Da aprendizagem federada à rede de agentes descentralizada, análise do projeto ChainOpera

Autor: 0xjacobzhao

No relatório de pesquisa de junho intitulado "O Santo Graal da Crypto AI: Exploração na Fronteira do Treinamento Descentralizado", mencionamos o aprendizado federado (Federated Learning), que é uma solução de "descentralização controlada" que se encontra entre o treinamento distribuído e o treinamento descentralizado: seu núcleo é a retenção local de dados e a agregação centralizada de parâmetros, atendendo às necessidades de privacidade e conformidade em setores como saúde e finanças. Ao mesmo tempo, temos acompanhado em vários relatórios anteriores o surgimento das redes de agentes (Agent) - seu valor reside na capacidade de colaborar em tarefas complexas através da autonomia e divisão de trabalho entre múltiplos agentes, promovendo a evolução do "grande modelo" para a "ecologia de múltiplos agentes".

A aprendizagem federada estabelece a base para a colaboração entre múltiplas partes com "dados não saindo localmente, incentivo por contribuição", cujos genes distribuídos, incentivos transparentes, proteção de privacidade e práticas de conformidade fornecem experiências reutilizáveis diretamente para a Rede de Agentes. A equipe do FedML está seguindo esse caminho, atualizando o gene de código aberto para TensorOpera (camada de infraestrutura da indústria de IA), e evoluindo para ChainOpera (rede de agentes descentralizada). Claro, a Rede de Agentes não é uma extensão inevitável da aprendizagem federada; seu núcleo reside na colaboração autônoma e divisão de tarefas entre múltiplos agentes, que também pode ser construído diretamente com base em sistemas multi-agentes (MAS), aprendizado por reforço (RL) ou mecanismos de incentivo baseados em blockchain.

Uma, Arquitetura da pilha de tecnologia de Aprendizagem Federada e Agentes de IA

Aprendizagem Federada (Federated Learning, FL) é uma estrutura de treinamento colaborativo que opera sem a necessidade de centralizar dados, cujo princípio básico é que cada parte participante treina modelos localmente, enviando apenas parâmetros ou gradientes para um ponto de coordenação para agregação, assim alcançando a conformidade de privacidade em "dados não saem do domínio". Após práticas em cenários típicos como saúde, finanças e dispositivos móveis, a Aprendizagem Federada entrou em uma fase comercial relativamente madura, mas ainda enfrenta gargalos como altos custos de comunicação, proteção de privacidade incompleta e baixa eficiência de convergência devido à heterogeneidade dos dispositivos. Em comparação com outros modos de treinamento, o treinamento distribuído enfatiza a concentração de poder computacional para buscar eficiência e escala, enquanto o treinamento descentralizado alcança colaboração totalmente distribuída através de uma rede de poder computacional aberto, e a Aprendizagem Federada está posicionada entre os dois, refletindo uma solução de "descentralização controlada": atende tanto à necessidade da indústria em termos de privacidade e conformidade, quanto oferece um caminho viável para colaboração interinstitucional, sendo mais adequada para a arquitetura de implantação transitória na indústria.

E em toda a pilha de protocolos do AI Agent, na nossa pesquisa anterior, a dividimos em três níveis principais, ou seja,

Camada de Infraestrutura (Agent Infrastructure Layer): Esta camada fornece o suporte operacional mais básico para os agentes, sendo a base técnica para a construção de todos os sistemas de Agentes.

• Módulo central: inclui o Agent Framework (estrutura de desenvolvimento e execução de agentes) e o Agent OS (sistema operacional de baixo nível para agendamento de multitarefas e execução modular), fornecendo capacidades centrais para a gestão do ciclo de vida do agente.
• Módulos suportados: como Agent DID (Identidade Descentralizada), Agent Wallet & Abstraction (Abstração de Conta e Execução de Transações), Agent Payment/Settlement (Capacidade de Pagamento e Liquidação).

A camada de Coordenação e Execução foca na colaboração entre múltiplos agentes, na programação de tarefas e nos mecanismos de incentivo do sistema, sendo a chave para construir a "inteligência coletiva" dos sistemas de agentes.

• Orquestração de Agentes: refere-se a um mecanismo de comando, utilizado para agendar e gerir de forma unificada o ciclo de vida dos Agentes, a distribuição de tarefas e os processos de execução, adequado para cenários de fluxo de trabalho com controlo central.
• Agent Swarm: é uma estrutura colaborativa que enfatiza a cooperação de agentes distribuídos, possuindo alta autonomia, capacidade de divisão de trabalho e colaboração flexível, adequada para enfrentar tarefas complexas em ambientes dinâmicos.
• Camada de Incentivo para Agentes: construir um sistema de incentivos económicos para a rede de Agentes, estimulando a motivação de desenvolvedores, executores e validadores, proporcionando uma dinâmica sustentável para o ecossistema de agentes.

Camada de Aplicação (Application & Distribution Layer)

• Subcategorias de distribuição: incluem Agent Launchpad, Agent Marketplace e Agent Plugin Network
• Subcategorias de aplicações: abrangem AgentFi, Agent Native DApp, Agent-as-a-Service, etc.
• Subcategoria de consumo: Agent Social / Consumer Agent como principal, voltado para cenários leves de interação social entre consumidores.
• Meme: Exploração do conceito de Agent, sem implementação técnica real e aplicação prática, apenas impulsionado por marketing.

Dois, Referência de Aprendizado Federado FedML e Plataforma Full Stack TensorOpera

FedML é uma das primeiras estruturas de código aberto voltadas para Aprendizagem Federada (Federated Learning) e treinamento distribuído, originada de uma equipe acadêmica (USC) e gradualmente se tornando o produto central da TensorOpera AI. Ela fornece ferramentas de treinamento colaborativo de dados entre instituições e dispositivos para pesquisadores e desenvolvedores. No meio acadêmico, o FedML tornou-se uma plataforma experimental comum para pesquisa em aprendizagem federada, aparecendo frequentemente em conferências de alto nível como NeurIPS, ICML e AAAI; no setor industrial, o FedML tem uma boa reputação em cenários sensíveis à privacidade, como saúde, finanças, IA de borda e IA Web3, sendo considerado uma ferramenta de referência no campo da aprendizagem federada.

TensorOpera é a plataforma de infraestrutura de IA de pilha completa da FedML, atualizada para um caminho de comercialização voltado para empresas e desenvolvedores: mantendo a capacidade de aprendizado federado, expandindo para o Mercado de GPU, serviços de modelos e MLOps, a fim de penetrar em um mercado maior na era dos grandes modelos e agentes. A arquitetura geral do TensorOpera pode ser dividida em três camadas: Camada de Computação, Camada de Agendamento e Camada de MLOps.

1. Camada de Cálculo（底层）

A camada Compute é a base tecnológica do TensorOpera, continuando o gene open-source do FedML. As funções principais incluem Server de Parâmetros, Treinamento Distribuído, Ponto de Inference e Server de Agregação. Seu valor está em fornecer treinamento distribuído, proteção de privacidade em aprendizado federado e um motor de inferência escalável, sustentando as três principais capacidades: "Treinar / Implantar / Federar", cobrindo toda a cadeia completa desde treinamento de modelo, implantação até colaboração entre instituições, sendo a camada básica de toda a plataforma.

2. Camada de Agendamento (Camada Intermediária)

A camada Scheduler funciona como um centro de negociação e agendamento de poder computacional, composta pelo GPU Marketplace, Provision, Master Agent e Schedule & Orchestrate, suportando a chamada de recursos entre nuvens públicas, provedores de GPU e colaboradores independentes. Esta camada é um ponto de virada crucial na atualização do FedML para o TensorOpera, permitindo treinamento e inferência de IA em maior escala através de agendamento inteligente de poder computacional e orquestração de tarefas, abrangendo cenários típicos de LLM e IA generativa. Ao mesmo tempo, o modelo Share & Earn dessa camada reserva uma interface de mecanismo de incentivo, com potencial para ser compatível com os modos DePIN ou Web3.

3. Camada MLOps (Camada Superior)

A camada MLOps é a interface de serviços da plataforma voltada diretamente para desenvolvedores e empresas, incluindo módulos como Model Serving, AI Agent e Studio. As aplicações típicas abrangem LLM Chatbot, AI generativa multimodal e ferramentas de Copilot para desenvolvedores. Seu valor reside em abstrair a capacidade de computação e treinamento subjacentes em APIs e produtos de alto nível, reduzindo a barreira de entrada, oferecendo agentes prontos para uso, ambientes de desenvolvimento de baixo código e capacidade de implantação escalável, posicionando-se em relação a plataformas de Infraestrutura AI de nova geração como Anyscale, Together e Modal, funcionando como uma ponte da infraestrutura para a aplicação.

Em março de 2025, o TensorOpera será atualizado para uma plataforma full-stack voltada para Agentes de IA, com produtos principais que incluem o AgentOpera AI App, Framework e Platform. A camada de aplicação oferece uma entrada multi-agente semelhante ao ChatGPT, a camada de estrutura evolui para um sistema multi-agente baseado em gráficos e Orchestrator/Router, denominada "Agentic OS", enquanto a camada de plataforma se funde profundamente com a plataforma de modelos TensorOpera e FedML, realizando serviços de modelos distribuídos, otimização RAG e implantação híbrida de edge e cloud. O objetivo geral é criar "um sistema operacional, uma rede de agentes", permitindo que desenvolvedores, empresas e usuários colaborem na construção de uma nova geração de ecossistema de IA Agentic em um ambiente aberto e protegido por privacidade.

Três, ChainOpera AI Ecossistema Panorama: de co-criadores a base técnica

Se FedML é o núcleo tecnológico, fornecendo o gene de código aberto para aprendizado federado e treinamento distribuído; TensorOpera abstrai os resultados de pesquisa do FedML em uma infraestrutura de IA de pilha completa comercializável, então ChainOpera é a capacidade da plataforma TensorOpera "na blockchain", criando um ecossistema de rede de agentes descentralizado através do AI Terminal + Rede Social de Agentes + modelo DePIN e camada de computação + blockchain nativa de IA. A transformação central está em que TensorOpera ainda se direciona principalmente a empresas e desenvolvedores, enquanto ChainOpera, com a governança e mecanismos de incentivo da Web3, envolve usuários, desenvolvedores e provedores de GPU/dados na co-construção e co-governança, fazendo com que o Agente de IA não seja apenas "usado", mas sim "co-criado e co-propriedade".

Ecossistema de Co-criadores (Co-creators)

A ChainOpera AI fornece uma cadeia de ferramentas, infraestrutura e camada de coordenação para a co-criação do ecossistema através da Plataforma Model & GPU e da Plataforma Agent, suportando o treinamento de modelos, desenvolvimento de agentes, implantação e colaboração em expansão.

Os co-criadores do ecossistema ChainOpera abrangem desenvolvedores de Agentes de IA (design e operação de agentes inteligentes), fornecedores de ferramentas e serviços (modelos, MCP, bases de dados e API), desenvolvedores de modelos (treinamento e publicação de modelos), fornecedores de GPU (contribuindo com poder computacional através do DePIN e parceiros de nuvem Web2), e contribuidores e rotuladores de dados (upload e rotulação de dados multimodais). Três categorias principais de fornecimento - desenvolvimento, poder computacional e dados - impulsionam conjuntamente o crescimento contínuo da rede de agentes inteligentes.

Co-proprietários

A ecologia do ChainOpera também introduz o mecanismo de co-propriedade, construindo a rede através da colaboração e participação. Os criadores de AI Agent são indivíduos ou equipes que, através da Agent Platform, projetam e implantam novos agentes inteligentes, responsáveis pela construção, lançamento e manutenção contínua, impulsionando a inovação em funcionalidades e aplicações. Os participantes de AI Agent vêm da comunidade, que participam do ciclo de vida do agente ao adquirir e manter Unidades de Acesso (Access Units), apoiando o crescimento e a atividade do agente durante o uso e promoção. Os dois tipos de papéis representam, respetivamente, a oferta e a procura, formando em conjunto um modelo de compartilhamento de valor e desenvolvimento colaborativo dentro da ecologia.

Parceiros ecológicos: Plataforma e estrutura

A ChainOpera AI colabora com várias partes para fortalecer a usabilidade e segurança da plataforma, focando na integração de cenários Web3: através do AI Terminal App, combina carteiras, algoritmos e plataformas de agregação para realizar recomendações de serviços inteligentes; na Agent Platform, introduz estruturas diversificadas e ferramentas sem código, reduzindo as barreiras ao desenvolvimento; baseia-se no TensorOpera AI para treinamento e inferência de modelos; e estabelece uma colaboração exclusiva com a FedML, apoiando o treinamento de proteção de privacidade entre instituições e dispositivos. No geral, forma um ecossistema aberto que equilibra aplicações empresariais e a experiência do usuário Web3.

Entrada de Hardware: Hardware de IA e Parceiros (AI Hardware & Partners)

Através do DeAI Phone, dispositivos vestíveis e parceiros de Robot AI, a ChainOpera irá fundir blockchain e AI em terminais inteligentes, permitindo interações dApp, treinamento na extremidade e proteção da privacidade, formando gradualmente um ecossistema de hardware de AI descentralizado.

Plataforma Central e Base Tecnológica: TensorOpera GenAI & FedML

A TensorOpera oferece uma plataforma GenAI full-stack que abrange MLOps, Scheduler e Compute; sua subplataforma FedML cresceu de um projeto acadêmico de código aberto para uma estrutura de industrialização, reforçando a capacidade de IA de "funcionar em qualquer lugar e escalar de qualquer forma".

Ecossistema ChainOpera AI

Quatro, Produtos principais da ChainOpera e infraestrutura de agente de IA de pilha completa

Em junho de 2025, a ChainOpera lançará oficialmente o AI Terminal App e a stack de tecnologia descentralizada, posicionando-se como "OpenAI descentralizado". Seu produto central abrange quatro grandes módulos: camada de aplicação (AI Terminal & Agent Network), camada de desenvolvedor (Agent Creator Center), camada de modelos e GPU (Model & Compute Network), além do protocolo CoAI e da cadeia dedicada, cobrindo um ciclo completo desde a entrada do usuário até a computação de base e os incentivos na cadeia.

O Aplicativo AI Terminal já integrou a BNBChain, suportando transações em cadeia e cenários DeFi para Agentes. O Centro de Criadores de Agentes está aberto para desenvolvedores, oferecendo capacidades como MCP/HUB, base de conhecimento e RAG, com agentes da comunidade continuando a se estabelecer; ao mesmo tempo, foi iniciada a CO-AI Alliance, em colaboração com parceiros como io.net, Render, TensorOpera, FedML e MindNetwork.

De acordo com os dados on-chain dos últimos 30 dias da BNB DApp Bay, possui 158,87K usuários únicos e um volume de transações de 2,6 milhões nos últimos 30 dias, classificando-se em segundo lugar em toda a plataforma na categoria "AI Agent" da BSC, demonstrando uma forte atividade on-chain.

Super AI Agent App – AI Terminal ()

Como uma entrada social descentralizada para ChatGPT e IA, o AI Terminal oferece colaboração multimodal, incentivos à contribuição de dados, integração de ferramentas DeFi, assistentes multiplataforma e suporte para colaboração de Agentes de IA com proteção de privacidade (Seus Dados, Seu Agente). Os usuários podem acessar diretamente o modelo de grande porte de código aberto DeepSeek-R1 e agentes da comunidade em dispositivos móveis, com a circulação transparente de Tokens de linguagem e Tokens criptografados na blockchain durante o processo de interação. Seu valor reside em transformar os usuários de "consumidores de conteúdo" em "co-criadores inteligentes", permitindo o uso de redes de agentes exclusivas em cenários como DeFi, RWA, PayFi e comércio eletrônico.

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

Posicionamento semelhante ao LinkedIn + Messenger, mas voltado para o grupo de Agentes de IA. Através de um espaço de trabalho virtual e um mecanismo de colaboração Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel), promove a evolução de um único Agente para uma rede de colaboração multiagente, abrangendo aplicações em finanças, jogos, comércio eletrônico, pesquisa, entre outros, e gradualmente aumentando a memória e a autonomia.

Plataforma de Desenvolvimento de Agentes de IA ()

Proporcionar aos desenvolvedores uma experiência de criação "tipo Lego". Suporta zero código e expansão modular, contratos de blockchain garantem a propriedade, DePIN + infraestrutura em nuvem reduzem as barreiras de entrada, o Marketplace oferece canais de distribuição e descoberta. O foco principal é permitir que os desenvolvedores alcancem rapidamente os usuários, com contribuições para o ecossistema podendo ser registradas de forma transparente e recompensadas.

Modelo de IA & Plataforma GPU ()

Como camada de infraestrutura, combina DePIN com aprendizado federado para resolver o problema da dependência de poder computacional centralizado na Web3 AI. Através de GPU distribuídas, treinamento de dados com proteção de privacidade, um mercado de modelos e dados, e MLOps de ponta a ponta, suporta colaboração entre múltiplos agentes e AI personalizada. Sua visão é promover a transição do paradigma de infraestrutura de "monopólio das grandes empresas" para "construção comunitária".

Cinco, Planejamento do roteiro do ChainOpera AI

Além da plataforma Full Stack AI Agent que já está oficialmente em funcionamento, a ChainOpera AI acredita que a Inteligência Artificial Geral (AGI) provém de uma rede colaborativa de múltiplos modos e múltiplos agentes. Assim, o seu plano de roteiro a longo prazo está dividido em quatro fases:

Os fornecedores obtêm rendimentos distribuídos com base no uso.

Fase Dois (Aplicativos Agentic → Economia de IA Colaborativa): Lançamento do Terminal de IA, Mercado de Agentes e Rede Social de Agentes, formando um ecossistema de aplicações multi-agente; através do protocolo CoAI, conectar usuários, desenvolvedores e provedores de recursos, e introduzir um sistema de correspondência de necessidades dos usuários – desenvolvedores e um sistema de crédito, promovendo interações de alta frequência e atividades econômicas sustentadas.

Fase Três (IA Colaborativa → IA Nativa de Cripto): implementação nas áreas de DeFi, RWA, pagamentos, comércio eletrônico, entre outros, ao mesmo tempo que se expande para cenários de KOL e troca de dados pessoais; desenvolvimento de LLMs dedicadas a finanças / criptomoedas e lançamento de sistemas de pagamento e carteira Agente-a-Agente, promovendo a aplicação contextualizada de "Crypto AGI".

Fase Quatro (Ecossistemas → Economias de IA Autônomas): Evolução gradual para economias de sub-rede autônomas, onde cada sub-rede opera com governança independente e tokenização em torno de aplicações, infraestrutura, poder computacional, modelos e dados, colaborando por meio de protocolos intersub-rede, formando um ecossistema colaborativo de múltiplas sub-redes; ao mesmo tempo, transição de IA Agente para IA Física (robôs, condução autónoma, espaço).

Aviso Legal: Este roteiro é apenas para referência, o cronograma e as funcionalidades podem ser ajustados dinamicamente devido ao ambiente de mercado, não constituindo uma garantia de entrega.

Sete, Incentivos de Tokens e Governança do Protocolo

Atualmente, a ChainOpera ainda não divulgou um plano completo de incentivos para tokens, mas seu protocolo CoAI tem como núcleo a "co-criação e co-propriedade", alcançando registros de contribuição transparentes e verificáveis por meio da blockchain e do mecanismo Proof-of-Intelligence: a contribuição de desenvolvedores, poder de computação, dados e prestadores de serviços é mensurada de forma padronizada e recompensada, os usuários utilizam serviços, os provedores de recursos sustentam a operação, os desenvolvedores constroem aplicações, e todas as partes participantes compartilham os dividendos de crescimento; a plataforma mantém o ciclo por meio de uma taxa de serviço de 1%, distribuição de recompensas e suporte à liquidez, promovendo um ecossistema de IA descentralizado aberto, justo e colaborativo.

Prova de Inteligência Estrutura de Aprendizagem

Proof-of-Intelligence (PoI) é o mecanismo de consenso central proposto pela ChainOpera sob o protocolo CoAI, destinado a fornecer um sistema de incentivos e governança transparente, justo e verificável para a construção de IA descentralizada. Baseado em um framework de aprendizado de máquina colaborativo em blockchain denominado Proof-of-Contribution (prova de contribuição), visa resolver problemas de falta de incentivo, riscos de privacidade e falta de verificabilidade que existem na aplicação prática do aprendizado federado (FL). Este design tem contratos inteligentes como núcleo, combinando armazenamento descentralizado (IPFS), nós de agregação e provas de conhecimento zero (zkSNARKs), alcançando cinco principais objetivos: ① Distribuição justa de recompensas com base na contribuição, garantindo que os treinadores recebam incentivos com base na melhoria real do modelo; ② Manter o armazenamento de dados localizado, garantindo que a privacidade não seja comprometida; ③ Introduzir mecanismos de robustez para combater a contaminação ou ataques de agregação de treinadores maliciosos; ④ Garantir a verificabilidade de cálculos críticos, como agregação de modelos, detecção de anomalias e avaliação de contribuições, através de ZKP; ⑤ Ser aplicável a dados heterogêneos e diferentes tarefas de aprendizado em termos de eficiência e versatilidade.

Valor dos tokens em AI Full Stack

O mecanismo de token da ChainOpera opera em torno de cinco fluxos de valor (LaunchPad, Agent API, Model Serving, Contribution, Model Training), sendo o núcleo as taxas de serviço, confirmação de contribuição e alocação de recursos, em vez de retornos especulativos.

• Usuários de IA: acesse serviços ou assine aplicativos com tokens, contribuindo para o ecossistema por meio de fornecimento / rotulagem / dados de staking.
• Agente/ Desenvolvedor de Aplicações: utiliza a capacidade de computação e dados da plataforma para desenvolver e é reconhecido pelo protocolo por sua contribuição de Agente, aplicação ou conjunto de dados.
• Provedor de recursos: contribua com poder de cálculo, dados ou modelos e obtenha registos transparentes e incentivos.
• Participantes da governança (comunidade & DAO): participar da votação, design de mecanismos e coordenação ecológica através de tokens.
• Camada de protocolo (COAI): manter o desenvolvimento sustentável através de taxas de serviço, utilizando um mecanismo de alocação automatizado para equilibrar oferta e demanda.
• Nós e validadores: fornecem serviços de validação, poder computacional e segurança, garantindo a confiabilidade da rede.

Governança de Protocólos

A ChainOpera utiliza a governança DAO, permitindo que os participantes se envolvam em propostas e votações através da staking de tokens, garantindo decisões transparentes e justas. O mecanismo de governança inclui: sistema de reputação (verificação e quantificação de contribuições), colaboração comunitária (propostas e votações para impulsionar o desenvolvimento do ecossistema), ajuste de parâmetros (uso de dados, segurança e responsabilidade dos validadores). O objetivo geral é evitar a concentração de poder, mantendo a estabilidade do sistema e a co-criação da comunidade.

Oitavo, Background da Equipa e Financiamento do Projeto

O projeto ChainOpera foi co-fundado pelo Professor Salman Avestimehr, que possui profundo conhecimento na área de aprendizado federado, e pelo Dr. He Chaoyang (Aiden). Outros membros principais da equipe têm formação que abrange UC Berkeley, Stanford, USC, MIT, Universidade Tsinghua, bem como instituições acadêmicas e tecnológicas de topo como Google, Amazon, Tencent, Meta e Apple, possuindo tanto capacidade de pesquisa acadêmica quanto experiência prática na indústria. Até o momento, a equipe da ChainOpera AI já ultrapassa 40 pessoas.

Co-Fundador: Salman Avestimehr

O Professor Salman Avestimehr é o Dean's Professor do Departamento de Engenharia Elétrica e de Computação da Universidade do Sul da Califórnia (USC) e atua como Diretor Fundador do Centro de AI Confiável USC-Amazon, além de liderar o Laboratório de Teoria da Informação e Aprendizado de Máquina da USC (vITAL). Ele é cofundador e CEO da FedML e cofundou a TensorOpera/ChainOpera AI em 2022.

O Professor Salman Avestimehr formou-se no doutorado em EECS na UC Berkeley (Prémio de Melhor Trabalho). Como Membro do IEEE, publicou mais de 300 artigos de alto nível nas áreas de teoria da informação, computação distribuída e aprendizado federado, com mais de 30.000 citações, e recebeu várias honras internacionais, incluindo PECASE, NSF CAREER e o Prémio Massey do IEEE. Ele liderou a criação da framework de código aberto FedML, amplamente utilizada em saúde, finanças e computação de privacidade, tornando-se a pedra angular da tecnologia central do TensorOpera/ChainOpera AI.

Co-fundador: Dr. Aiden Chaoyang He

Dr. Aiden Chaoyang He é cofundador e presidente da TensorOpera/ChainOpera AI, doutor em Ciência da Computação pela Universidade do Sul da Califórnia (USC) e criador original do FedML. Sua pesquisa abrange aprendizado distribuído e federado, treinamento de modelos em larga escala, blockchain e computação de privacidade. Antes de empreender, trabalhou em pesquisa e desenvolvimento na Meta, Amazon, Google e Tencent, ocupando cargos de engenharia e gestão em Tencent, Baidu e Huawei, liderando a implementação de vários produtos de nível internet e plataformas de IA.

Na área acadêmica e industrial, Aiden publicou mais de 30 artigos, com mais de 13.000 citações no Google Scholar, e recebeu a Amazon Ph.D. Fellowship, a Qualcomm Innovation Fellowship e o prêmio de melhor artigo na NeurIPS e AAAI. O framework FedML, que ele liderou no desenvolvimento, é um dos projetos de código aberto mais amplamente utilizados na área de aprendizado federado, suportando 27 bilhões de solicitações por dia; além disso, como autor principal, propôs o framework FedNLP e métodos de treinamento paralelo de modelos híbridos, que são amplamente utilizados em projetos de IA descentralizada como o Sahara AI.

Em dezembro de 2024, a ChainOpera AI anunciou a conclusão de uma rodada de financiamento semente de 3,5 milhões de dólares, totalizando 17 milhões de dólares em financiamento junto à TensorOpera. Os fundos serão utilizados para construir um blockchain L1 e um sistema operacional de IA voltados para agentes de IA descentralizados. Esta rodada de financiamento foi liderada pela Finality Capital, Road Capital e IDG Capital, com investidores adicionais incluindo Camford VC, ABCDE Capital, Amber Group, Modular Capital, entre outros, além do apoio de instituições e investidores individuais renomados como Sparkle Ventures, Plug and Play, USC e Sreeram Kannan, fundador da EigenLayer, e David Tse, co-fundador da BabylonChain. A equipe afirmou que esta rodada de financiamento irá acelerar a realização da visão de "um ecossistema de IA descentralizado co-propriedade e co-criação por contribuidores de recursos de IA, desenvolvedores e usuários."

Nove, Análise do Mercado de Aprendizagem Federada e Agentes de IA

A estrutura de aprendizado federado tem quatro representantes principais: FedML, Flower, TFF e OpenFL. Dentre eles, o FedML é a solução mais completa, combinando aprendizado federado, treinamento de grandes modelos distribuídos e MLOps, sendo adequado para a aplicação na indústria; o Flower é leve e fácil de usar, com uma comunidade ativa, focando no ensino e em experimentos de pequena escala; o TFF depende fortemente do TensorFlow, tem um alto valor de pesquisa acadêmica, mas é fraco em termos de industrialização; e o OpenFL é focado em saúde/finanças, enfatizando a conformidade com a privacidade, com um ecossistema relativamente fechado. De forma geral, o FedML representa um caminho industrial completo, o Flower foca na facilidade de uso e na educação, o TFF é mais voltado para experimentos acadêmicos, enquanto o OpenFL tem vantagens em conformidade em setores verticais.

Na camada de industrialização e infraestrutura, o TensorOpera (comercialização do FedML) caracteriza-se por herdar a acumulação técnica do FedML de código aberto, oferecendo capacidade integrada de agendamento de GPU em nuvem, treinamento distribuído, aprendizado federado e MLOps. O objetivo é fazer a ponte entre a pesquisa acadêmica e a aplicação industrial, atendendo desenvolvedores, pequenas e médias empresas e o ecossistema Web3/DePIN. De maneira geral, o TensorOpera equivale a "Hugging Face + W&B do FedML de código aberto", com capacidades de treinamento distribuído de pilha completa e aprendizado federado mais completas e genéricas, diferenciando-se de outras plataformas que têm como núcleo comunidades, ferramentas ou um único setor.

Nos representantes do nível de inovação, tanto a ChainOpera quanto a Flock tentam combinar aprendizado federado com Web3, mas as direções apresentam diferenças claras. A ChainOpera constrói uma plataforma de Agente AI de pilha completa, abrangendo quatro camadas de arquitetura: entrada, social, desenvolvimento e infraestrutura, com o valor central em promover a transformação dos usuários de "consumidores" para "co-criadores", e alcançando uma ecologia de cooperação AGI e co-construção da comunidade através do AI Terminal e da Rede Social dos Agentes; enquanto a Flock foca mais no aprendizado federado aprimorado por blockchain (BAFL), enfatizando a proteção de privacidade e mecanismos de incentivo em um ambiente descentralizado, voltando-se principalmente para a validação colaborativa nas camadas de potência computacional e dados. A ChainOpera tende mais para a aplicação e implementação na camada da Rede de Agentes, enquanto a Flock se concentra no fortalecimento do treinamento de base e do cálculo de privacidade.

No nível da rede Agent, o projeto mais representativo da indústria é a Olas Network. O ChainOpera, por outro lado, origina-se do aprendizado federado, construindo um ciclo fechado de modelo - poder computacional - agente, e explora a interação e a colaboração social entre múltiplos agentes no Agent Social Network como campo de experimento; a Olas Network é originada da colaboração DAO e do ecossistema DeFi, posicionando-se como uma rede de serviços autônomos descentralizados, lançando cenários de rendimento DeFi diretamente aplicáveis através do Pearl, mostrando um caminho completamente diferente do ChainOpera.

Dez, Análise da Lógica de Investimento e Riscos Potenciais

Lógica de Investimento

As vantagens do ChainOpera residem primeiro na sua barreira tecnológica: desde o FedML (quadro de referência de aprendizado federado de código aberto) até o TensorOpera (infraestrutura de IA full-stack para empresas), e depois ao ChainOpera (rede de agentes Web3 + DePIN + Tokenomics), formando um caminho evolutivo contínuo e único, combinando acumulação acadêmica, implementação industrial e narrativa criptográfica.

Em termos de aplicações e escala de usuários, o AI Terminal já formou centenas de milhares de usuários ativos diários e um ecossistema de aplicações de mil agentes, ocupando o primeiro lugar na categoria AI do DApp Bay da BNBChain, com um crescimento claro de usuários on-chain e volume de transações reais. Seu domínio em cenários multimodais no campo nativo das criptomoedas tem potencial para se expandir gradualmente para um público mais amplo de usuários Web2.

Na área de cooperação ecológica, a ChainOpera lançou a CO-AI Alliance, unindo parceiros como io.net, Render, TensorOpera, FedML e MindNetwork para construir efeitos de rede multilateral em GPU, modelos, dados e computação de privacidade; ao mesmo tempo, colaborou com a Samsung Electronics para validar a GenAI multimodal em dispositivos móveis, demonstrando o potencial de expansão para hardware e IA de borda.

No modelo de tokens e economia, a ChainOpera baseia-se no consenso Proof-of-Intelligence, distribuindo incentivos em torno de cinco grandes fluxos de valor (LaunchPad, Agent API, Model Serving, Contribution, Model Training) e formando um ciclo positivo através de uma taxa de serviço de 1%, distribuição de incentivos e suporte à liquidez, evitando um único modo de "pump and dump" e melhorando a sustentabilidade.

Risco Potencial

Primeiro, a dificuldade de implementação técnica é alta. A arquitetura descentralizada em cinco camadas proposta pela ChainOpera é ampla, e a colaboração entre camadas (especialmente em inferência distribuída de grandes modelos e treinamento em privacidade) ainda enfrenta desafios de desempenho e estabilidade, e ainda não foi validada em aplicações em larga escala.

Em segundo lugar, a adesão dos usuários ao ecossistema ainda precisa ser observada. Embora o projeto tenha alcançado um crescimento inicial de usuários, ainda é necessário verificar se o Agent Marketplace e a cadeia de ferramentas para desenvolvedores conseguem manter a atividade e a oferta de alta qualidade a longo prazo. Atualmente, a Agent Social Network lançada é principalmente impulsionada por diálogos em texto baseados em LLM, e a experiência do usuário e a retenção a longo prazo ainda precisam ser melhoradas. Se o design do mecanismo de incentivo não for suficientemente refinado, pode ocorrer uma alta atividade a curto prazo, mas com um valor a longo prazo insuficiente.

Por fim, a sustentabilidade do modelo de negócios ainda precisa ser confirmada. Neste estágio, a receita depende principalmente das taxas de serviço da plataforma e do ciclo de tokens; um fluxo de caixa estável ainda não foi formado. Comparado a aplicações mais financeiramente orientadas ou produtivas, como AgentFi ou Payment, o valor comercial do modelo atual ainda precisa ser validado. Ao mesmo tempo, o ecossistema móvel e de hardware ainda está em fase de exploração, existindo uma certa incerteza quanto às perspectivas de comercialização.