Від федеративного навчання до децентралізованої мережі агентів, аналіз проекту ChainOpera

Автор: 0xjacobzhao

У звіті за червень «Святий Грааль Crypto AI: передові дослідження децентралізованого навчання» ми згадали про федеративне навчання (Federated Learning) — «контрольоване децентралізоване» рішення, що перебуває між розподіленим навчанням і децентралізованим навчанням: його основа полягає в локальному збереженні даних та централізованій агрегації параметрів, що відповідає вимогам конфіденційності та відповідності в таких сферах, як медицина та фінанси. Тим часом, ми протягом кількох попередніх звітів продовжували звертати увагу на зростання мережі агентів (Agent) — їхня цінність полягає в тому, що через автономію та розподіл обов'язків кількох агентів вони спільно виконують складні завдання, сприяючи еволюції «великих моделей» у «екосистему багатьох агентів».

Федеративне навчання заклало основи багатосторонньої співпраці з принципами "дані не виходять з локального, винагорода за внесок", його розподілені генетичні, прозорі винагороди, захист конфіденційності та практики відповідності надають Agent Network досвід, який можна безпосередньо використовувати. Команда FedML саме таким чином оновлює відкритий ген до TensorOpera (інфраструктурного рівня AI в індустрії), а потім еволюціонує до ChainOpera (децентралізованої мережі агентів). Звичайно, Agent Network не є неминучим продовженням федеративного навчання, його суть полягає в автономній співпраці та розподілі завдань між кількома агентами, також можна безпосередньо побудувати на основі системи багатоагентів (MAS), підкріпленого навчання (RL) або механізмів винагороди на основі блокчейну.

Один. Архітектура технологічного стеку федеративного навчання та AI Agent

Федеративне навчання (Federated Learning, FL) — це рамкова система для кооперативного навчання без централізації даних, основний принцип якої полягає в тому, що усі учасники локально навчають моделі, лише завантажуючи параметри або градієнти на координуючий вузол для агрегації, що дозволяє реалізувати «дані не виходять за межі домену» з точки зору конфіденційності. Після практики в таких типових сценаріях, як охорона здоров'я, фінанси та мобільні додатки, федеративне навчання увійшло в досить зрілу стадію комерційного використання, але все ще стикається з такими обмеженнями, як великі витрати на зв'язок, недостатній захист конфіденційності, а також низька ефективність сходження через гетерогенність пристроїв. На відміну від інших режимів навчання, розподілене навчання наголошує на централізації обчислювальної потужності для досягнення ефективності та масштабу, тоді як децентралізоване навчання реалізує повністю розподілену співпрацю через відкриту обчислювальну мережу, а федеративне навчання знаходиться між цими двома підходами, представляючи собою «контрольовану децентралізацію»: воно задовольняє потреби галузі в конфіденційності та відповідності, а також пропонує реальний шлях для міжінституційної співпраці, що більш підходить для промислових переходів в архітектурі.

!

А в усій стеку протоколів AI Agent ми раніше розділили його на три основні рівні, а саме

Інфраструктурний рівень (Agent Infrastructure Layer): цей рівень забезпечує найнижчу підтримку роботи для агентів і є технічною основою для всіх систем агентів.

• Ядро модуля: включає в себе Agent Framework (рамка для розробки та виконання агентів) та Agent OS (більш низькорівнева багатозадачна планування та модульний час виконання), що надає основні можливості для управління життєвим циклом агентів.
• Підтримувані модулі: такі як Agent DID (децентралізована ідентичність), Agent Wallet & Abstraction (абстракція облікового запису та виконання угод), Agent Payment/Settlement (можливості платежів та розрахунків).

Шар координації та виконання (Coordination & Execution Layer) зосереджується на співпраці між багатьма агентами, плануванні завдань та механізмах стимулювання системи, що є ключовими для побудови системи агентів «колективний інтелект».

• Агентна оркестрація: це механізм управління, який використовується для єдиного розподілу та управління життєвим циклом агентів, розподілом завдань та виконанням процесів, підходить для сценаріїв робочого процесу з централізованим контролем.
• Agent Swarm: це координаційна структура, що підкреслює співпрацю розподілених агентів, має високу автономність, здатність до розподілу праці та еластичну кооперацію, підходить для вирішення складних завдань у динамічному середовищі.
• Агентський стимулюючий рівень: створення економічної системи стимулювання мережі агентів, що активізує розробників, виконавців та валідаторів, надаючи стійку підтримку екосистемі агентів.

Застосунковий шар (Application & Distribution Layer)

• Розподільні підкатегорії: включають Agent Launchpad, Agent Marketplace та Agent Plugin Network
• Підкатегорії застосування: охоплює AgentFi, Agent Native DApp, Agent-as-a-Service тощо
• Споживчий підклас: Агент соціальних зв'язків / Споживчий агент, орієнтований на легкі сцени, пов'язані з соціальними відносинами споживачів.
• Мем: спекуляція на концепції агентів, відсутність реальної технічної реалізації та впровадження, лише маркетинговий драйв.

Два, еталон федеративного навчання FedML та повноцінна платформа TensorOpera

FedML є одним з перших відкритих фреймворків, спрямованих на федеративне навчання (Federated Learning) та розподілене навчання, що виник з академічної команди (USC) і поступово став основним продуктом компанії TensorOpera AI. Він надає дослідникам та розробникам інструменти для спільного навчання даних між установами та пристроями. У академічному середовищі FedML завдяки частому представництву на таких провідних конференціях, як NeurIPS, ICML, AAAI, став універсальною експериментальною платформою для досліджень у сфері федеративного навчання; у промисловості FedML має високу репутацію в чутливих до конфіденційності сферах, таких як медицина, фінанси, крайній AI та Web3 AI, і вважається еталонним інструментом у сфері федеративного навчання.

!

TensorOpera є повноцінною інфраструктурною платформою штучного інтелекту, що була оновлена FedML на основі комерційного шляху для підприємств та розробників: зберігаючи можливості федеративного навчання, вона розширюється до GPU Marketplace, сервісів моделей та MLOps, що дозволяє займатися більшими ринками епохи великих моделей та агентів. Загальна архітектура TensorOpera може бути розділена на три рівні: Compute Layer (базовий рівень), Scheduler Layer (рівень планування) та MLOps Layer (застосунковий рівень):

1. Обчислювальний шар（底层）

Compute 层 є технічною основою TensorOpera, яка продовжує відкритий ген FedML. Основні функції включають Parameter Server, Distributed Training, Inference Endpoint та Aggregation Server. Його ціннісне позиціонування полягає в наданні дистрибутивного навчання, захисту конфіденційності в федеративному навчанні та масштабованого інфраструктурного движка, підтримуючи три основні можливості: «Train / Deploy / Federate», охоплюючи повний ланцюг від навчання моделі, впровадження до міжінституційної співпраці, що є основним рівнем всієї платформи.

2. Scheduler Layer (середній шар)

Scheduler шар являє собою центральний елемент обміну обчислювальною потужністю та управління, який складається з GPU Marketplace, Provision, Master Agent та Schedule & Orchestrate, підтримуючи виклики ресурсів між публічними хмарами, постачальниками GPU та незалежними внесковими особами. Цей шар є ключовим поворотом у переході FedML до TensorOpera, оскільки він дозволяє реалізувати масштабніші AI навчання та висновки через інтелектуальне управління обчислювальною потужністю та оркестрацію завдань, охоплюючи типові сценарії LLM та генеративного AI. Одночасно, модель Share & Earn цього шару передбачає інтерфейс механізму стимулювання, здатного до сумісності з DePIN або Web3 моделями.

3. Шар MLOps (верхній)

Шар MLOps є сервісним інтерфейсом платформи, орієнтованим безпосередньо на розробників та підприємства, включаючи такі модулі, як Model Serving, AI Agent та Studio. Типові застосування охоплюють LLM Chatbot, мультимодальну генеративну AI та інструменти Copilot для розробників. Його цінність полягає в тому, щоб абстрагувати базову обчислювальну потужність та можливості навчання у вигляді високорівневих API та продуктів, знижуючи бар'єри для використання, пропонуючи готові агенти, середовище розробки з низьким кодом та можливості масштабованого розгортання, позиціонуючи себе на рівні нових платформ AI Infra, таких як Anyscale, Together, Modal, виконуючи роль мосту між інфраструктурою та застосуванням.

!

У березні 2025 року TensorOpera оновиться до повноцінної платформи для AI Agent, основні продукти включають AgentOpera AI App, Framework і Platform. На рівні застосунків буде доступний багатосторонній вхід, подібний до ChatGPT, на рівні фреймворку буде реалізована багатостороння система з графовою структурою та еволюція Orchestrator/Router в «Agentic OS», в той час як рівень платформи глибоко інтегрується з платформою моделей TensorOpera та FedML, забезпечуючи розподілені модульні послуги, оптимізацію RAG та гібридне розгортання на краю та в хмарі. Загальна мета - створити «одну операційну систему, одну мережу агентів», щоб розробники, підприємства та користувачі могли спільно будувати нове покоління екосистеми Agentic AI в відкритому середовищі з захистом конфіденційності.

Три, екосистема ChainOpera AI: від спільних творців до технологічної основи

Якщо FedML є технологічним ядром, що забезпечує відкритий ген для федеративного навчання та розподіленого навчання; TensorOpera абстрагує наукові результати FedML в комерційно життєздатну повну AI інфраструктуру, то ChainOpera «виводить на ланцюг» платформні можливості TensorOpera, створюючи децентралізовану екосистему Agent через AI Terminal + Agent Social Network + DePIN модель та обчислювальний рівень + AI-Native блокчейн. Основний перехід полягає в тому, що TensorOpera насамперед орієнтований на підприємства та розробників, тоді як ChainOpera за допомогою механізму управління та стимулювання Web3 залучає користувачів, розробників, постачальників GPU/даних до спільного будівництва та спільного управління, роблячи AI Agent не просто «використовуваними», а «спільно створеними та спільно володіючими».

!

Екосистема співавторів (Co-creators)

ChainOpera AI забезпечує інструментальний ланцюг, інфраструктуру та координуючий рівень для спільного створення екосистеми через платформу Model & GPU та платформу Agent, підтримуючи навчання моделей, розробку агентів, розгортання та розширену співпрацю.

Співтворці екосистеми ChainOpera охоплюють розробників AI Agent (дизайн та експлуатація інтелектуальних агентів), постачальників інструментів та послуг (шаблони, MCP, бази даних та API), розробників моделей (навчання та публікація моделей), постачальників GPU (внесок потужності через DePIN та партнерів Web2 у хмарі), а також внесників даних та маркерів (завантаження та маркування мультимодальних даних). Три основні категорії постачання — розробка, обчислювальна потужність та дані — спільно сприяють постійному зростанню мережі інтелектуальних агентів.

Спільні власники (Co-owners)

Екосистема ChainOpera також вводить механізм спільного володіння, через співпрацю та участь у спільному будівництві мережі. Творці AI Agent - це особи або команди, які через Agent Platform розробляють і розгортають нові типи агентів, відповідаючи за створення, запуск та постійне обслуговування, що сприяє інноваціям у функціях та застосуваннях. Учасники AI Agent походять з громади, вони беруть участь у життєвому циклі агентів, отримуючи та утримуючи одиниці доступу (Access Units), підтримуючи зростання та активність агентів під час використання та просування. Обидва типи ролей представляють відповідно сторону пропозиції та сторону попиту, спільно формуючи модель розподілу вартості та співпраці в екосистемі.

Екологічні партнери: платформа та рамки

ChainOpera AI співпрацює з кількома сторонами, щоб посилити доступність та безпеку платформи, а також зосереджується на інтеграції сцен Web3: через AI Terminal App об'єднаний гаманець, алгоритми та агрегатні платформи реалізується рекомендація розумових послуг; на платформі Agent запроваджуються різноманітні фрейми та інструменти без коду, що знижує бар'єри для розробки; на основі TensorOpera AI здійснюється навчання та висновок моделей; а також встановлено ексклюзивну співпрацю з FedML, що підтримує навчання з захистом конфіденційності між установами та пристроями. В цілому, формується відкита екосистема, яка враховує корпоративні застосування та досвід користувачів Web3.

Апаратура: AI апаратура та партнери (AI Hardware & Partners)

Через партнерів, таких як DeAI Phone, носимі пристрої та Robot AI, ChainOpera інтегрує блокчейн та AI у смарт-термінали, реалізуючи взаємодію dApp, навчання на кінцевих пристроях та захист конфіденційності, поступово формуючи децентралізовану екосистему AI-апаратури.

Центральна платформа та технологічна основа: TensorOpera GenAI & FedML

TensorOpera пропонує повноцінну платформу GenAI, що охоплює MLOps, Scheduler та Compute; її підплатформа FedML розвинулася з академічного відкритого коду до промислової рамки, посиливши здатність AI «працювати скрізь та у будь-якому масштабі».

Екосистема ChainOpera AI

!

Чотири, основні продукти ChainOpera та інфраструктура повного стеку AI Agent

У червні 2025 року ChainOpera офіційно запустила AI Terminal App та децентралізований технологічний стек, позиціонуючи себе як «децентралізовану версію OpenAI». Її основний продукт охоплює чотири великі модулі: рівень додатків (AI Terminal & Agent Network), рівень розробників (Agent Creator Center), рівень моделей та GPU (Model & Compute Network), а також протокол CoAI та спеціалізований блокчейн, що охоплює повний замкнений цикл від входу користувача до базових обчислень та винагороди на ланцюгу.

!

AI Terminal App вже інтегровано з BNBChain, підтримує агентів для онлайнових транзакцій та DeFi-сцен. Центр створення агентів відкритий для розробників, пропонує можливості MCP/HUB, бази знань та RAG, а також продовжує залучати спільнотних агентів; одночасно запускається CO-AI Alliance, що співпрацює з партнерами io.net, Render, TensorOpera, FedML, MindNetwork тощо.

!

Згідно з даними про ланцюг BNB DApp Bay за останні 30 днів, його незалежні користувачі становлять 158,87 тис., а обсяг торгівлі за останні 30 днів — 2,6 млн, він займає друге місце в категорії «AI Agent» на BSC, що свідчить про сильну активність на ланцюгу.

Супер AI Агент Додаток – AI Термінал ()

Як децентралізований вхід до ChatGPT та AI соціальних платформ, AI Terminal пропонує мультимодальну співпрацю, заохочення до внеску даних, інтеграцію DeFi інструментів, крос-платформених асистентів та підтримку співпраці AI Agent і захисту конфіденційності (Ваші Дані, Ваш Агент). Користувачі можуть безпосередньо викликати відкриту велику модель DeepSeek-R1 та спільноти інтелектуальних агентів на мобільних пристроях, а під час взаємодії мова Token та крипто Token прозоро обертаються на ланцюгу. Його цінність полягає в тому, щоб дозволити користувачам перетворитися з "споживачів контенту" на "інтелектуальних співавторів" та використовувати мережу спеціальних інтелектуальних агентів у сценах DeFi, RWA, PayFi, електронної комерції тощо.

AI Агента Соціальна Мережа (agent-social-network)

定位 подібно до LinkedIn + Messenger, але націлений на групу AI Agent. Завдяки віртуальному робочому простору та механізму співпраці Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel) сприяє еволюції одного агента в мережу співпраці багатьох агентів, охоплюючи фінанси, ігри, електронну комерцію, дослідження та поступово підвищуючи пам'ять і автономність.

Платформа розробника AI Agent ()

Надання розробникам досвіду творчості в стилі «Лего». Підтримка безкодових рішень та модульного розширення, блокчейн-контракти забезпечують право власності, DePIN + хмарна інфраструктура знижують бар'єри входу, Marketplace забезпечує канали розповсюдження та виявлення. Його основа полягає в тому, щоб швидко зв'язати розробників з користувачами, а внесок в екосистему може бути прозоро зафіксований і отримувати винагороду.

AI Модель & GPU Платформа ()

Як інфраструктурний рівень, поєднуючи DePIN та федеративне навчання, вирішується проблема залежності Web3 AI від централізованих обчислювальних потужностей. Завдяки розподіленим GPU, захисту конфіденційності під час навчання даних, ринку моделей і даних, а також кінцевим рішенням MLOps, підтримується співпраця багатьох агентів і персоналізований AI. Його бачення полягає в тому, щоб сприяти переходу від «монополії великих компаній» до «спільного будівництва спільноти» в інфраструктурному парадигмі.

!

Пункт 5. Планування дорожньої карти ChainOpera AI

Окрім офіційно запущеної платформи Full-Stack AI Agent, ChainOpera AI вірить, що загальний штучний інтелект (AGI) виникає з кооперативної мережі мультимодальних та багатосуб'єктних систем. Тому його довгострокове планування поділено на чотири етапи:

!

Постачальник отримує доходи, розподілені залежно від використання.

Етап другий (Agentic Apps → Collaborative AI Economy): запуск AI Terminal, Agent Marketplace та Agent Social Network, формування екосистеми багатих агентів; через протокол CoAI з’єднання користувачів, розробників та постачальників ресурсів, а також впровадження системи відповідності потреб користувачів і розробників та кредитної системи, що сприяє високочастотній взаємодії та безперервній економічній діяльності.

Етап три (Collaborative AI → Crypto-Native AI): впровадження в таких сферах, як DeFi, RWA, платежі, електронна комерція, а також розширення до сцен KOL та обміну особистими даними; розробка спеціальних LLM для фінансів / криптовалют, а також запуск системи платежів та гаманців Agent-to-Agent, просування сценічного застосування «Crypto AGI».

Етап чотири (Екосистеми → Автономні економіки штучного інтелекту): поступовий перехід до економіки автономних підмереж, де кожна підмережа незалежно управляє та токенізує діяльність навколо застосувань, інфраструктури, обчислювальної потужності, моделей та даних, співпрацюючи через міжмережеві протоколи, формуючи екосистему багатьох підмереж; одночасно від Agentic AI до Physical AI (роботи, автономні транспортні засоби, космічні технології).

Відмова від відповідальності: ця дорожня карта є лише орієнтиром, графік та функції можуть бути динамічно відкориговані залежно від ринкового середовища, жодних гарантій виконання не надається.

Сім, стимулювання токенів та управління протоколом

Наразі ChainOpera ще не оголосила про повний план стимулювання токенів, але її протокол CoAI базується на принципі «спільного створення та спільного володіння», реалізуючи прозорі та перевіряємi записи внесків через блокчейн та механізм Proof-of-Intelligence: внески розробників, обчислювальної потужності, даних та постачальників послуг вимірюються стандартним способом та отримують винагороду, користувачі використовують послуги, постачальники ресурсів підтримують роботу, розробники створюють додатки, усі учасники ділять прибутки від зростання; платформа підтримує цикл за рахунок 1% комісії за послуги, розподілу винагороди та підтримки ліквідності, сприяючи відкритій, справедливій та співпраці в децентралізованій AI екосистемі.

Proof-of-Intelligence навчальна рамка

Proof-of-Intelligence (PoI) є основним механізмом консенсусу, запропонованим ChainOpera в рамках протоколу CoAI, який має на меті створення прозорої, справедливої та перевірної системи стимулювання та управління для децентралізованого ШІ. Він базується на рамці блокчейн-колективного машинного навчання Proof-of-Contribution (доказ внеску) і має на меті вирішення проблем недостатніх стимулів, ризиків конфіденційності та відсутності перевіряності, що виникають у федеративному навчанні (FL) в реальних застосуваннях. Цей дизайн зосереджений на смарт-контрактах, поєднуючи децентралізоване зберігання (IPFS), агрегатні вузли та нульові знання (zkSNARKs), і реалізує п'ять основних цілей: ① Справедливий розподіл винагород за внеском, що забезпечує стимулювання тренерів на основі фактичного поліпшення моделі; ② Збереження даних у локальному режимі, щоб гарантувати, що конфіденційність не буде порушена; ③ Введення механізму стійкості для протидії отруєнню або атакам агрегатів з боку недобросовісних тренерів; ④ Забезпечення перевірності ключових обчислень, таких як агрегація моделі, виявлення аномалій та оцінка внеску через ZKP; ⑤ Підходить для гетерогенних даних та різних навчальних завдань з точки зору ефективності та універсальності.

!

Цінність токенів у всіх аспектах AI

Токеноміка ChainOpera базується на п'яти основних потоках цінності (LaunchPad, Agent API, Model Serving, Contribution, Model Training), де основними є плата за послуги, підтвердження внесків і розподіл ресурсів, а не спекулятивний дохід.

• Користувач ІШ: отримуйте доступ до послуг або підписуйтеся на програми, використовуючи токени, і робіть внесок у екосистему, надаючи / маркуючи / заставляючи дані.
• Агент/ Розробник додатків: використовує потужності та дані платформи для розробки та отримує визнання протоколу за свої внески у вигляді Агентів, додатків або наборів даних.
• Постачальники ресурсів: вносять обчислювальну потужність, дані або моделі, отримують прозоре ведення обліку та винагороду.
• Учасники управління (спільнота & DAO): беруть участь у голосуванні, проектуванні механізмів та екологічній координації за допомогою токенів.
• Рівень угоди (COAI): забезпечення стійкого розвитку через комісії за послуги, використовуючи автоматизований механізм розподілу для балансування попиту та пропозиції.
• Вузли та валідатори: надають послуги верифікації, обчислювальної потужності та безпеки, забезпечуючи надійність мережі.

Управління угодами

ChainOpera використовує DAO-управління, залучаючи до пропозицій та голосування шляхом стейкінгу токенів, щоб забезпечити прозорість та справедливість рішень. Механізм управління включає: репутаційна система (перевірка та кількісна оцінка внеску), співпраця в спільноті (пропозиції та голосування для сприяння розвитку екосистеми), налаштування параметрів (використання даних, безпека та підзвітність валідаторів). Загальна мета полягає в уникненні концентрації влади, підтримці стабільності системи та спільному створенні спільноти.

Восьме, фон команди та фінансування проекту

Проект ChainOpera був спільно заснований професором Салманом Авестімером, який має глибокі знання в галузі федеративного навчання, та доктором Хе Чжаоянем (Aiden). Інші ключові члени команди мають досвід з UC Berkeley, Stanford, USC, MIT, Цінхуа університету, а також з провідних академічних і технологічних установ, таких як Google, Amazon, Tencent, Meta, Apple, поєднуючи академічні дослідження з практичним досвідом в індустрії. Станом на сьогоднішній день команда ChainOpera AI налічує понад 40 осіб.

Співзасновник: Salman Avestimehr

Професор Салман Авістімехр є деканом кафедри електротехніки та комп'ютерних наук Південної Каліфорнії (USC) та обіймає посаду засновника Центру довіреного штучного інтелекту USC-Amazon, а також очолює лабораторію інформаційної теорії та машинного навчання USC (vITAL). Він є співзасновником і генеральним директором FedML і спільно заснував TensorOpera/ChainOpera AI у 2022 році.

Професор Салман Авестімехр закінчив докторську програму EECS в UC Berkeley (нагорода за найкращу статтю). Як член IEEE, він опублікував понад 300 високоякісних статей у галузі інформаційної теорії, розподілених обчислень та федеративного навчання, з кількістю цитувань понад 30 000, і отримав кілька міжнародних нагород, таких як PECASE, NSF CAREER, IEEE Massey Award. Він ініціював створення відкритої платформи FedML, яка широко використовується в медицині, фінансах та обчисленнях з конфіденційністю, і стала основою для технологій TensorOpera/ChainOpera AI.

Співзасновник: Dr. Aiden Chaoyang He

Доктор Айден Чаоянг Хе є співзасновником та президентом TensorOpera/ChainOpera AI, доктором комп'ютерних наук Південної Каліфорнійського університету (USC), первинним творцем FedML. Його дослідницькі напрямки охоплюють розподілене та федеративне навчання, навчання масштабних моделей, блокчейн та обчислення збереження приватності. Перед початком підприємницької діяльності він працював у Meta, Amazon, Google, Tencent, займаючись дослідженнями та розробками, а також займав керівні посади в Tencent, Baidu, Huawei, ведучи впровадження кількох продуктів рівня інтернету та AI платформ.

В академічній та промисловій сферах Aiden опублікував понад 30 статей, які цитуються більше 13 000 разів у Google Scholar, і отримав стипендію Amazon Ph.D. Fellowship, стипендію Qualcomm Innovation Fellowship, а також нагороду за найкращу статтю на NeurIPS та AAAI. Він керував розробкою фреймворку FedML, який є одним з найпоширеніших відкритих проектів у сфері федеративного навчання, що підтримує 27 мільярдів запитів щодня; а також як основний автор запропонував фреймворк FedNLP та методи паралельного навчання змішаних моделей, які широко використовуються в децентралізованих AI проектах, таких як Sahara AI.

!

У грудні 2024 року ChainOpera AI оголосила про завершення раунду фінансування на суму 3,5 мільйона доларів, в результаті чого загальна сума фінансування з TensorOpera досягла 17 мільйонів доларів. Кошти будуть використані для створення блокчейн L1 та операційної системи AI, орієнтованих на децентралізованих AI агентів. Цей раунд фінансування очолили Finality Capital, Road Capital та IDG Capital, а також в ньому взяли участь Camford VC, ABCDE Capital, Amber Group, Modular Capital та інші, а також підтримали його такі відомі інституції та особистості, як Sparkle Ventures, Plug and Play, USC та засновник EigenLayer Sreeram Kannan, співзасновник BabylonChain David Tse та інші. Команда зазначила, що це фінансування прискорить реалізацію бачення «децентралізованої AI екосистеми, в якій ресурсні постачальники, розробники та користувачі спільно володіють і спільно створюють».

Дев'ять. Аналіз ринкової структури федеративного навчання та AI Agent

Фреймворки федеративного навчання мають чотири основні представники: FedML, Flower, TFF, OpenFL. Зокрема, FedML є повноцінним рішенням, що поєднує федеративне навчання, розподілене навчання великих моделей та MLOps, підходить для промислової реалізації; Flower є легким у використанні, має активну спільноту, орієнтований на навчання та невеликі експерименти; TFF глибоко залежить від TensorFlow, має високу академічну цінність, але слабку промислову реалізацію; OpenFL зосереджується на медицині/фінансах, підкреслює конфіденційність та відповідність вимогам, має закриту екосистему. В загальному, FedML представляє промисловий рівень універсального рішення, Flower акцентує на простоті використання та навчанні, TFF орієнтований на академічні експерименти, а OpenFL має переваги у відповідності в вертикальних галузях.

У сфері промисловості та інфраструктури TensorOpera (комерціалізація FedML) характеризується спадщиною технологічних накопичень відкритого коду FedML, пропонуючи інтегровані можливості міжхмарного GPU-распорядження, розподіленого навчання, федеративного навчання та MLOps, метою є створення мосту між академічними дослідженнями та промисловими застосуваннями, обслуговуючи розробників, малий та середній бізнес, а також екосистему Web3/DePIN. Загалом, TensorOpera можна вважати «Hugging Face + W&B відкритого коду FedML», з більш повними та універсальними можливостями у галузі повного стеку розподіленого навчання та федеративного навчання, на відміну від інших платформ, що зосереджені на спільноті, інструментах або окремій галузі.

Серед представників інноваційного рівня, ChainOpera та Flock обидва намагаються поєднати федеративне навчання з Web3, але напрямки мають очевидні відмінності. ChainOpera створює повноцінну платформу AI Agent, яка охоплює чотири рівні архітектури: вхід, соціальні мережі, розробка та інфраструктура, основна цінність якої полягає у сприянні переходу користувачів з «споживачів» у «співтворців» та реалізації колаборативного AGI та екосистеми спільного будівництва через AI Terminal та Agent Social Network; в той час як Flock більше зосереджений на покращеному федеративному навчанні на базі блокчейна (BAFL), підкреслюючи захист конфіденційності та механізми стимулювання в децентралізованому середовищі, головним чином орієнтуючись на співпрацю верифікації обчислювальної потужності та даних. ChainOpera більше орієнтований на реалізацію в прикладному та мережевому рівні Agent, тоді як Flock більше зосереджений на підвищенні базового навчання та обчислення конфіденційності.

!

На рівні мережі Agent найбільш репрезентативним проектом в галузі є Olas Network. ChainOpera походить з федеративного навчання, будує модель—обчислювальну потужність—агента в повному замкнутому циклі та використовує Agent Social Network як експериментальне середовище для дослідження взаємодії та соціальної співпраці багатьох агентів; Olas Network виникає з DAO співпраці та DeFi екосистеми, позиціюється як децентралізована автономна сервісна мережа, через Pearl запускає прямо реалізовані сценарії Defi прибутку, демонструючи абсолютно різні шляхи в порівнянні з ChainOpera.

!

Десять. Інвестиційна логіка та аналіз потенційних ризиків

Інвестиційна логіка

Переваги ChainOpera насамперед полягають у його технологічному захисті: від FedML (еталонна відкрита платформа для федеративного навчання) до TensorOpera (корпоративна повноцінна інфраструктура AI), а також до ChainOpera (мережа агентів у Web3 + DePIN + Tokenomics), що утворює унікальний шлях безперервної еволюції, поєднуючи академічні накопичення, промислову реалізацію та криптонаратив.

У сфері застосувань та масштабів користувачів AI Terminal вже сформував кілька сотень тисяч активних користувачів на день та тисячі агентських застосунків, займаючи перше місце у категорії AI на BNBChain DApp Bay, з чітким зростанням користувачів на блокчейні та реальним обсягом торгівлі. Його багатомодальні сценарії, що охоплюють криптоорієнтовану сферу, мають перспективу поступово розширитися до більш широких користувачів Web2.

В області екологічної співпраці ChainOpera ініціювала CO-AI Alliance, об'єднавши партнерів io.net, Render, TensorOpera, FedML, MindNetwork та інших для створення багатосторонніх мережевих ефектів у сфері GPU, моделей, даних, обчислень з урахуванням конфіденційності; одночасно з цим була проведена співпраця з Samsung Electronics для верифікації багатомодального GenAI на мобільних пристроях, що продемонструвало потенціал розширення до апаратного забезпечення та крайового штучного інтелекту.

Щодо токенів та економічної моделі, ChainOpera базується на консенсусі Proof-of-Intelligence, розподіляючи стимули навколо п'яти основних потоків вартості (LaunchPad, Agent API, Model Serving, Contribution, Model Training), і формує позитивний цикл через 1% комісію за платформу, розподіл стимулів та підтримку ліквідності, уникаючи єдиного режиму «спекуляції на монетах», що підвищує стійкість.

Потенційні ризики

По-перше, складність реалізації технологій досить висока. П'ятишарова децентралізована архітектура, запропонована ChainOpera, має великий діапазон, і міжшарова співпраця (особливо в аспектах розподіленого висновку великих моделей та навчання з урахуванням конфіденційності) все ще стикається з викликами продуктивності та стабільності, які ще не пройшли верифікацію в масштабних застосуваннях.

По-друге, екосистемна залученість користувачів все ще потребує спостереження. Хоча проект вже досяг попереднього зростання кількості користувачів, чи зможе Agent Marketplace та інструменти для розробників довгостроково підтримувати активність та високу якість постачання, ще належить перевірити. Наразі запущена соціальна мережа Agent в основному орієнтована на текстові діалоги на основі LLM, досвід користувачів та довгострокове збереження все ще потребують подальшого покращення. Якщо механізм стимулювання буде недостатньо детальним, може виникнути ситуація, коли короткострокова активність висока, але довгострокова цінність буде недостатньою.

Нарешті, стійкість бізнес-моделі ще потребує підтвердження. На даний момент доходи в основному залежать від комісійних за платформу та обігу токенів, стабільний грошовий потік ще не сформувався, у порівнянні з такими фінансовими або продуктивними додатками, як AgentFi або Payment, комерційна цінність поточної моделі ще потребує подальшої перевірки; одночасно мобільний та апаратний екосистеми все ще перебувають на стадії дослідження, перспективи виходу на ринок мають певну невизначеність.