In dem Forschungsbericht vom Juni (Der heilige Gral der Krypto-KI: An der Front der dezentralen Ausbildung) erwähnen wir das föderierte Lernen (Federated Learning), eine „kontrollierte Dezentralisierung“, die zwischen verteiltem Training und dezentralem Training liegt: Der Kern besteht darin, Daten lokal zu behalten und Parameter zentral zu aggregieren, um den Anforderungen an Datenschutz und Compliance in Bereichen wie Gesundheit und Finanzen gerecht zu werden. Gleichzeitig haben wir in früheren Forschungsberichten kontinuierlich die Entstehung von Agent-Netzwerken (Agent) beobachtet – ihr Wert liegt darin, dass sie durch die Autonomie und Arbeitsteilung mehrerer Agenten komplexe Aufgaben kooperativ erfüllen und die Evolution von „großen Modellen“ zu einem „Multi-Agenten-Ökosystem“ vorantreiben.

Föderiertes Lernen hat mit „Daten bleiben lokal, Anreize nach Beitrag“ die Grundlage für die Zusammenarbeit zwischen mehreren Parteien gelegt. Seine verteilte Natur, transparente Anreize, Datenschutz und Compliance-Praktiken bieten der Agenten-Netzwerk wertvolle, direkt wiederverwendbare Erfahrungen. Das FedML-Team verfolgt diesen Weg, um das Open-Source-Gen in TensorOpera (AI-Infrastruktur-Ebene) aufzurüsten und dann zu ChainOpera (dezentralisiertes Agenten-Netzwerk). Natürlich ist das Agenten-Netzwerk nicht die notwendige Erweiterung des föderierten Lernens; der Kern liegt in der autonomen Zusammenarbeit und der Aufgabenverteilung zwischen mehreren Agenten, die auch direkt auf Basis von Multi-Agenten-Systemen (MAS), Verstärkungslernen (RL) oder Blockchain-Anreizmechanismen aufgebaut werden können.

Eins. Architektur des Technologie-Stacks für föderiertes Lernen und AI-Agenten

Föderiertes Lernen (Federated Learning, FL) ist ein Framework für kooperatives Training, das unter der Prämisse funktioniert, dass Daten nicht zentralisiert sind. Das Grundprinzip besteht darin, dass die teilnehmenden Parteien lokal Modelle trainieren und nur Parameter oder Gradienten an die Koordinationsstelle hochladen, um Aggregation zu ermöglichen, wodurch „Daten bleiben im Bereich“ den Datenschutz und die Compliance gewährleisten. Nach praktischen Erfahrungen in typischen Szenarien wie Medizin, Finanzen und mobilen Endgeräten hat das föderierte Lernen einen relativ reifen kommerziellen Zustand erreicht, steht jedoch weiterhin vor Herausforderungen wie hohen Kommunikationskosten, unzureichendem Datenschutz und niedriger Konvergenzeffizienz aufgrund von Geräteheterogenität. Im Vergleich zu anderen Trainingsmodi betont verteiltes Training die Konzentration von Rechenleistung, um Effizienz und Skalierung zu erreichen, während dezentrales Training durch ein offenes Rechenleistungsnetzwerk vollständige verteilte Zusammenarbeit ermöglicht. Föderiertes Lernen liegt zwischen beiden und stellt eine „kontrollierte Dezentralisierung“ dar: Es erfüllt sowohl die Anforderungen der Industrie in Bezug auf Datenschutz und Compliance als auch bietet einen praktikablen Weg zur interinstitutionellen Zusammenarbeit, was es besser für den Übergang zur industriellen Bereitstellung macht.

In der gesamten AI-Agent-Protokoll-Stack haben wir in früheren Berichten drei Hauptschichten identifiziert, nämlich

  • Infrastruktur-Ebene (Agent Infrastructure Layer): Diese Schicht bietet die grundlegendste Unterstützung für Agenten und bildet die technische Grundlage für den Aufbau aller Agentensysteme.

  • Kernmodule: einschließlich Agent Framework (Entwicklungs- und Betriebsrahmen für Agenten) und Agent OS (eine tiefere Ebene für Multi-Task-Planung und modulare Laufzeit), die die Kernfähigkeiten für das Lebenszyklusmanagement von Agenten bereitstellen.

  • Unterstützende Module: wie Agent DID (dezentralisierte Identität), Agent Wallet & Abstraction (Kontenabstraktion und Transaktionsausführung), Agent Payment/Settlement (Zahlungs- und Abrechnungsfähigkeiten).

  • Die Koordinations- und Planungs-Schicht (Coordination & Execution Layer) konzentriert sich auf die Zusammenarbeit, Aufgabenplanung und Anreizmechanismen zwischen mehreren Agenten und ist der Schlüssel zum Aufbau intelligenter Systeme für „kollektive Intelligenz“.

  • Agent Orchestration: bezieht sich auf das Steuerungssystem zur einheitlichen Planung und Verwaltung des Lebenszyklus von Agenten, Aufgabenverteilung und Ausführungsabläufen, geeignet für Arbeitsabläufe mit zentraler Kontrolle.

  • Agent Swarm: ist eine kooperative Struktur, die die Zusammenarbeit von verteilten Agenten betont und eine hohe Autonomie, Teilungsfähigkeit und flexible Zusammenarbeit aufweist, geeignet für komplexe Aufgaben in dynamischen Umgebungen.

  • Agent Incentive Layer: baut ein wirtschaftliches Anreizsystem für das Agentennetzwerk auf, um die Aktivität von Entwicklern, Ausführenden und Validierern zu fördern, und bietet nachhaltige Energie für das Agentenökosystem.

  • Anwendungsschicht (Anwendungs- & Verteilungsschicht)

    • Verteilungssubklasse: einschließlich Agent Launchpad, Agent Marketplace und Agent Plugin Network

    • Anwendungssubklasse: umfasst AgentFi, Agent Native DApp, Agent-as-a-Service usw.

    • Verbrauchssubklasse: Hauptsächlich Agent Social / Consumer Agent, ausgerichtet auf leichte Szenarien für Verbraucher-Soziale Interaktion.

    • Meme: Ausnutzung des Agent-Konzepts ohne tatsächliche technische Implementierung und Anwendung, rein marketinggetrieben.

Zwei. Benchmark für föderiertes Lernen: FedML und die Full-Stack-Plattform TensorOpera

FedML ist eines der ersten Open-Source-Frameworks für föderiertes Lernen (Federated Learning) und verteiltes Training, das aus einem akademischen Team (USC) hervorging und schrittweise zu einem Kernprodukt von TensorOpera AI wurde. Es bietet Forschern und Entwicklern Werkzeuge für die datenzusammenarbeit über Institutionen und Geräte hinweg. Im akademischen Bereich ist FedML aufgrund seiner häufigen Präsenz auf Top-Konferenzen wie NeurIPS, ICML, AAAI zu einer universellen Experimentierplattform für die Forschung im Bereich föderiertes Lernen geworden. In der Industrie genießt FedML in datenschutzempfindlichen Szenarien wie Medizin, Finanzen, Edge AI und Web3 AI einen hohen Ruf und wird als das Benchmark-Toolset im Bereich des föderierten Lernens angesehen.

TensorOpera ist die auf kommerzielle Pfade aufgerüstete Full-Stack-AI-Infrastrukturplattform von FedML, die sich an Unternehmen und Entwickler richtet: Sie behält die Fähigkeit des föderierten Lernens bei, erweitert sich jedoch auf GPU Marketplace, Modellservices und MLOps, um den Zugang zu einem größeren Markt in der Ära großer Modelle und Agenten zu ermöglichen. Die gesamte Architektur von TensorOpera kann in drei Schichten unterteilt werden: Compute Layer (Basis-Schicht), Scheduler Layer (Planungs-Schicht) und MLOps Layer (Anwendungs-Schicht).

1. Compute Layer（底层）
Die Compute-Schicht ist die technische Basis von TensorOpera und behält das Open-Source-Gen von FedML bei. Zu den Kernfunktionen gehören Parameter Server, Distributed Training, Inference Endpoint und Aggregation Server. Ihr Wert liegt in der Bereitstellung von verteiltem Training, datenschutzgeschütztem föderierten Lernen und skalierbaren Inferenz-Engines, die die drei Kernfähigkeiten „Train / Deploy / Federate“ unterstützen und die komplette Kette vom Modelltraining über die Bereitstellung bis zur interinstitutionellen Zusammenarbeit abdecken, was die Grundlage für die gesamte Plattform darstellt.

2. Scheduler Layer（中层）
Die Scheduler-Schicht entspricht dem Dreh- und Angelpunkt für Rechenleistungshandel und -planung, der aus GPU Marketplace, Provision, Master Agent und Schedule & Orchestrate besteht und die Ressourcennutzung über öffentliche Clouds, GPU-Anbieter und unabhängige Beiträge unterstützt. Diese Schicht ist der entscheidende Wendepunkt für die Aufrüstung von FedML zu TensorOpera, die durch intelligente Rechenleistungsplanung und Aufgabenverteilung eine größere Skalierung des AI-Trainings und der Schlussfolgerungen ermöglicht, die typische Szenarien für LLM und generative AI abdecken. Gleichzeitig hat dieses Schichtmodell Share & Earn Schnittstellen für Anreizmechanismen reserviert und hat das Potenzial, mit DePIN oder Web3-Modellen kompatibel zu sein.

3. MLOps Layer（上层）
Die MLOps-Schicht ist die direkte Service-Schnittstelle der Plattform für Entwickler und Unternehmen, einschließlich Model Serving, AI-Agent und Studio. Typische Anwendungen umfassen LLM-Chatbots, multimodale generative AI und Entwickler-Tools. Ihr Wert liegt darin, die zugrunde liegende Rechenleistung und Trainingsfähigkeiten als hochrangige APIs und Produkte zu abstrahieren, die Eintrittsbarrieren zu senken und sofortige Agenten, Low-Code-Entwicklungsumgebungen und skalierbare Bereitstellung zu bieten. Positioniert sich als Brücke zwischen Infrastruktur und Anwendung, vergleichbar mit neuen AI-Infrastruktur-Plattformen wie Anyscale, Together, Modal usw.

Im März 2025 wird TensorOpera zu einer Full-Stack-Plattform für AI-Agenten aufgerüstet, deren Kernprodukte AgentOpera AI App, Framework und Platform umfassen. Die Anwendungsschicht bietet einen Multi-Agenten-Zugang ähnlich ChatGPT, die Framework-Schicht entwickelt sich durch grafische Strukturen zu einem Multi-Agenten-System und Orchestrator/Router zu einem „Agentic OS“, während die Plattform-Schicht mit der TensorOpera-Modellplattform und FedML tief integriert wird, um verteilte Modellservices, RAG-Optimierung und hybride Edge-Cloud-Bereitstellung zu realisieren. Das übergeordnete Ziel ist es, „ein Betriebssystem, ein Agentennetzwerk“ zu schaffen, das Entwicklern, Unternehmen und Nutzern in einer offenen, datenschutzgeschützten Umgebung die gemeinsame Entwicklung eines neuen Agentic-AI-Ökosystems ermöglicht.

Drei. Panorama des ChainOpera-AI-Ökosystems: Von Co-Creator zu technischer Basis

Wenn FedML der technische Kern ist, der das Open-Source-Gen für föderiertes Lernen und verteiltes Training bereitstellt, abstrahiert TensorOpera die Forschungsergebnisse von FedML in eine kommerziell nutzbare Full-Stack-AI-Infrastruktur, während ChainOpera die Plattformfähigkeiten von TensorOpera „auf die Kette bringt“, um ein dezentrales Agenten-Netzwerk-Ökosystem durch AI Terminal + Agent Social Network + DePIN-Modell- und Rechenleistungsschichten + AI-Native-Blockchain zu schaffen. Die zentrale Veränderung besteht darin, dass TensorOpera weiterhin hauptsächlich auf Unternehmen und Entwickler ausgerichtet ist, während ChainOpera durch Web3-Governance und Anreizmechanismen Nutzer, Entwickler und GPU-/Datenanbieter in die gemeinsame Schaffung und Verwaltung einbezieht, sodass AI-Agenten nicht nur „benutzt“, sondern „gemeinsam gestaltet und gemeinsam besessen“ werden.

Co-Kreatoren-Ökosystem (Co-creators)

ChainOpera AI bietet durch die Model & GPU Platform und die Agent Platform Werkzeugketten, Infrastruktur und Koordinationsschichten für die gemeinsame Schaffung des Ökosystems und unterstützt das Modelltraining, die Entwicklung von Agenten, die Bereitstellung und die Zusammenarbeit.

Die Co-Kreatoren des ChainOpera-Ökosystems umfassen AI-Agentenentwickler (Gestaltung und Betrieb von Agenten), Anbieter von Werkzeugen und Dienstleistungen (Vorlagen, MCP, Datenbanken und APIs), Modellentwickler (Training und Veröffentlichung von Modellkarten), GPU-Anbieter (Beitrag von Rechenleistung durch DePIN und Web2-Cloud-Partner), sowie Datenanbieter und Annotatoren (Hochladen und Annotieren multimodaler Daten). Die drei Hauptangebote – Entwicklung, Rechenleistung und Daten – treiben gemeinsam das kontinuierliche Wachstum des Agentennetzwerks voran.

Co-owners

Das ChainOpera-Ökosystem hat auch ein Co-Ownership-Mechanismus eingeführt, bei dem Zusammenarbeit und Teilnahme zur gemeinsamen Netzwerkbildung beitragen. AI-Agenten-Schöpfer sind Einzelpersonen oder Teams, die neue intelligente Agenten über die Agent-Plattform entwerfen und bereitstellen, verantwortlich für den Aufbau, das Hochladen und die fortlaufende Wartung, um Innovationen in Funktionen und Anwendungen voranzutreiben. AI-Agenten-Teilnehmer kommen aus der Community und unterstützen das Wachstum und die Aktivität der Agenten im Lebenszyklus, indem sie Zugangseinheiten (Access Units) erwerben und halten. Beide Rollen repräsentieren das Angebot und die Nachfrage und bilden gemeinsam ein wertschaffendes und kooperatives Entwicklungsmodell innerhalb des Ökosystems.

Ökologische Partnerschaften: Plattform und Framework

ChainOpera AI arbeitet mit mehreren Partnern zusammen, um die Benutzerfreundlichkeit und Sicherheit der Plattform zu stärken und die Integration in Web3-Szenarien zu betonen: Durch die AI Terminal App werden Wallets, Algorithmen und Aggregationsplattformen zur Empfehlung intelligenter Dienste zusammengeführt; in der Agent-Plattform werden vielfältige Frameworks und Zero-Code-Tools eingeführt, um die Entwicklungshürden zu senken; basierend auf TensorOpera AI werden Modelle trainiert und Schlussfolgerungen gezogen; und mit FedML wird eine exklusive Zusammenarbeit etabliert, um datenschutzgeschütztes Training über Institutionen und Geräte hinweg zu unterstützen. Insgesamt wird ein offenes Ökosystem aufgebaut, das sowohl Unternehmensanwendungen als auch Web3-Nutzererfahrungen berücksichtigt.

Hardware-Eingang: AI-Hardware und Partner (AI Hardware & Partners)
Durch Partnerschaften mit DeAI Phone, tragbaren Geräten und Robotik-AI integriert ChainOpera Blockchain und AI in intelligente Endgeräte, um dApp-Interaktionen, Edge-Training und Datenschutz zu ermöglichen und schrittweise ein dezentrales AI-Hardware-Ökosystem aufzubauen.

Zentralplattform und technische Basis: TensorOpera GenAI & FedML
TensorOpera bietet eine Full-Stack-GenAI-Plattform, die MLOps, Scheduler und Compute abdeckt; ihre Unterplattform FedML hat sich von einem akademischen Open Source zu einem industrialisierten Rahmen entwickelt und die Fähigkeit zur „überall laufenden und beliebig skalierbaren“ AI verstärkt.

ChainOpera AI Ökosystem

Vier. Die Kernprodukte von ChainOpera und die Full-Stack-AI-Agent-Infrastruktur

Im Juni 2025 wird ChainOpera die AI Terminal App und den dezentralen Technologie-Stack offiziell einführen, positioniert als „dezentralisierte Version von OpenAI“. Die Kernprodukte umfassen vier Hauptmodule: Anwendungsschicht (AI Terminal & Agent Network), Entwickler-Schicht (Agent Creator Center), Modell- und GPU-Schicht (Model & Compute Network) sowie das CoAI-Protokoll und die spezialisierte Blockchain, die den vollständigen Zyklus von Nutzereingang bis hin zu zugrunde liegender Rechenleistung und On-Chain-Anreizen abdecken.

Die AI Terminal App hat BNBChain integriert und unterstützt Agenten für On-Chain-Transaktionen und DeFi-Szenarien. Das Agent Creator Center ist für Entwickler geöffnet und bietet Fähigkeiten wie MCP/HUB, Wissensdatenbank und RAG. Die Community-Agenten setzen ihren Fortbestand fort; gleichzeitig wird die CO-AI-Allianz gegründet, die Partner wie io.net, Render, TensorOpera, FedML, MindNetwork usw. einbezieht.

Laut den On-Chain-Daten von BNB DApp Bay in den letzten 30 Tagen hat es 158,87K unabhängige Nutzer und ein Handelsvolumen von 2,6 Millionen, was den zweiten Platz in der BSC-Kategorie „AI-Agent“ belegt und eine starke On-Chain-Aktivität zeigt.

Super AI Agent App – AI Terminal (https://chat.chainopera.ai/)
Als dezentraler ChatGPT- und AI-Sozialeingang bietet AI Terminal multimodale Kooperation, Anreiz für Datenbeiträge, DeFi-Tool-Integration, plattformübergreifenden Assistenten und unterstützt die Zusammenarbeit von AI-Agenten und den Datenschutz (Ihre Daten, Ihr Agent). Benutzer können über mobile Endgeräte direkt auf das Open-Source-Großmodell DeepSeek-R1 und Community-Agenten zugreifen, wobei Token und verschlüsselte Tokens während des Interaktionsprozesses transparent auf der Kette fließen. Ihr Wert liegt darin, die Benutzer von „Inhaltskonsumenten“ zu „intelligenten Mitgestaltern“ zu machen, die in DeFi-, RWA-, PayFi- und E-Commerce-Szenarien ein exklusives Agentennetzwerk nutzen können.

AI Agent Social Network (https://chat.chainopera.ai/agent-social-network)
Positionierung ähnlich wie LinkedIn + Messenger, aber für die AI-Agenten-Community. Durch virtuelle Arbeitsräume und Agent-to-Agent-Kollaborationsmechanismen (MetaGPT, ChatDEV, AutoGEN, Camel) wird ein einzelner Agent in ein Netzwerk von kooperierenden Multi-Agenten entwickelt, das Anwendungen in Finanzen, Spielen, E-Commerce, Forschung usw. abdeckt und schrittweise Gedächtnis und Autonomie verbessert.

AI Agent Developer Platform (https://agent.chainopera.ai/)
Bietet Entwicklern ein „Lego-ähnliches“ Schöpferlebnis. Unterstützt Zero-Code und modulare Erweiterungen, Blockchain-Verträge sichern das Eigentum, DePIN + Cloud-Infrastruktur senken die Eintrittsbarrieren, und der Marktplatz bietet Verteilungs- und Entdeckungswege. Der Kern liegt darin, Entwicklern zu ermöglichen, schnell auf Nutzer zuzugreifen, während Beiträge zur Ökologie transparent aufgezeichnet und belohnt werden.

AI Model & GPU Platform (https://platform.chainopera.ai/)
Als Infrastruktur-Ebene, die DePIN und föderiertes Lernen kombiniert, löst sie die Abhängigkeit von zentralisierter Rechenleistung durch Web3 AI. Durch verteilte GPU, datenschutzgeschütztes Daten-Training, Modell- und Datenmärkte sowie End-to-End-MLOps unterstützt sie die Zusammenarbeit von Multi-Agenten und personalisierte AI. Ihre Vision ist es, den Übergang von „Monopol großer Unternehmen“ zu „gemeinschaftlichem Aufbau“ im Infrastruktur-Modell zu fördern.

Fünf. Roadmap-Planung von ChainOpera AI

Abgesehen davon, dass die Full-Stack-AI-Agent-Plattform offiziell online ist, glaubt ChainOpera AI, dass universelle künstliche Intelligenz (AGI) aus einem Netzwerk von multimodalen, multi-agenten Kooperationen entsteht. Daher ist die langfristige Roadmap in vier Phasen unterteilt:

  • Phase Eins (Compute → Capital): Aufbau einer dezentralen Infrastruktur, einschließlich GPU DePIN-Netzwerk, föderiertem Lernen und verteilten Trainings-/Inferenzplattformen sowie der Einführung eines Modells Routers (Model Router), um mehrere Inferenzpunkte zu koordinieren; durch Anreizmechanismen erhalten Rechenleistungs-, Modell- und Datenanbieter Erträge, die auf der Nutzung basieren.

  • Phase Zwei (Agentic Apps → Collaborative AI Economy): Einführung von AI Terminal, Agent Marketplace und Agent Social Network, um ein Ökosystem für Multi-Agenten-Anwendungen zu bilden; durch das CoAI-Protokoll werden Benutzer, Entwickler und Ressourcenanbieter verbunden, und ein System zur Übereinstimmung von Benutzerbedürfnissen und Entwicklern sowie ein Kreditsystem werden eingeführt, um häufige Interaktionen und kontinuierliche wirtschaftliche Aktivitäten zu fördern.

  • Phase Drei (Collaborative AI → Crypto-Native AI): Implementierung in DeFi, RWA, Zahlungen, E-Commerce und Erweiterung auf KOL-Szenarien und persönlichen Datenaustausch; Entwicklung von speziellen LLMs für Finanzen/Kryptowährungen und Einführung eines Agent-to-Agent-Zahlungs- und Geldbörsensystems zur Förderung von Anwendungsszenarien für „Crypto AGI“.

  • Phase Vier (Ökosysteme → Autonome AI-Ökonomien): Allmähliche Entwicklung zu autonomen Subnetzökonomien, in denen jedes Subnetz unabhängig über Anwendungen, Infrastruktur, Rechenleistung, Modelle und Daten regiert und tokenisiert wird, und durch intersubnet-Protokolle kooperiert, um ein kooperatives Ökosystem mehrerer Subnetze zu schaffen; gleichzeitig erfolgt der Übergang von Agentic AI zu Physical AI (Roboter, autonomes Fahren, Raumfahrt).

Haftungsausschluss: Diese Roadmap dient nur zu Informationszwecken. Zeitpläne und Funktionen können sich aufgrund dynamischer Marktbedingungen ändern und stellen keine Garantie für die Erfüllung dar.

Sieben, Token-Anreize und Protokoll-Governance

Derzeit hat ChainOpera noch keinen vollständigen Token-Anreizplan veröffentlicht, aber das CoAI-Protokoll basiert auf dem zentralen Konzept von „Co-Creation und Co-Ownership“, das durch Blockchain und den Proof-of-Intelligence-Mechanismus transparente und überprüfbare Beitragserfassungen ermöglicht: Die Beiträge von Entwicklern, Rechenleistung, Daten und Dienstanbietern werden standardisiert erfasst und belohnt, während Nutzer Dienstleistungen in Anspruch nehmen, Ressourcenseiten den Betrieb unterstützen und Entwickler Anwendungen erstellen, sodass alle Beteiligten am Wachstumsgewinn teilhaben; die Plattform wiederum erhält durch 1%-Servicegebühren, Anreizverteilungen und Liquiditätsunterstützung einen kontinuierlichen Kreislauf und fördert ein offenes, faires und kooperatives dezentrales AI-Ökosystem.

Proof-of-Intelligence-Lernrahmen

Proof-of-Intelligence (PoI) ist der zentrale Konsensmechanismus, den ChainOpera unter dem CoAI-Protokoll vorgeschlagen hat. Ziel ist es, für die dezentrale AI ein transparentes, faires und überprüfbares Anreiz- und Regierungssystem zu schaffen. Es basiert auf dem Proof-of-Contribution (Beitragsnachweis) Blockchain-Kollaborations-Framework, das darauf abzielt, die Herausforderungen des föderierten Lernens (FL) in der praktischen Anwendung zu lösen, wie z.B. unzureichende Anreize, Datenschutzrisiken und fehlende Überprüfbarkeit. Dieses Design basiert auf Smart Contracts und kombiniert dezentrale Speicherung (IPFS), Aggregationsknoten und Zero-Knowledge-Proofs (zkSNARKs), um fünf Hauptziele zu erreichen: ① Faire Belohnungsverteilung basierend auf dem Beitrag sicherstellen, um sicherzustellen, dass Trainer Anreize basierend auf tatsächlichen Modellverbesserungen erhalten; ② Daten lokal speichern, um den Datenschutz zu gewährleisten; ③ Robustheitsmechanismen einführen, um sich gegen bösartige Trainer zu schützen; ④ Durch ZKP die Überprüfbarkeit von Schlüsselberechnungen wie Modellaggregation, Anomalieerkennung und Beitragsbewertung sicherstellen; ⑤ In Bezug auf Effizienz und Allgemeingültigkeit für heterogene Daten und verschiedene Lernaufgaben anwendbar sein.

Der tokenisierte Wert im Full-Stack-AI
Das Token-Mechanismus von ChainOpera operiert rund um fünf Wertströme (LaunchPad, Agent API, Model Serving, Contribution, Model Training), wobei der Kern auf Servicegebühren, Bestätigung von Beiträgen und Ressourcenverteilung liegt und nicht auf spekulativen Renditen.

  • AI-Nutzer: Zugriff auf Dienste oder Abonnements von Anwendungen mit Token und Beiträgen zur Ökologie durch Bereitstellung/Markierung/Staking von Daten.

  • Agent/Anwendungsentwickler: Entwickeln mit der Rechenleistung und Daten der Plattform und erhalten Protokollanerkennung für ihre Beiträge in Form von Agenten, Anwendungen oder Datensätzen.

  • Ressourcenanbieter: Beitrag von Rechenleistung, Daten oder Modellen, um transparente Aufzeichnungen und Anreize zu erhalten.

  • Governance-Teilnehmer (Community & DAO): Teilnahme an Abstimmungen, Mechanikgestaltung und Öko-Koordination durch Token.

  • Protokollschicht (COAI): Aufrechterhaltung der nachhaltigen Entwicklung durch Servicegebühren und Nutzung automatisierter Verteilungsmechanismen zur Balance von Angebot und Nachfrage.

  • Knoten und Validatoren: Bereitstellung von Validierungs-, Rechen- und Sicherheitsdiensten, um die Zuverlässigkeit des Netzwerks sicherzustellen.

Protokoll-Governance

ChainOpera verwendet DAO-Governance, um durch Token-Staking an Vorschlägen und Abstimmungen teilzunehmen, um Transparenz und Fairness bei Entscheidungen zu gewährleisten. Die Governance-Mechanismen umfassen: ein Rufsystem (um Beiträge zu validieren und zu quantifizieren), gemeinschaftliche Zusammenarbeit (Vorschläge und Abstimmungen zur Förderung der ökologischen Entwicklung), und Parameteranpassungen (Datenverwendung, Sicherheit und Verantwortung der Validatoren). Das übergeordnete Ziel ist es, Machtkonzentration zu vermeiden und Stabilität und gemeinschaftliche Mitgestaltung zu gewährleisten.

Acht. Teamhintergrund und Projektfinanzierung

Das ChainOpera-Projekt wurde von Professor Salman Avestimehr, der über umfangreiche Kenntnisse im Bereich föderiertes Lernen verfügt, und Dr. Aiden Chaoyang He gegründet. Weitere Kernteammitglieder kommen von UC Berkeley, Stanford, USC, MIT, Tsinghua University sowie von führenden akademischen und technologischen Institutionen wie Google, Amazon, Tencent, Meta, Apple und verfügen über Fähigkeiten in akademischer Forschung und praktischer Industrieerfahrung. Bis jetzt umfasst das Team von ChainOpera AI über 40 Personen.

Mitbegründer: Salman Avestimehr

Professor Salman Avestimehr ist Dean's Professor am Department of Electrical and Computer Engineering an der University of Southern California (USC) und Gründungsdirektor des USC-Amazon Trusted AI Centers. Er leitet auch das USC Information Theory and Machine Learning Lab (vITAL). Er ist Mitbegründer und CEO von FedML und hat 2022 TensorOpera/ChainOpera AI mitbegründet.

Professor Salman Avestimehr hat an der UC Berkeley EECS promoviert (Best Paper Award). Als IEEE Fellow hat er über 300 hochrangige Artikel in den Bereichen Informationstheorie, verteiltes Computing und föderiertes Lernen veröffentlicht, über 30.000 Zitationen erhalten und mehrere internationale Auszeichnungen wie PECASE, NSF CAREER, IEEE Massey Award gewonnen. Er hat die FedML-Open-Source-Plattform gegründet, die weitreichend in der medizinischen, finanziellen und Datenschutzberechnung eingesetzt wird und zu einer der Kerntechnologien von TensorOpera/ChainOpera AI geworden ist.

Mitbegründer: Dr. Aiden Chaoyang He

Dr. Aiden Chaoyang He ist Mitbegründer und Präsident von TensorOpera/ChainOpera AI, promoviert in Computerwissenschaften an der University of Southern California (USC) und ist der ursprüngliche Schöpfer von FedML. Seine Forschungsinteressen umfassen verteiltes und föderiertes Lernen, großangelegtes Modelltraining, Blockchain und Datenschutzberechnung. Vor seiner Gründung hatte er Forschungs- und Entwicklungspositionen bei Meta, Amazon, Google, Tencent inne und leitete mehrere internetbasierte Produkte und AI-Plattformen.

Im akademischen und industriellen Bereich hat Aiden über 30 Artikel veröffentlicht, die über 13.000 Zitationen auf Google Scholar erhalten haben, und mehrere Auszeichnungen wie das Amazon Ph.D. Fellowship, Qualcomm Innovation Fellowship sowie die besten Papierpreise von NeurIPS und AAAI gewonnen. Das von ihm geleitete FedML-Framework ist eines der am weitesten verbreiteten Open-Source-Projekte im Bereich des föderierten Lernens und unterstützt täglich 27 Milliarden Anfragen; er ist auch der Hauptautor des FedNLP-Frameworks und von Methoden zur parallelen Ausbildung hybrider Modelle, die in dezentralen AI-Projekten wie Sahara AI weit verbreitet sind.

Im Dezember 2024 gab ChainOpera AI bekannt, dass es 3,5 Millionen Dollar in einer Seed-Runde gesammelt hat, insgesamt 17 Millionen Dollar zusammen mit TensorOpera. Die Mittel werden verwendet, um eine Blockchain L1 und ein AI-Betriebssystem für dezentrale AI-Agenten aufzubauen. Diese Finanzierungsrunde wurde von Finality Capital, Road Capital und IDG Capital angeführt, während Begleiter wie Camford VC, ABCDE Capital, Amber Group, Modular Capital usw. beteiligt waren, unterstützt auch von namhaften Institutionen und Einzelinvestoren wie Sparkle Ventures, Plug and Play, USC und EigenLayer-Gründer Sreeram Kannan, BabylonChain-Mitbegründer David Tse usw. Das Team erklärte, dass diese Finanzierungsrunde dazu beitragen wird, die Vision einer „dezentralen AI-Ökologie, die von Ressourcenbeiträgen, Entwicklern und Nutzern gemeinsam co-own und co-create wird“ zu beschleunigen.

Neun. Analyse des Marktumfelds für föderiertes Lernen und AI-Agenten

Die Hauptvertreter des föderierten Lernens sind FedML, Flower, TFF und OpenFL. Unter ihnen ist FedML die vollständigste, die sowohl föderiertes Lernen, verteiltes großes Modelltraining als auch MLOps umfasst und sich gut für den industriellen Einsatz eignet; Flower ist leicht und benutzerfreundlich, die Community ist aktiv, es ist eher lehrreich und für kleine Experimente ausgelegt; TFF ist stark von TensorFlow abhängig, hat einen hohen akademischen Wert, aber schwache Industrialisierung; OpenFL konzentriert sich auf Medizin/Finanzen, betont Datenschutz-Compliance und hat ein eher geschlossenes Ökosystem. Insgesamt repräsentiert FedML den industriellen Alleskönner-Pfad, Flower betont Benutzerfreundlichkeit und Bildung, TFF ist akademisch orientiert, während OpenFL in Bezug auf Compliance in vertikalen Branchen Vorteile hat.

In Bezug auf Industrialisierung und Infrastruktur-Ebene zeichnet sich TensorOpera (Kommerzialisierung von FedML) durch die Erhaltung des technischen Erbes von Open-Source-FedML aus und bietet integrierte Fähigkeiten für Cloud-GPU-Planung, verteiltes Training, föderiertes Lernen und MLOps an. Das Ziel ist es, akademische Forschung mit industrieller Anwendung zu verbinden, um Entwicklern, kleinen und mittleren Unternehmen und dem Web3/DePIN-Ökosystem zu dienen. Insgesamt kann man sagen, dass TensorOpera eine „Kombination von Open-Source-FedML und Hugging Face + W&B“ darstellt und in Bezug auf vollständige, allgemeine Fähigkeiten für verteiltes Training und föderiertes Lernen unterscheidet sich von anderen Plattformen, die sich auf Gemeinschaft, Werkzeuge oder eine einzelne Branche konzentrieren.

In der Innovationsschicht versuchen ChainOpera und Flock, föderiertes Lernen mit Web3 zu verbinden, aber die Richtungen weisen deutliche Unterschiede auf. ChainOpera baut eine Full-Stack-AI-Agent-Plattform auf, die vier Schichten umfasst: Zugang, Soziale Interaktion, Entwicklung und Infrastruktur. Der Kernwert liegt darin, die Nutzer von „Konsumenten“ zu „Mitgestaltern“ zu machen und durch AI Terminal und Agent Social Network kooperatives AGI und gemeinschaftlich gebaute Ökosysteme zu erreichen; während Flock sich mehr auf blockchain-verbessertes föderiertes Lernen (BAFL) konzentriert, das den Datenschutz und Anreizmechanismen in einer dezentralen Umgebung betont und sich hauptsächlich auf die Zusammenarbeit bei Rechenleistung und Datenschichten konzentriert. ChainOpera tendiert mehr zur Umsetzung der Anwendung und Agent-Netzwerkschicht, während Flock sich auf die Verstärkung der unteren Training- und Datenschutzberechnungen konzentriert.

Auf der Ebene des Agenten-Netzwerks ist das branchenrepräsentativste Projekt das Olas-Netzwerk. ChainOpera, das aus dem föderierten Lernen stammt, baut einen Voll-Stack-Zyklus von Modellen – Rechenleistung – Agenten auf und nutzt das Agent Social Network als Experimentierfeld zur Erforschung der Interaktion und sozialen Zusammenarbeit zwischen mehreren Agenten; Olas Network stammt aus der DAO-Zusammenarbeit und der DeFi-Ökologie und positioniert sich als dezentrales autonomes Dienstnetzwerk, das durch Pearl umsetzbare DeFi-Ertragszenarien einführt und einen völlig anderen Weg im Vergleich zu ChainOpera zeigt.

Zehn. Analyse der Investitionslogik und potenzieller Risiken

Investitionslogik

Die Vorteile von ChainOpera liegen zunächst in ihrem technischen Schutz: Von FedML (dem Benchmark-Open-Source-Framework für föderiertes Lernen) über TensorOpera (unternehmensweite Full-Stack-AI-Infrastruktur) bis hin zu ChainOpera (Web3-Agenten-Netzwerk + DePIN + Tokenomics) hat sich ein einzigartiger kontinuierlicher Entwicklungsweg gebildet, der akademische Ansammlung, industrielle Umsetzung und kryptografische Erzählung vereint.

In Bezug auf die Anwendung und Benutzergröße hat AI Terminal bereits mehrere hunderttausend tägliche aktive Benutzer und ein Agent-Anwendungsecosystem der Größe tausend, und belegt den ersten Platz in der Kategorie AI im BNBChain DApp Bay mit klarem On-Chain-Wachstum und realem Handelsvolumen. Ihre multimodalen Szenarien, die den kryptonativen Bereich abdecken, könnten schrittweise auf ein breiteres Web2-Publikum übergreifen.

Im Bereich der ökologischen Zusammenarbeit hat ChainOpera die CO-AI-Allianz ins Leben gerufen, um mit Partnern wie io.net, Render, TensorOpera, FedML, MindNetwork usw. ein Mehrparteien-Netzwerkeffekt in Bezug auf GPU, Modelle, Daten und Datenschutzberechnung aufzubauen; gleichzeitig wird die Zusammenarbeit mit Samsung Electronics validiert, um multimodale GenAI auf mobilen Endgeräten zu demonstrieren und das Potenzial zur Erweiterung auf Hardware und Edge AI zu zeigen.

In Bezug auf Token und Wirtschaftsmodelle basiert ChainOpera auf dem Proof-of-Intelligence-Konsens, verteilt Anreize um fünf Wertströme (LaunchPad, Agent API, Model Serving, Contribution, Model Training) und bildet durch eine 1%-Plattform-Servicegebühr, Anreizverteilung und Liquiditätsunterstützung einen positiven Kreislauf, um einen einzelnen „Token-Handels“-Modus zu vermeiden und die Nachhaltigkeit zu steigern.

Potenzielle Risiken

Zunächst ist die technische Umsetzung schwierig. Die von ChainOpera vorgeschlagene fünfschichtige dezentrale Architektur ist umfassend, die interschichtliche Zusammenarbeit (insbesondere im Bereich der verteilten Inferenz und des Datenschutzes) weist weiterhin Herausforderungen hinsichtlich Leistung und Stabilität auf und wurde noch nicht in großem Umfang validiert.

Darüber hinaus muss die Benutzerbindung des Ökosystems weiterhin beobachtet werden. Obwohl das Projekt ein erstes Benutzerwachstum erzielt hat, bleibt abzuwarten, ob der Agent Marketplace und die Entwickler-Toolchain langfristig aktiv und qualitativ hochwertig bleiben. Derzeit konzentriert sich das Agent Social Network hauptsächlich auf textbasierte Konversationen, die von LLMs unterstützt werden. Die Benutzererfahrung und die langfristige Bindung müssen weiter verbessert werden. Wenn das Anreizsystem nicht ausreichend präzise gestaltet ist, könnte es zu einem Phänomen kommen, bei dem kurzfristige Aktivität hoch, aber der langfristige Wert unzureichend ist.

Schließlich ist die Nachhaltigkeit des Geschäftsmodells noch ungewiss. Derzeit basiert das Einkommen hauptsächlich auf Plattform-Servicegebühren und dem Kreislauf von Token, ein stabiler Cashflow wurde noch nicht gebildet. Im Vergleich zu Anwendungen wie AgentFi oder Payment, die stärker finanziell oder produktiv sind, muss der aktuelle Modus des Geschäftswerts weiter validiert werden; gleichzeitig befindet sich der mobile und Hardware-Ökosystem noch in der Erkundungsphase, die Marktentwicklung ist mit Unsicherheiten behaftet.

Haftungsausschluss: Dieser Artikel wurde mit der Unterstützung des AI-Tools ChatGPT-5 erstellt. Der Autor hat sich bemüht, die Informationen zu überprüfen und sicherzustellen, dass sie wahr und genau sind, aber Fehler können nicht ausgeschlossen werden. Es ist besonders zu beachten, dass der Kryptomarkt oft eine Abweichung zwischen den Fundamentaldaten eines Projekts und der Preisentwicklung auf dem Sekundärmarkt aufweist. Die Inhalte dieses Artikels dienen nur der Informationssammlung und dem akademischen/ Forschungsdialog und stellen keine Investitionsempfehlungen dar, noch sollten sie als Kauf- oder Verkaufsanregungen für Token angesehen werden.