapi masih menghadapi kendala seperti biaya komunikasi yang tinggi, perlindungan privasi yang tidak menyeluruh, dan efisiensi konvergensi yang rendah akibat heterogenitas perangkat. Dibandingkan dengan mode pelatihan lainnya, pelatihan terdistribusi menekankan konsentrasi daya komputasi untuk mengejar efisiensi dan skala, sementara pelatihan terdesentralisasi mencapai kolaborasi sepenuhnya terdistribusi melalui jaringan daya komputasi terbuka, dan Federated Learning berada di antara keduanya, yang tercermin sebagai solusi «terkontrol terdesentralisasi»: mampu memenuhi kebutuhan industri dalam hal privasi dan kepatuhan, sekaligus menyediakan jalur kolaborasi antar lembaga yang layak, lebih cocok untuk arsitektur penerapan transisi di industri.

Dan dalam seluruh tumpukan protokol AI Agent, kami membaginya menjadi tiga tingkat utama dalam laporan penelitian sebelumnya, yaitu

Lapisan Infrastruktur Dasar (Agent Infrastructure Layer): Lapisan ini memberikan dukungan operasional paling dasar untuk agen, merupakan dasar teknis dari semua sistem Agen yang dibangun.

• Modul inti: mencakup Agent Framework (kerangka kerja pengembangan dan pengoperasian agen) dan Agent OS (penjadwalan multitasking dan runtime modular yang lebih mendasar), menyediakan kemampuan inti untuk manajemen siklus hidup agen.
• Modul yang didukung: seperti Agent DID (Identitas Desentralisasi), Agent Wallet & Abstraction (Abstraksi Akun dan Eksekusi Transaksi), Agent Payment/Settlement (Kemampuan Pembayaran dan Penyelesaian).

Lapisan Koordinasi & Eksekusi berfokus pada kolaborasi antara multi-agen, penjadwalan tugas, dan mekanisme insentif sistem, yang merupakan kunci untuk membangun "kecerdasan kolektif" dari sistem agen.

• Orkestrasi Agen: adalah mekanisme pengendalian yang digunakan untuk menjadwalkan dan mengelola siklus hidup Agen, penugasan tugas, dan proses eksekusi, cocok untuk skenario alur kerja dengan kontrol pusat.
• Agent Swarm: adalah struktur kolaboratif yang menekankan kerja sama antara agen terdistribusi, memiliki otonomi tinggi, kemampuan pembagian tugas, dan kolaborasi yang fleksibel, cocok untuk menghadapi tugas kompleks dalam lingkungan dinamis.
• Lapisan Insentif Agen: Membangun sistem insentif ekonomi untuk jaringan Agen, mendorong pengembang, pelaksana, dan validator untuk berpartisipasi, menyediakan daya tahan yang berkelanjutan untuk ekosistem agen.

Lapisan Aplikasi (Application & Distribution Layer)

• Kategori distribusi: termasuk Agent Launchpad, Agent Marketplace, dan Agent Plugin Network
• Subkategori aplikasi: mencakup AgentFi, Agent Native DApp, Agent-as-a-Service, dll.
• Subkategori Konsumsi: Agent Social / Consumer Agent sebagai fokus, ditujukan untuk konsumen dan skenario ringan seperti sosial.
• Meme: Menggunakan konsep Agen untuk spekulasi, kurang memiliki implementasi teknologi yang nyata dan aplikasi yang terwujud, hanya didorong oleh pemasaran.

Dua, Tolok Ukur Pembelajaran Federasi FedML dan Platform Full Stack TensorOpera

FedML adalah salah satu kerangka kerja sumber terbuka yang paling awal ditujukan untuk Pembelajaran Federasi (Federated Learning) dan pelatihan terdistribusi, berasal dari tim akademik (USC) dan secara bertahap menjadi produk inti dari TensorOpera AI. Ini menyediakan alat pelatihan kolaboratif data lintas institusi dan perangkat untuk peneliti dan pengembang. Di dunia akademis, FedML telah menjadi platform eksperimen umum untuk penelitian Pembelajaran Federasi karena sering muncul di konferensi utama seperti NeurIPS, ICML, AAAI; di dunia industri, FedML memiliki reputasi tinggi dalam skenario sensitif privasi seperti kesehatan, keuangan, AI tepi, dan AI Web3, dianggap sebagai alat standar di bidang Pembelajaran Federasi.

TensorOpera adalah platform infrastruktur AI penuh yang ditujukan untuk perusahaan dan pengembang, yang dikembangkan oleh FedML berdasarkan jalur komersialisasi: sambil mempertahankan kemampuan pembelajaran federasi, memperluas ke Pasar GPU, layanan model, dan MLOps, sehingga memasuki pasar yang lebih besar di era model besar dan agen. Arsitektur keseluruhan TensorOpera dapat dibagi menjadi tiga lapisan: Compute Layer (lapisan dasar), Scheduler Layer (lapisan penjadwalan), dan MLOps Layer (lapisan aplikasi):

1. Lapisan Komputasi（底层）

Lapisan Compute adalah dasar teknis dari TensorOpera, meneruskan gen open-source dari FedML. Fitur inti mencakup Parameter Server, Pelatihan Terdistribusi, Titik Inference, dan Server Agregasi. Penempatan nilainya terletak pada penyediaan pelatihan terdistribusi, perlindungan privasi dalam pembelajaran federasi, serta mesin inferensi yang dapat diskalakan, mendukung tiga kemampuan inti "Train / Deploy / Federate", mencakup dari pelatihan model, penyebaran hingga kolaborasi lintas lembaga, menjadi lapisan dasar dari seluruh platform.

2. Lapisan Penjadwalan (Tengah)

Lapisan Scheduler berfungsi sebagai pusat transaksi dan penjadwalan daya komputasi, terdiri dari GPU Marketplace, Provision, Master Agent, dan Schedule & Orchestrate, mendukung pemanggilan sumber daya di seluruh cloud publik, penyedia GPU, dan kontributor independen. Lapisan ini merupakan titik balik kunci dalam pembaruan FedML menjadi TensorOpera, yang dapat mewujudkan pelatihan dan inferensi AI dalam skala yang lebih besar melalui penjadwalan daya komputasi cerdas dan orkestrasi tugas, mencakup skenario khas LLM dan AI generatif. Sementara itu, mode Share & Earn pada lapisan ini menyediakan antarmuka mekanisme insentif, yang memiliki potensi untuk kompatibel dengan model DePIN atau Web3.

3. Lapisan MLOps (Lapisan Atas)

Lapisan MLOps adalah antarmuka layanan yang langsung ditujukan untuk pengembang dan perusahaan, termasuk modul seperti Model Serving, AI Agent, dan Studio. Aplikasi tipikal mencakup LLM Chatbot, AI generatif multimodal, dan alat Copilot untuk pengembang. Nilainya terletak pada mengabstraksi kekuatan komputasi dan kemampuan pelatihan tingkat dasar menjadi API dan produk tingkat tinggi, mengurangi hambatan penggunaan, menyediakan Agent yang siap pakai, lingkungan pengembangan low-code, dan kemampuan penyebaran yang dapat diskalakan, serta secara posisi menyaingi platform AI Infra generasi baru seperti Anyscale, Together, dan Modal, berfungsi sebagai jembatan dari infrastruktur ke aplikasi.

Pada Maret 2025, TensorOpera akan ditingkatkan menjadi platform full-stack yang ditujukan untuk AI Agent, dengan produk inti mencakup AgentOpera AI App, Framework, dan Platform. Tingkat aplikasi menyediakan pintu masuk multi-agent mirip ChatGPT, tingkat kerangka kerja berevolusi menjadi sistem multi-agent berbasis grafik dan Orchestrator/Router sebagai "Agentic OS", sementara tingkat platform terintegrasi dengan platform model TensorOpera dan FedML untuk mewujudkan layanan model terdistribusi, optimasi RAG, dan penyebaran hibrida end-to-cloud. Tujuan keseluruhan adalah untuk membangun "satu sistem operasi, satu jaringan agen", memungkinkan pengembang, perusahaan, dan pengguna untuk bersama-sama membangun ekosistem Agentic AI generasi baru dalam lingkungan terbuka dan perlindungan privasi.

Tiga, Panorama Ekosistem ChainOpera AI: Dari Co-creator hingga Dasar Teknologi

Jika dikatakan bahwa FedML adalah inti teknologi, menyediakan gen open-source untuk pembelajaran federasi dan pelatihan terdistribusi; TensorOpera mengabstraksikan hasil penelitian FedML menjadi infrastruktur AI tumpukan penuh yang dapat diperdagangkan, maka ChainOpera adalah platform kemampuan TensorOpera yang "dihubungkan ke blockchain", melalui AI Terminal + Agent Social Network + model DePIN dan lapisan komputasi + blockchain AI-Native untuk menciptakan ekosistem jaringan agen terdesentralisasi. Perubahan inti terletak pada fakta bahwa TensorOpera masih terutama ditujukan untuk perusahaan dan pengembang, sementara ChainOpera, dengan bantuan mekanisme tata kelola dan insentif berbasis Web3, melibatkan pengguna, pengembang, serta penyedia GPU/data dalam pembangunan dan pengelolaan bersama, sehingga AI Agent tidak hanya "digunakan", tetapi "diciptakan dan dimiliki bersama".

Ekosistem Co-creators

ChainOpera AI menyediakan rangkaian alat, infrastruktur, dan lapisan koordinasi untuk co-creation ekosistem melalui Model & GPU Platform dan Agent Platform, mendukung pelatihan model, pengembangan agen, penerapan, dan kolaborasi ekspansi.

ChainOpera ekosistem pencipta mencakup pengembang AI Agent (desain dan operasi agen pintar), penyedia alat dan layanan (template, MCP, database, dan API), pengembang model (melatih dan menerbitkan kartu model), penyedia GPU (kontribusi daya komputasi melalui DePIN dan mitra cloud Web2), serta kontributor data dan pelabel (mengunggah dan melabeli data multimodal). Tiga jenis pasokan inti—pengembangan, daya komputasi, dan data—secara bersama-sama mendorong pertumbuhan berkelanjutan jaringan agen pintar.

Pemilik Bersama (Co-owners)

Ekosistem ChainOpera juga memperkenalkan mekanisme pemilik bersama, melalui kolaborasi dan partisipasi dalam membangun jaringan. Kreator AI Agent adalah individu atau tim, yang merancang dan menerapkan agen cerdas baru melalui Platform Agent, bertanggung jawab untuk membangun, meluncurkan, dan terus memelihara, sehingga mendorong inovasi fungsi dan aplikasi. Peserta AI Agent berasal dari komunitas, mereka berpartisipasi dalam siklus hidup agen dengan mendapatkan dan memiliki Unit Akses (Access Units), mendukung pertumbuhan dan aktifitas agen dalam proses penggunaan dan promosi. Dua jenis peran tersebut masing-masing mewakili sisi penawaran dan permintaan, bersama-sama membentuk model berbagi nilai dan pengembangan kolaboratif dalam ekosistem.

Mitra Ekosistem: Platform dan Kerangka

ChainOpera AI bekerja sama dengan berbagai pihak untuk memperkuat kegunaan dan keamanan platform, serta fokus pada integrasi skenario Web3: melalui AI Terminal App yang menggabungkan dompet, algoritma, dan platform agregasi untuk merekomendasikan layanan cerdas; memperkenalkan kerangka kerja beragam dan alat tanpa kode di Agent Platform untuk menurunkan hambatan pengembangan; menggunakan TensorOpera AI untuk pelatihan dan inferensi model; dan menjalin kemitraan eksklusif dengan FedML untuk mendukung pelatihan yang melindungi privasi antar lembaga dan perangkat. Secara keseluruhan, membentuk ekosistem terbuka yang memperhatikan aplikasi tingkat perusahaan dan pengalaman pengguna Web3.

Pintu Masuk Perangkat Keras: Perangkat Keras AI dan Mitra (AI Hardware & Partners)

Melalui DeAI Phone, perangkat yang dapat dikenakan, dan Robot AI sebagai mitra, ChainOpera menggabungkan blockchain dengan AI di perangkat pintar, mewujudkan interaksi dApp, pelatihan sisi perangkat, dan perlindungan privasi, secara bertahap membentuk ekosistem perangkat keras AI terdesentralisasi.

Platform Pusat dan Dasar Teknologi: TensorOpera GenAI & FedML

TensorOpera menyediakan platform GenAI full-stack yang mencakup MLOps, Scheduler, dan Compute; sub-platform-nya FedML telah berkembang dari open source akademis menjadi kerangka industri, memperkuat kemampuan AI untuk "beroperasi di mana saja dan dapat diperluas tanpa batas".

Ekosistem ChainOpera AI

Empat, Produk Inti ChainOpera dan Infrastruktur AI Agent Full-Stack

Pada bulan Juni 2025, ChainOpera secara resmi meluncurkan AI Terminal App dan tumpukan teknologi terdesentralisasi, yang ditujukan sebagai "versi terdesentralisasi dari OpenAI", dengan produk inti yang mencakup empat modul besar: lapisan aplikasi (AI Terminal & Jaringan Agen), lapisan pengembang (Pusat Pencipta Agen), lapisan model dan GPU (Jaringan Model & Komputasi), serta protokol CoAI dan rantai khusus, yang mencakup siklus lengkap dari pintu masuk pengguna hingga kekuatan komputasi dasar dan insentif di blockchain.

Aplikasi Terminal AI telah mengintegrasikan BNBChain, mendukung transaksi on-chain dan skenario DeFi untuk Agent. Pusat Pembuat Agent dibuka untuk pengembang, menyediakan kemampuan MCP/HUB, basis pengetahuan, dan RAG, dengan agen komunitas terus bergabung; sekaligus meluncurkan CO-AI Alliance, berkolaborasi dengan io.net, Render, TensorOpera, FedML, MindNetwork, dan mitra lainnya.

Menurut data on-chain BNB DApp Bay selama 30 hari terakhir, jumlah pengguna independen adalah 158,87K, dengan volume transaksi mencapai 2,6 juta dalam 30 hari terakhir, menduduki peringkat kedua di kategori "AI Agent" di BSC, menunjukkan tingkat aktivitas on-chain yang kuat.

Aplikasi Super AI Agent – Terminal AI ()

Sebagai pintu masuk sosial AI dan ChatGPT yang terdesentralisasi, AI Terminal menawarkan kolaborasi multimodal, insentif kontribusi data, integrasi alat DeFi, asisten lintas platform, dan mendukung kolaborasi agen AI serta perlindungan privasi (Your Data, Your Agent). Pengguna dapat langsung memanggil model besar sumber terbuka DeepSeek-R1 dan agen komunitas di perangkat seluler, di mana token bahasa dan token kripto berputar secara transparan di blockchain selama interaksi. Nilainya terletak pada mengubah pengguna dari "konsumen konten" menjadi "kreator cerdas bersama", dan dapat menggunakan jaringan agen khusus dalam skenario DeFi, RWA, PayFi, e-commerce, dan lainnya.

Jaringan Sosial Agen AI (agen-jaringan-sosial)

Menetapkan posisi serupa LinkedIn + Messenger, tetapi ditujukan untuk kelompok AI Agent. Melalui ruang kerja virtual dan mekanisme kolaborasi Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel), mendorong evolusi satu Agent menjadi jaringan kolaborasi multi-agen, mencakup aplikasi di bidang keuangan, permainan, e-commerce, penelitian, dan secara bertahap meningkatkan memori dan otonomi.

Platform Pengembang Agen AI ()

Memberikan pengalaman kreatif "seperti LEGO" kepada pengembang. Mendukung tanpa kode dan perluasan modular, kontrak blockchain memastikan kepemilikan, DePIN + infrastruktur cloud menurunkan ambang batas, Marketplace menyediakan saluran distribusi dan penemuan. Intinya adalah untuk memungkinkan pengembang dengan cepat menjangkau pengguna, kontribusi ekosistem dapat dicatat secara transparan dan mendapatkan insentif.

Model AI & Platform GPU ()

Sebagai lapisan infrastruktur, menggabungkan DePIN dan pembelajaran federasi, untuk mengatasi masalah ketergantungan kekuatan komputasi terpusat dalam Web3 AI. Melalui GPU terdistribusi, pelatihan data yang melindungi privasi, pasar model dan data, serta MLOps end-to-end, mendukung kolaborasi multi-agen dan AI yang dipersonalisasi. Visinya adalah mendorong pergeseran paradigma infrastruktur dari "monopoli perusahaan besar" ke "pembangunan bersama komunitas."

Lima, Perencanaan Peta Jalan ChainOpera AI

Selain meluncurkan platform AI Agent full-stack secara resmi, ChainOpera AI yakin bahwa Kecerdasan Umum Buatan (AGI) berasal dari jaringan kolaborasi multimodal dan multiagen. Oleh karena itu, perencanaan peta jalan jangka panjangnya dibagi menjadi empat tahap:

Penyedia mendapatkan pendapatan yang dibagikan berdasarkan penggunaan.

Tahap Dua (Aplikasi Agentic → Ekonomi AI Kolaboratif): Meluncurkan Terminal AI, Pasar Agen, dan Jaringan Sosial Agen, membentuk ekosistem aplikasi multi-agen; menghubungkan pengguna, pengembang, dan penyedia sumber daya melalui protokol CoAI, serta memperkenalkan sistem pencocokan kebutuhan pengguna-pengembang dan sistem kredit, mendorong interaksi frekuensi tinggi dan aktivitas ekonomi yang berkelanjutan.

Tahap Tiga (AI Kolaboratif → AI Kripto-Natif): Diimplementasikan di bidang DeFi, RWA, pembayaran, e-commerce, dan lainnya, sambil memperluas ke skenario KOL dan pertukaran data pribadi; mengembangkan LLM khusus untuk keuangan/kripto, dan meluncurkan sistem pembayaran dan dompet Agent-to-Agent, mendorong penerapan skenario "Crypto AGI".

Tahap Empat (Ecosystems → Autonomous AI Economies): Secara bertahap berkembang menjadi ekonomi subnet otonom, masing-masing subnet mengelola secara independen dan beroperasi secara tokenisasi di sekitar aplikasi, infrastruktur, daya komputasi, model, dan data, serta berkolaborasi melalui protokol antar subnet, membentuk ekosistem multi-subnet yang kolaboratif; sekaligus bergerak dari Agentic AI menuju Physical AI (robot, kendaraan otonom, luar angkasa).

Penyangkalan: Peta jalan ini hanya untuk referensi, jadwal dan fitur dapat disesuaikan secara dinamis karena lingkungan pasar, dan tidak menjamin komitmen pengiriman.

Tujuh, Insentif Token dan Tata Kelola Protokol

Saat ini ChainOpera belum mengumumkan rencana insentif token yang lengkap, tetapi protokol CoAI-nya berfokus pada "kolaborasi dan kepemilikan bersama". Melalui blockchain dan mekanisme Proof-of-Intelligence, ia mewujudkan catatan kontribusi yang transparan dan dapat diverifikasi: kontribusi dari pengembang, daya komputasi, penyedia data, dan layanan diukur dan diberikan imbalan dengan cara yang distandarisasi. Pengguna menggunakan layanan, penyedia sumber daya mendukung operasi, pengembang membangun aplikasi, semua pihak yang terlibat berbagi dividen pertumbuhan; platform mempertahankan siklus dengan biaya layanan 1%, distribusi imbalan, dan dukungan likuiditas, mendorong ekosistem AI terdesentralisasi yang terbuka, adil, dan kolaboratif.

Proof-of-Intelligence Kerangka Pembelajaran

Proof-of-Intelligence (PoI) adalah mekanisme konsensus inti yang diusulkan oleh ChainOpera di bawah protokol CoAI, yang bertujuan untuk menyediakan sistem insentif dan tata kelola yang transparan, adil, dan dapat diverifikasi untuk pembangunan AI terdesentralisasi. Ini berdasarkan kerangka pembelajaran mesin kolaboratif blockchain berbasis Proof-of-Contribution, yang bertujuan untuk mengatasi masalah insentif yang kurang, risiko privasi, dan kurangnya verifikasi yang ada dalam aplikasi nyata dari federated learning (FL). Desain ini berfokus pada kontrak pintar, menggabungkan penyimpanan terdesentralisasi (IPFS), node agregasi dan bukti nol-pengetahuan (zkSNARKs), untuk mencapai lima tujuan utama: ① Distribusi hadiah yang adil berdasarkan kontribusi, memastikan pelatih mendapat insentif berdasarkan perbaikan model yang nyata; ② Mempertahankan penyimpanan data secara lokal, menjamin privasi tidak bocor; ③ Memperkenalkan mekanisme ketahanan untuk melawan serangan pencemaran atau agregasi dari pelatih yang berniat jahat; ④ Memastikan verifikasi perhitungan penting seperti agregasi model, deteksi anomali, dan penilaian kontribusi melalui ZKP; ⑤ Cukup efisien dan umum untuk data heterogen dan tugas pembelajaran yang berbeda.

Nilai Token AI Full Stack

Mekanisme token ChainOpera beroperasi di sekitar lima aliran nilai (LaunchPad, Agent API, Model Serving, Contribution, Model Training), dengan inti pada biaya layanan, konfirmasi kontribusi, dan distribusi sumber daya, bukan pengembalian spekulatif.

• Pengguna AI: Mengakses layanan atau berlangganan aplikasi dengan token, dan berkontribusi pada ekosistem melalui penyediaan / penandaan / staking data.
• Agen/Pengembang Aplikasi: Menggunakan kekuatan komputasi dan data platform untuk pengembangan, dan memperoleh pengakuan protokol atas kontribusi Agen, aplikasi, atau dataset yang diberikan.
• Penyedia sumber daya: menyumbangkan daya komputasi, data, atau model, mendapatkan catatan transparan dan insentif.
• Peserta governance (komunitas & DAO): Berpartisipasi dalam voting, desain mekanisme, dan koordinasi ekosistem melalui token.
• Lapisan Protokol (COAI): Mempertahankan pengembangan berkelanjutan melalui biaya layanan, menggunakan mekanisme distribusi otomatis untuk menyeimbangkan penawaran dan permintaan.
• Node dan Validator: Menyediakan layanan verifikasi, kekuatan komputasi, dan keamanan untuk memastikan keandalan jaringan.

Tata Kelola Protokol

ChainOpera menggunakan tata kelola DAO, dengan berpartisipasi dalam proposal dan pemungutan suara melalui staking token, untuk memastikan keputusan yang transparan dan adil. Mekanisme tata kelola meliputi: sistem reputasi (memverifikasi dan mengukur kontribusi), kolaborasi komunitas (proposal dan pemungutan suara mendorong pengembangan ekosistem), penyesuaian parameter (penggunaan data, keamanan, dan akuntabilitas validator). Tujuan keseluruhan adalah untuk menghindari konsentrasi kekuasaan, menjaga stabilitas sistem, dan co-creation komunitas.

Delapan, Latar Belakang Tim dan Pendanaan Proyek

Proyek ChainOpera didirikan oleh Profesor Salman Avestimehr yang memiliki keahlian mendalam di bidang pembelajaran federasi dan Dr. He Chaoyang (Aiden). Anggota inti tim lainnya memiliki latar belakang dari UC Berkeley, Stanford, USC, MIT, Tsinghua University, serta lembaga akademis dan teknologi terkemuka seperti Google, Amazon, Tencent, Meta, Apple, dengan kemampuan penelitian akademis dan praktik industri. Hingga saat ini, ukuran tim AI ChainOpera telah melebihi 40 orang.

Co-founder: Salman Avestimehr

Profesor Salman Avestimehr adalah Dekan Profesor di Departemen Teknik Elektro dan Ilmu Komputer Universitas California Selatan (USC), serta menjabat sebagai Direktur Pendiri Pusat AI Terpercaya USC-Amazon, dan memimpin Laboratorium Teori Informasi dan Pembelajaran Mesin USC (vITAL). Dia adalah salah satu pendiri dan CEO FedML, dan pada tahun 2022, dia ikut mendirikan TensorOpera/ChainOpera AI.

Profesor Salman Avestimehr lulus dari UC Berkeley EECS dengan gelar doktor (penghargaan makalah terbaik). Sebagai IEEE Fellow, ia telah menerbitkan lebih dari 300 makalah tingkat tinggi di bidang teori informasi, komputasi terdistribusi, dan pembelajaran federasi, dengan lebih dari 30.000 sitasi, dan telah menerima berbagai penghargaan internasional seperti PECASE, NSF CAREER, dan Penghargaan Massey IEEE. Ia memimpin pembuatan kerangka kerja sumber terbuka FedML, yang banyak digunakan dalam bidang medis, keuangan, dan komputasi privasi, serta menjadi dasar teknologi inti dari TensorOpera/ChainOpera AI.

Co-founder: Dr. Aiden Chaoyang He

Dr. Aiden Chaoyang He adalah salah satu pendiri dan presiden TensorOpera/ChainOpera AI, doktor ilmu komputer dari Universitas Selatan California (USC), serta pencipta asli FedML. Fokus penelitiannya mencakup pembelajaran terdistribusi dan federatif, pelatihan model skala besar, blockchain, dan komputasi privasi. Sebelum memulai usaha, ia pernah bekerja di Meta, Amazon, Google, dan Tencent dalam pengembangan, serta menjabat posisi rekayasa inti dan manajemen di Tencent, Baidu, dan Huawei, memimpin peluncuran beberapa produk tingkat internet dan platform AI.

Dalam bidang akademis dan industri, Aiden telah menerbitkan lebih dari 30 makalah, dengan lebih dari 13.000 sitasi di Google Scholar, serta menerima Amazon Ph.D. Fellowship, Qualcomm Innovation Fellowship, dan penghargaan makalah terbaik di NeurIPS dan AAAI. Kerangka FedML yang dia pimpin adalah salah satu proyek open-source yang paling banyak digunakan di bidang pembelajaran federasi, mendukung 27 miliar permintaan per hari; dan sebagai penulis utama, dia mengusulkan kerangka FedNLP dan metode pelatihan paralel model campuran, yang banyak digunakan dalam proyek AI terdesentralisasi seperti Sahara AI.

Pada Desember 2024, ChainOpera AI mengumumkan telah menyelesaikan pendanaan putaran benih sebesar 3,5 juta USD, dengan total pendanaan bersama TensorOpera mencapai 17 juta USD. Dana tersebut akan digunakan untuk membangun blockchain L1 dan sistem operasi AI yang ditujukan untuk Agen AI terdesentralisasi. Putaran pendanaan ini dipimpin oleh Finality Capital, Road Capital, dan IDG Capital, dengan investor tambahan termasuk Camford VC, ABCDE Capital, Amber Group, Modular Capital, serta dukungan dari Sparkle Ventures, Plug and Play, USC, dan pendiri EigenLayer Sreeram Kannan, serta co-founder BabylonChain David Tse, antara lain. Tim menyatakan bahwa putaran pendanaan ini akan mempercepat pencapaian visi "Ekosistem AI terdesentralisasi yang dimiliki dan diciptakan bersama oleh kontributor, pengembang, dan pengguna AI."

Kesembilan, Analisis Pola Pasar Pembelajaran Federasi dan Agen AI

Kerangka kerja pembelajaran federasi memiliki empat perwakilan utama: FedML, Flower, TFF, OpenFL. Di antara mereka, FedML adalah yang paling lengkap, menggabungkan pembelajaran federasi, pelatihan model besar terdistribusi, dan MLOps, cocok untuk implementasi industri; Flower ringan dan mudah digunakan, komunitasnya aktif, lebih fokus pada pendidikan dan eksperimen skala kecil; TFF sangat bergantung pada TensorFlow, memiliki nilai penelitian akademis yang tinggi, tetapi lemah dalam industri; OpenFL berfokus pada medis/keuangan, menekankan kepatuhan privasi, dengan ekosistem yang relatif tertutup. Secara keseluruhan, FedML mewakili jalur multifungsi tingkat industri, Flower mengutamakan kemudahan penggunaan dan pendidikan, TFF lebih pada eksperimen akademis, dan OpenFL memiliki keunggulan dalam kepatuhan industri vertikal.

Dalam lapisan industrialisasi dan infrastruktur, karakteristik TensorOpera (komersialisasi FedML) terletak pada mewarisi akumulasi teknologi dari FedML sumber terbuka, menyediakan kemampuan terintegrasi untuk penjadwalan GPU lintas awan, pelatihan terdistribusi, pembelajaran federasi, dan MLOps, dengan tujuan menjembatani penelitian akademis dan aplikasi industri, melayani pengembang, usaha kecil dan menengah serta ekosistem Web3/DePIN. Secara keseluruhan, TensorOpera setara dengan "Hugging Face + W&B dari FedML sumber terbuka", lebih lengkap dan umum dalam kemampuan pelatihan terdistribusi dan pembelajaran federasi, berbeda dari platform lain yang berfokus pada komunitas, alat, atau industri tunggal.

Dalam perwakilan lapisan inovasi, ChainOpera dan Flock keduanya mencoba menggabungkan pembelajaran federasi dengan Web3, tetapi arahannya memiliki perbedaan yang jelas. ChainOpera membangun platform AI Agent full-stack yang mencakup empat lapisan arsitektur: pintu masuk, sosial, pengembangan, dan infrastruktur, dengan nilai inti untuk mendorong pengguna dari "konsumen" menjadi "kreator bersama", dan mencapai kolaboratif AGI serta ekosistem komunitas melalui AI Terminal dan Jaringan Sosial Agennya; sementara Flock lebih fokus pada pembelajaran federasi yang ditingkatkan oleh blockchain (BAFL), menekankan perlindungan privasi dan mekanisme insentif dalam lingkungan terdesentralisasi, yang terutama ditujukan untuk verifikasi kolaboratif di lapisan daya komputasi dan data. ChainOpera lebih condong ke aplikasi dan implementasi lapisan jaringan Agen, sedangkan Flock lebih condong ke penguatan pelatihan dasar dan komputasi privasi.

Di tingkat jaringan Agent, proyek yang paling representatif di industri adalah Olas Network. ChainOpera berasal dari pembelajaran federasi, membangun model—kekuatan komputasi—agen dalam siklus tertutup yang lengkap, dan menjadikan Jaringan Sosial Agen sebagai lapangan eksperimen untuk mengeksplorasi interaksi dan kolaborasi sosial multi-agen; Olas Network berasal dari kolaborasi DAO dan ekosistem DeFi, diposisikan sebagai jaringan layanan otonom terdesentralisasi, meluncurkan skenario hasil Defi yang dapat diterapkan langsung melalui Pearl, menunjukkan jalur yang sangat berbeda dibandingkan dengan ChainOpera.

Sepuluh, Analisis Logika Investasi dan Risiko Potensial

Logika Investasi

Keunggulan ChainOpera pertama-tama terletak pada moat teknologinya: dari FedML (kerangka kerja sumber terbuka pembelajaran federasi yang terkemuka) hingga TensorOpera (infrastruktur AI full-stack kelas enterprise), kemudian ke ChainOpera (jaringan Agen berbasis Web3 + DePIN + Tokenomics), membentuk jalur evolusi kontinu yang unik, menggabungkan akumulasi akademis, penerapan industri, dan narasi kripto.

Dalam hal aplikasi dan skala pengguna, AI Terminal telah membentuk ratusan ribu pengguna aktif harian dan ekosistem aplikasi Agent tingkat ribuan, serta menduduki peringkat pertama dalam kategori AI di BNBChain DApp Bay, dengan pertumbuhan pengguna on-chain yang jelas dan volume transaksi yang nyata. Bidang kripto asli yang dicakup oleh skenario multimodalnya diharapkan dapat secara bertahap meluas ke pengguna Web2 yang lebih luas.

Dalam aspek kolaborasi ekosistem, ChainOpera meluncurkan CO-AI Alliance, bermitra dengan io.net, Render, TensorOpera, FedML, MindNetwork, dan lainnya, membangun efek jaringan multilateral dalam GPU, model, data, dan komputasi privasi; sekaligus bekerja sama dengan Samsung Electronics untuk memverifikasi GenAI multimodal di perangkat seluler, menunjukkan potensi untuk memperluas ke AI perangkat keras dan tepi.

Dalam model token dan ekonomi, ChainOpera berbasis konsensus Proof-of-Intelligence, mendistribusikan insentif di sekitar lima aliran nilai (LaunchPad, Agent API, Model Serving, Contribution, Model Training), dan membentuk siklus positif melalui biaya layanan platform 1%, distribusi insentif, dan dukungan likuiditas, menghindari model "trading koin" tunggal, meningkatkan keberlanjutan.

Risiko Potensial

Pertama, tingkat kesulitan penerapan teknologi cukup tinggi. Arsitektur terdesentralisasi lima lapis yang diusulkan oleh ChainOpera memiliki jangkauan yang luas, kolaborasi antar lapisan (terutama dalam inferensi terdistribusi model besar dan pelatihan privasi) masih menghadapi tantangan kinerja dan stabilitas, dan belum diuji secara besar-besaran.

Kedua, keterikatan pengguna ekosistem masih perlu diamati. Meskipun proyek telah mencapai pertumbuhan pengguna awal, apakah Agent Marketplace dan rangkaian alat pengembang dapat mempertahankan aktivitas dan pasokan berkualitas tinggi dalam jangka panjang masih perlu diuji. Saat ini, Agent Social Network yang diluncurkan terutama didorong oleh percakapan teks berbasis LLM, pengalaman pengguna dan retensi jangka panjang masih perlu ditingkatkan lebih lanjut. Jika desain mekanisme insentif tidak cukup rinci, mungkin akan terjadi fenomena di mana aktivitas jangka pendek tinggi tetapi nilai jangka panjang kurang.

Akhirnya, keberlanjutan model bisnis masih perlu dikonfirmasi. Pada tahap ini, pendapatan terutama bergantung pada biaya layanan platform dan sirkulasi token, arus kas yang stabil belum terbentuk, dibandingkan dengan aplikasi seperti AgentFi atau Payment yang lebih memiliki atribut finansial atau produktivitas, nilai komersial dari model saat ini masih perlu diverifikasi lebih lanjut; sekaligus, ekosistem perangkat keras dan mobile masih dalam tahap eksplorasi, prospek pemasaran memiliki ketidakpastian tertentu.