Escrito por 0xjacobzhao | https://linktr.ee/0xjacobzhao
Em nosso relatório de junho "O Santo Graal da IA Cripto: Exploração Fronteiriça do Treinamento Descentralizado", discutimos o Aprendizado Federado—um paradigma de "descentralização controlada" posicionado entre treinamento distribuído e treinamento totalmente descentralizado. Seu princípio central é manter os dados locais enquanto agrega parâmetros centralmente, um design particularmente adequado para indústrias sensíveis à privacidade e pesadas em conformidade, como saúde e finanças.
Ao mesmo tempo, nossas pesquisas anteriores destacaram consistentemente a ascensão das Redes de Agentes. Seu valor reside em permitir que tarefas complexas sejam concluídas por meio de cooperação autônoma e divisão de trabalho entre múltiplos agentes, acelerando a mudança de "grandes modelos monolíticos" para "ecossistemas multiagentes".
O Aprendizado Federado, com suas bases de retenção de dados locais, incentivos baseados em contribuições, design distribuído, recompensas transparentes, proteção de privacidade e conformidade regulatória, estabeleceu uma base importante para colaboração multiparte. Esses mesmos princípios podem ser diretamente adaptados ao desenvolvimento de Redes de Agentes. A equipe da FedML tem seguido essa trajetória: evoluindo de raízes de código aberto para TensorOpera (uma camada de infraestrutura de IA para a indústria) e avançando ainda mais para ChainOpera (uma Rede de Agentes descentralizada).
Dito isso, as Redes de Agentes não são simplesmente uma extensão inevitável do Aprendizado Federado. Sua essência reside na colaboração autônoma e especialização de tarefas entre agentes, e também podem ser construídas diretamente sobre Sistemas Multiagentes (MAS), Aprendizado por Reforço (RL) ou mecanismos de incentivo baseados em blockchain.
I. Aprendizado Federado e a Pilha de Tecnologia de Agentes de IA
O Aprendizado Federado (FL) é uma estrutura para treinamento colaborativo sem centralizar dados. Seu princípio central é que cada participante treina um modelo localmente e envia apenas parâmetros ou gradientes a um servidor coordenador para agregação, garantindo assim que "os dados permaneçam dentro de seu domínio" e atendam aos requisitos de privacidade e conformidade.
Após ter sido testado em setores como saúde, finanças e aplicações móveis, o FL entrou em uma fase relativamente madura de comercialização. No entanto, ainda enfrenta desafios como alta sobrecarga de comunicação, garantias de privacidade incompletas e gargalos de eficiência causados por dispositivos heterogêneos.
Comparado a outros paradigmas de treinamento:
O treinamento distribuído enfatiza clusters de computação centralizados para maximizar eficiência e escala.
O treinamento descentralizado alcança colaboração totalmente distribuída através de redes de computação abertas.
O aprendizado federado está entre eles, funcionando como uma forma de "descentralização controlada": satisfaz os requisitos industriais de privacidade e conformidade enquanto permite colaboração interinstitucional, tornando-se mais adequado como uma arquitetura de implantação transicional.
Pilha de Protocólo de Agentes de IA
Em nossas pesquisas anteriores, categorizamos a pilha de protocolo de Agentes de IA em três camadas principais:
1. Camada de Infraestrutura (Camada de Infraestrutura de Agentes)
O suporte de tempo de execução fundamental para agentes, servindo como a base técnica de todos os sistemas de Agentes.
Módulos Centrais:
Framework de Agente – ambiente de desenvolvimento e tempo de execução para agentes.
Sistema Operacional de Agente – agendamento multitarefa em nível mais profundo e tempo de execução modular, fornecendo gerenciamento de ciclo de vida para agentes.
Módulos de Suporte:
Agente DID (identidade descentralizada)
Carteira de Agente & Abstração (abstração de conta & execução de transação)
Pagamento/Settle de Agente (capacidades de pagamento e liquidação)
2. Camada de Coordenação & Execução
Foca na colaboração entre agentes, agendamento de tarefas e sistemas de incentivo — chave para construir inteligência coletiva entre agentes.
Orquestração de Agentes: Orquestração centralizada e gerenciamento de ciclo de vida, alocação de tarefas e execução de fluxos de trabalho — adequado para ambientes controlados.
Enxame de Agentes: Estrutura de colaboração distribuída enfatizando autonomia, divisão de trabalho e coordenação resiliente — adequada para ambientes complexos e dinâmicos.
Camada de Incentivo de Agentes: Camada econômica da rede de agentes que incentiva desenvolvedores, executores e validadores, garantindo crescimento sustentável do ecossistema.
3. Camada de Aplicação & Distribuição
Cobre canais de distribuição, aplicações para usuários finais e produtos voltados para o consumidor.
Subcamada de Distribuição: Lançamentos de Agentes, Mercados de Agentes, Redes de Plugins de Agentes
Subcamada de Aplicação: AgentFi, DApps nativos de agências, Agente como Serviço
Subcamada do Consumidor: Agentes sociais/consumidores, focados em cenários leves para o usuário final
Subcamada de Meme: Projetos "Agente" impulsionados por hype, com pouca tecnologia ou aplicação real — principalmente orientados para marketing.
II. Benchmark de Aprendizado Federado: FedML e a Plataforma de Pilha Completa TensorOpera
FedML é um dos primeiros frameworks de código aberto para Aprendizado Federado (FL) e treinamento distribuído. Originado de uma equipe acadêmica na USC, evoluiu gradualmente para o produto central da TensorOpera AI através da comercialização.
Para pesquisadores e desenvolvedores, a FedML fornece ferramentas de colaboração para treinamento de dados entre instituições e dispositivos. Na academia, a FedML tornou-se uma plataforma experimental amplamente adotada para pesquisa em FL, aparecendo frequentemente em conferências de alto nível como NeurIPS, ICML e AAAI. Na indústria, conquistou uma forte reputação em campos sensíveis à privacidade, como saúde, finanças, IA em borda e IA Web3 — posicionando-se como a ferramenta padrão para aprendizado federado.
TensorOpera representa a evolução comercial da FedML, atualizada para uma plataforma de infraestrutura de IA de pilha completa para empresas e desenvolvedores. Enquanto retém suas capacidades de aprendizado federado, se estende para mercados de GPU, serviços de modelo e MLOps, expandindo assim para o mercado mais amplo da era LLM e Agente.
Sua arquitetura geral está estruturada em três camadas: Camada de Computação (fundação), Camada de Agendador (coordenação) e Camada MLOps (aplicação).
Camada de Computação (Fundação)
A camada de Computação forma a espinha dorsal técnica da TensorOpera, continuando o DNA de código aberto da FedML.Funções Centrais: Servidor de Parâmetros, Treinamento Distribuído, Ponto de Inferência e Servidor de Agregação.
Proposta de Valor: Fornece treinamento distribuído, aprendizado federado que preserva a privacidade e um motor de inferência escalável. Juntas, essas capacidades suportam as três capacidades centrais de Treinar / Implantar / Federar, cobrindo toda a linha de produção desde o treinamento até a implantação de modelos e colaboração entre instituições.
Camada de Agendador (Coordenação)
A camada de Agendador atua como o mercado de computação e centro de agendamento, composta por Marketplace de GPU, Provisionamento, Agente Mestre e módulos de Agendamento & Orquestração.Capacidades: Permite alocação de recursos entre nuvens públicas, provedores de GPU e contribuintes independentes.
Significado: Isso marca o passo crucial de FedML para TensorOpera — suportando treinamento e inferência de IA em larga escala através de agendamento e orquestração inteligentes, cobrindo cargas de trabalho de LLM e IA generativa.
Potencial de Tokenização: O modelo "Compartilhe & Ganhe" deixa uma interface de mecanismo de incentivo aberta, mostrando compatibilidade com DePIN ou modelos mais amplos da Web3.
Camada MLOps (Aplicação)
A camada MLOps fornece serviços de face direta para desenvolvedores e empresas, incluindo Serviço de Modelo, Agentes de IA e módulos de Estúdio.Aplicações: chatbots LLM, IA generativa multimodal e ferramentas de copiloto para desenvolvedores.
Proposta de Valor: Abstrai capacidades de computação e treinamento de baixo nível em APIs e produtos de alto nível, reduzindo a barreira de uso. Oferece agentes prontos para uso, ambientes de baixo código e soluções de implantação escaláveis.
Posicionamento: Comparável a plataformas de infraestrutura de nova geração de IA como Anyscale, Together e Modal — servindo como a ponte da infraestrutura para aplicações.
Em março de 2025, a TensorOpera foi atualizada para uma plataforma de pilha completa orientada para Agentes de IA, com seus produtos principais cobrindo o App AgentOpera AI, Framework e Plataforma:
Camada de Aplicação: Fornece pontos de entrada multiagente semelhantes ao ChatGPT.
Camada de Framework: Evolui para um "SO Agente" através de sistemas multiagentes estruturados em grafos e módulos de Orquestrador/Roteador.
Camada de Plataforma: Integra-se profundamente com a plataforma de modelo TensorOpera e FedML, permitindo serviços de modelo distribuído, otimização de RAG e implantação híbrida de edge–cloud.
A visão geral é construir "um sistema operacional, uma rede de agentes", permitindo que desenvolvedores, empresas e usuários co-criem o ecossistema de IA Agente de próxima geração em um ambiente aberto e que preserva a privacidade.
III. O Ecossistema ChainOpera AI: De Co-Criadores e Co-Proprietários à Fundação Técnica
Se a FedML representa o núcleo técnico, fornecendo as fundações de código aberto do aprendizado federado e do treinamento distribuído; e a TensorOpera abstrai os resultados de pesquisa da FedML em uma infraestrutura de IA comercializada e de pilha completa — então a ChainOpera leva essa capacidade de plataforma para a cadeia.
Ao combinar Terminais de IA + Redes Sociais de Agentes + camadas de computação/dados baseadas em DePIN + blockchains nativas de IA, a ChainOpera busca construir um ecossistema de Rede de Agentes descentralizado.
A mudança fundamental é esta: enquanto a TensorOpera permanece principalmente orientada para empresas e desenvolvedores, a ChainOpera aproveita a governança e mecanismos de incentivo ao estilo Web3 para incluir usuários, desenvolvedores, provedores de GPU e contribuintes de dados como co-criadores e co-proprietários. Dessa forma, os Agentes de IA não são apenas "usados", mas também "co-criados e co-propriedade".
Ecossistema Co-Criador
Através de sua Plataforma de Modelos & GPU e Plataforma de Agentes, a ChainOpera fornece ferramentas, infraestrutura e camadas de coordenação para criação colaborativa. Isso possibilita treinamento de modelos, desenvolvimento de agentes, implantação e escalonamento cooperativo.
Os co-criadores do ecossistema incluem:
Desenvolvedores de Agentes de IA – projetam e operam agentes.
Provedores de Ferramentas & Serviços – templates, MCPs, bases de dados, APIs.
Desenvolvedores de Modelos – treinam e publicam cartões de modelo.
Provedores de GPU – contribuem com poder de computação via DePIN ou parcerias de nuvem Web2.
Contribuintes de Dados & Anotadores – carregam e rotulam conjuntos de dados multimodais.
Juntos, esses três pilares — desenvolvimento, computação e dados — impulsionam o crescimento contínuo da rede de agentes.
Ecossistema Co-Proprietário
A ChainOpera também introduz um mecanismo de co-propriedade por meio da participação compartilhada na construção da rede.
Criadores de Agentes de IA (indivíduos ou equipes) projetam e implantam novos agentes via a Plataforma de Agentes, lançando e mantendo-os enquanto impulsionam inovação funcional e a nível de aplicação.
Participantes de Agentes de IA (da comunidade) se juntam aos ciclos de vida de agentes adquirindo e mantendo Unidades de Acesso, apoiando o crescimento e a atividade do agente por meio de uso e promoção.
Essas duas funções representam o lado da oferta e o lado da demanda, formando juntas um modelo de compartilhamento de valor e co-desenvolvimento dentro do ecossistema.
Parceiros do Ecossistema: Plataformas e Estruturas
ChainOpera colabora amplamente para melhorar usabilidade, segurança e integração com Web3:
O App Terminal de IA combina carteiras, algoritmos e plataformas de agregação para fornecer recomendações de serviços inteligentes.
A Plataforma de Agentes integra ferramentas de múltiplos frameworks e de baixo código para reduzir a barreira de desenvolvimento.
TensorOpera AI alimenta treinamento e inferência de modelos.
FedML serve como parceiro exclusivo, permitindo treinamento preservando a privacidade entre instituições e dispositivos.
O resultado é um ecossistema aberto equilibrando aplicações de nível empresarial com experiências de usuário nativas da Web3.
Pontos de Entrada de Hardware: Hardware de IA & Parceiros
Através de Telefones DeAI, dispositivos vestíveis e parceiros de IA robótica, a ChainOpera integra blockchain e IA em terminais inteligentes. Esses dispositivos possibilitam interação com dApps, treinamento em borda e proteção de privacidade, formando gradualmente um ecossistema de hardware de IA descentralizado.
Plataformas Centrais e Fundação Técnica
Plataforma GenAI da TensorOpera – fornece serviços de pilha completa em MLOps, Agendador e Computação; suporta treinamento e implantação de modelos em larga escala.
Plataforma FedML da TensorOpera – plataforma de aprendizado federado/distribuído de grau empresarial, permitindo treinamento preservando a privacidade entre organizações/dispositivos e servindo como uma ponte entre academia e indústria.
FedML Open Source – a biblioteca de ML federada/distribuída líder globalmente, servindo como a base técnica do ecossistema com um framework de código aberto confiável e escalável.
Estrutura do Ecossistema da ChainOpera AI
IV. Produtos Centrais da ChainOpera e Infraestrutura de Agente de IA de Pilha Completa
Em junho de 2025, a ChainOpera lançou oficialmente seu App Terminal de IA e pilha técnica descentralizada, posicionando-se como uma "OpenAI Descentralizada." Seus produtos principais abrangem quatro módulos:
Camada de Aplicação – Terminal de IA & Rede de Agentes
Camada de Desenvolvedor – Centro de Criadores de Agentes
Camada de Modelo & GPU – Rede de Modelos & Computação
Protocolo CoAI & Cadeia Dedicada
Juntas, essas módulos cobrem o ciclo completo desde os pontos de entrada do usuário até a computação subjacente e incentivos em cadeia.
App Terminal de IA
Já integrado com a BNB Chain, o Terminal de IA suporta transações em cadeia e agentes nativos de DeFi. O Centro de Criadores de Agentes está aberto a desenvolvedores, fornecendo capacidades MCP/HUB, base de conhecimento e RAG, com integração contínua de agentes construídos pela comunidade. Enquanto isso, a ChainOpera lançou a Aliança CO-AI, parceria com io.net, Render, TensorOpera, FedML e MindNetwork.
De acordo com os dados on-chain do BNB DApp Bay (últimos 30 dias): 158.87K usuários únicos, 2.6M transações e classificado como #2 em toda a categoria "Agente de IA" no BSC, isso demonstra forte e crescente atividade on-chain.
Aplicativo Super Agente de IA – Terminal de IA 👉 chat.chainopera.ai
Posicionada como um ChatGPT descentralizado + Hub Social de IA, o Terminal de IA fornece: Colaboração multimodal, incentivos de contribuição de dados, integração de ferramentas DeFi, assistência cross-platform, colaboração de agentes que preservam a privacidade (Seus Dados, Seu Agente). Os usuários podem chamar diretamente o modelo de código aberto DeepSeek-R1 e agentes construídos pela comunidade a partir de móveis. Durante as interações, tanto tokens de linguagem quanto tokens cripto circulam de forma transparente em cadeia.
Valor Central: transforma usuários de "consumidores de conteúdo" em "co-criadores inteligentes." Aplicável em DeFi, RWA, PayFi, e-commerce e outros domínios via redes de agentes personalizadas.
Rede Social de Agentes de IA 👉 chat.chainopera.ai/agent-social-network
Visualizado como LinkedIn + Messenger para Agentes de IA. Fornece espaços de trabalho virtuais e mecanismos de colaboração Agente a Agente (MetaGPT, ChatDEV, AutoGEN, Camel). Evolui agentes únicos em redes cooperativas multiagentes que abrangem finanças, jogos, e-commerce e pesquisa. Gradualmente melhora a memória e autonomia.
Plataforma de Desenvolvedor de Agentes de IA👉 agent.chainopera.ai
Projetado como uma experiência de criação "estilo LEGO" para desenvolvedores. Suporta extensões sem código e modulares, contratos inteligentes em blockchain garantem direitos de propriedade, DePIN + infraestrutura em nuvem reduzem barreiras de entrada e o Marketplace permite descoberta e distribuição.
Valor Central: capacita desenvolvedores a alcançar rapidamente usuários, com contribuições registradas e recompensadas de forma transparente.
Plataforma de Modelos de IA & GPU 👉 platform.chainopera.ai
Servindo como a camada de infraestrutura, combina DePIN e aprendizado federado para abordar a dependência da IA Web3 em computação centralizada. As capacidades incluem: Rede de GPU distribuída, treinamento de dados que preserva a privacidade, mercado de modelos e dados, MLOps de ponta a ponta.
Visão: mudar de "monopólio da grande tecnologia" para "infraestrutura orientada pela comunidade" — permitindo colaboração multiagente e IA personalizada.
Visão Geral da Arquitetura de Pilha Completa da ChainOpera
V. Roteiro da ChainOpera AI
Além da já lançada plataforma de Agente de IA de pilha completa, a ChainOpera AI mantém uma crença firme de que a Inteligência Artificial Geral (AGI) surgirá de redes colaborativas multimodais e multiagentes. Seu roteiro de longo prazo está estruturado em quatro fases:
Fase I (Computação → Capital):
Construir infraestrutura descentralizada: redes DePIN de GPU, aprendizado federado, plataformas de treinamento/inferência distribuídas.
Introduzir um Roteador de Modelo para coordenar inferência multi-final.
Incentivar provedores de computação, modelo e dados com compartilhamento de receita baseado em uso.
Fase II (Apps Agentes → Economia Colaborativa de IA):
Lançar Terminal de IA, Mercado de Agentes e Rede Social de Agentes, formando um ecossistema de aplicação multiagente.
Implantar o Protocolo CoAI para conectar usuários, desenvolvedores e provedores de recursos.
Introduzir correspondência entre usuários e desenvolvedores e um sistema de crédito, permitindo interações de alta frequência e atividade econômica sustentável.
Fase III (IA Colaborativa → IA Nativa de Cripto):
Expandir para cenários DeFi, RWA, pagamentos e e-commerce.
Estender para casos de uso impulsionados por KOL e troca de dados pessoais.
Desenvolver LLMs especializados em finanças/cripto e lançar pagamentos entre agentes e sistemas de carteira, desbloqueando aplicações de "Crypto AGI".
Fase IV (Ecossistemas → Economias de IA Autônomas):
Evoluir para economias de sub-redes autônomas, cada sub-rede se especializando em aplicações, infraestrutura, computação, modelos ou dados.
Habilitar governança de sub-rede e operações tokenizadas, enquanto protocolos entre sub-rede suportam interoperabilidade e cooperação.
Estender de IA Agente para IA Física (robótica, condução autônoma, aeroespacial).
Isenção de Responsabilidade: Este roteiro é apenas para referência. Os cronogramas e funcionalidades podem se ajustar dinamicamente às condições de mercado e não constituem uma garantia de entrega.
VI. Incentivos de Token e Governança de Protocolo
A ChainOpera ainda não lançou um plano completo de incentivos de token, mas seu Protocolo CoAI centra-se em "co-criação e co-propriedade." As contribuições são registradas de forma transparente e verificáveis via blockchain e um mecanismo de Prova de Inteligência (PoI). Desenvolvedores, provedores de computação, contribuintes de dados e provedores de serviços são compensados com base em métricas de contribuição padronizadas. Usuários consomem serviços. Provedores de recursos sustentam operações. Desenvolvedores constroem aplicações. Todos os participantes compartilham dividendos de crescimento do ecossistema. A plataforma se sustenta através de uma taxa de serviço de 1%, recompensas de alocação e suporte à liquidez — construindo um ecossistema de IA descentralizado aberto, justo e colaborativo.
Estrutura de Prova de Inteligência (PoI)
PoI é o mecanismo de consenso central da ChainOpera sob o Protocolo CoAI, projetado para estabelecer um sistema de incentivo e governança transparente, justo e verificável para IA descentralizada. Ele estende a Prova de Contribuição para um framework colaborativo de aprendizado de máquina habilitado por blockchain, abordando questões persistentes do aprendizado federado: incentivos insuficientes, riscos de privacidade e falta de verificabilidade.
Design Central:
Ancorado em contratos inteligentes, integrado com armazenamento descentralizado (IPFS), nós de agregação e provas de conhecimento zero (zkSNARKs).
Alcança cinco objetivos principais:
Recompensas justas baseadas na contribuição, garantindo que os treinadores sejam incentivados por melhorias reais do modelo.
Os dados permanecem locais, garantindo proteção de privacidade.
Mecanismos de robustez contra participantes maliciosos (envenenamento, ataques de agregação).
Verificação ZKP para processos críticos: agregação de modelos, detecção de anomalias, avaliação de contribuições.
Eficiência e generalidade em dados heterogêneos e diversas tarefas de aprendizado.
Fluxos de Valor do Token em AI de Pilha Completa
O design de token da ChainOpera é ancorado na utilidade e reconhecimento da contribuição, não na especulação. Gira em torno de cinco fluxos de valor principais:
LaunchPad – para iniciação de agentes/aplicações.
API de Agente – acesso a serviços e integração.
Serviço de Modelo – taxas de inferência e implantação.
Contribuição – anotação de dados, compartilhamento de computação ou entrada de serviço.
Treinamento de Modelo – tarefas de treinamento distribuído.
Partes Interessadas:
Usuários de IA – gastam tokens para acessar serviços ou se inscrever em aplicativos; contribuem fornecendo/rotulando/staking dados.
Desenvolvedores de Agentes & Aplicativos – usam computação/dados para desenvolvimento; recompensados por contribuir com agentes, aplicativos ou conjuntos de dados.
Provedores de Recursos – contribuem com computação, dados ou modelos; recompensados de forma transparente.
Participantes de Governança (Comunidade & DAO) – usam tokens para votar, moldar mecanismos e coordenar o ecossistema.
Camada de Protocólo (CoAI) – sustenta o desenvolvimento através de taxas de serviço e equilibrar automaticamente oferta/demanda.
Nós & Validadores – garantem a segurança da rede fornecendo validação, computação e serviços de segurança.
Governança do Protocolo
A ChainOpera adota governança baseada em DAO, onde o staking de tokens permite participação em propostas e votação, garantindo transparência e justiça.
Os mecanismos de governança incluem:
Sistema de Reputação – valida e quantifica contribuições.
Colaboração Comunitária – propostas e votos impulsionam a evolução do ecossistema.
Ajustes de Parâmetro – cobrindo uso de dados, segurança e responsabilidade do validador.
O objetivo geral: prevenir a concentração de poder, garantir a estabilidade do sistema e sustentar a co-criação da comunidade.
VIII. Histórico da Equipe e Financiamento do Projeto
O projeto ChainOpera foi co-fundado pelo Professor Salman Avestimehr, um acadêmico de destaque em aprendizado federado, e pelo Dr. Aiden Chaoyang He. A equipe central abrange formações acadêmicas e industriais de instituições como UC Berkeley, Stanford, USC, MIT, Universidade Tsinghua e líderes de tecnologia, incluindo Google, Amazon, Tencent, Meta e Apple. A equipe combina profunda expertise em pesquisa com extensas capacidades de execução na indústria e cresceu para mais de 40 membros até o momento.
Co-Fundador: Professor Salman Avestimehr
Título & Funções: Professor Decano de Engenharia Elétrica & de Computação na Universidade do Sul da Califórnia (USC), Diretor Fundador do Centro USC-Amazon em IA Confiável e chefe do laboratório vITAL (Teoria da Informação & Aprendizado de Máquina) na USC.
Empreendedorismo: Co-Fundador & CEO da FedML e, em 2022, cofundou a TensorOpera/ChainOpera AI.
Educação & Honrarias: Ph.D. em EECS pela UC Berkeley (Prêmio de Melhor Dissertação). Membro do IEEE com mais de 300 publicações em teoria da informação, computação distribuída e aprendizado federado, citadas mais de 30.000 vezes. Recipiente do PECASE, Prêmio NSF CAREER e Prêmio Massey do IEEE, entre outros.
Contribuições: Criador do framework de código aberto FedML, amplamente adotado em saúde, finanças e IA que preserva a privacidade, que se tornou uma base fundamental para TensorOpera/ChainOpera AI.
Co-Fundador: Dr. Aiden Chaoyang He
Título & Funções: Co-Fundador & Presidente da TensorOpera/ChainOpera AI; Ph.D. em Ciência da Computação pela USC; criador original da FedML.
Foco de Pesquisa: Aprendizado distribuído & federado, treinamento de modelos em larga escala, blockchain e computação que preserva a privacidade.
Experiência na Indústria: Anteriormente ocupou funções de P&D na Meta, Amazon, Google, Tencent; atuou em posições centrais de engenharia e gerenciamento na Tencent, Baidu e Huawei, liderando a implantação de múltiplos produtos e plataformas de IA em escala de internet.
Impacto Acadêmico: Publicou mais de 30 artigos com mais de 13.000 citações no Google Scholar. Recipiente da Bolsa de Doutorado da Amazon, Bolsa de Inovação da Qualcomm e Prêmios de Melhor Artigo em NeurIPS e AAAI.
Contribuições Técnicas: Liderou o desenvolvimento de FedML, um dos frameworks de código aberto mais amplamente utilizados em aprendizado federado, suportando 27 bilhões de solicitações diárias.Contribuidor central para FedNLP e métodos de treinamento paralelo híbrido de modelos, aplicados em projetos de IA descentralizados como Sahara AI..
Em dezembro de 2024, a ChainOpera AI anunciou a conclusão de uma rodada de financiamento semente de $3,5M, elevando seu total de financiamento (combinado com a TensorOpera) para $17M. Os fundos serão direcionados para construir uma camada blockchain 1 e um sistema operacional de IA para Agentes de IA descentralizados.
Investidores Principais: Finality Capital, Road Capital, IDG Capital
Outros Participantes: Camford VC, ABCDE Capital, Amber Group, Modular Capital
Apoiadores Estratégicos: Sparkle Ventures, Plug and Play, USC
Investidores Individuais Notáveis: Sreeram Kannan, Fundador da EigenLayer e David Tse, Co-Fundador da BabylonChain
A equipe afirmou que esta rodada acelerará sua visão de criar um ecossistema de IA descentralizado onde provedores de recursos, desenvolvedores e usuários co-propriem e co-criem.
IX. Análise da Paisagem do Mercado: Aprendizado Federado e Redes de Agentes de IA
Paisagem de Aprendizado Federado
O campo de aprendizado federado (FL) é moldado por quatro estruturas principais. A FedML é a mais abrangente, combinando FL, treinamento de grandes modelos distribuídos e MLOps, tornando-se pronta para empresas. Flower é leve e amplamente usada no ensino e experimentos em pequena escala. TFF (TensorFlow Federated) é academicamente valiosa, mas fraca na industrialização. OpenFL visa saúde e finanças, com fortes recursos de conformidade, mas um ecossistema fechado. Em suma: a FedML é o coringa industrial, a Flower enfatiza a facilidade de uso, a TFF permanece acadêmica e a OpenFL se destaca em conformidade vertical.
Plataformas da Indústria & Infraestrutura
TensorOpera, a evolução comercial da FedML, integra agendamento de GPU em nuvem cruzada, treinamento distribuído, aprendizado federado e MLOps em uma pilha unificada. Posicionado como uma ponte entre pesquisa e indústria, atende desenvolvedores, PMEs e ecossistemas Web3/DePIN. Eficazmente, TensorOpera é como "Hugging Face + W&B" para aprendizado federado e distribuído, oferecendo uma plataforma mais completa e de uso geral do que alternativas específicas de ferramentas ou setores.
Camada de Inovação: ChainOpera vs. Flock
ChainOpera e Flock ambos fundem FL com Web3, mas divergem em foco. ChainOpera constrói uma plataforma de Agente de IA de pilha completa, transformando usuários em co-criadores através do Terminal de IA e da Rede Social de Agentes. Flock centra-se no FL Aumentado por Blockchain (BAFL), enfatizando privacidade e incentivos na camada de computação e dados. Simplificando: ChainOpera enfatiza aplicações e redes de agentes, enquanto Flock foca em treinamento de baixo nível e computação que preserva a privacidade.
Paisagem de Aprendizado Federado & Infraestrutura de IA
Camada de Rede de Agentes: ChainOpera vs. Olas
No nível da rede de agentes, os projetos mais representativos são ChainOpera e Olas Network.
ChainOpera: enraizada no aprendizado federado, constrói um loop de pilha completa entre modelos, computação e agentes. Sua Rede Social de Agentes atua como um campo de testes para interação multiagente e colaboração social.
Rede Olas (Autonolas / Pearl): originada da colaboração DAO e do ecossistema DeFi, posicionada como uma rede de serviços autônomos descentralizada. Através da Pearl, oferece aplicações de agentes DeFi direto ao mercado — mostrando uma trajetória muito diferente da ChainOpera.
X. Tese de Investimento e Análise de Risco
Tese de Investimento
Fossa Técnica: A força da ChainOpera reside em seu caminho evolutivo único: de FedML (o framework de código aberto padrão para aprendizado federado) → TensorOpera (infraestrutura de IA de pilha completa de grau empresarial) → ChainOpera (redes de agentes habilitadas para Web3 + DePIN + tokenomics). Essa trajetória integra fundamentos acadêmicos, implantação industrial e narrativas nativas de cripto, criando um fosso diferenciado.
Aplicações & Escala de Usuários: O Terminal de IA já alcançou centenas de milhares de usuários ativos diários e um ecossistema próspero de mais de 1.000 aplicações de agentes. Ele ocupa o #1 na categoria de IA no DApp Bay da BNBChain, mostrando claro crescimento de usuários on-chain e atividade de transação verificável. Seus cenários multimodais, inicialmente enraizados em casos de uso nativos de cripto, têm o potencial de se expandir gradualmente para a base de usuários mais ampla da Web2.
Parcerias de Ecossistema: A ChainOpera lançou a Aliança CO-AI, fazendo parceria com io.net, Render, TensorOpera, FedML e MindNetwork para construir efeitos de rede multi-lados em GPUs, modelos, dados e computação que preserva a privacidade. Em paralelo, sua colaboração com a Samsung Electronics para validar a GenAI multimodal móvel demonstra potencial de expansão em hardware e IA em borda.
Modelo de Token & Econômico: A tokenomics da ChainOpera se baseia no consenso de Prova de Inteligência, com incentivos distribuídos em cinco fluxos de valor: LaunchPad, API de Agentes, Serviço de Modelo, Contribuição e Treinamento de Modelo. Uma taxa de serviço de 1% da plataforma, alocação de recompensas e suporte à liquidez formam um ciclo de feedback positivo, evitando depender de pura "especulação de tokens" e aumentando a sustentabilidade.
Riscos Potenciais
Riscos de execução técnica: A arquitetura descentralizada proposta de cinco camadas da ChainOpera abrange um amplo escopo. A coordenação entre camadas — especialmente na inferência distribuída para grandes modelos e treinamento que preserva a privacidade — ainda enfrenta desafios de desempenho e estabilidade e ainda não foi validada em escala.
Adesão do usuário e ecossistema: Embora o crescimento inicial de usuários seja notável, ainda é incerto se o Mercado de Agentes e a ferramenta de desenvolvedor podem sustentar atividade a longo prazo e contribuições de alta qualidade. A atual Rede Social de Agentes é principalmente impulsionada por diálogos textuais de LLM; a experiência do usuário e a retenção ainda precisam de refinamento. Sem incentivos cuidadosamente projetados, o ecossistema corre o risco de um hype de curto prazo sem valor a longo prazo.
Sustentabilidade do modelo de negócios: No momento, a receita depende principalmente de taxas de serviço da plataforma e circulação de tokens; fluxos de caixa estáveis ainda não estão estabelecidos. Comparado a aplicações focadas em AgenteFi ou Pagamento que carregam atributos financeiros ou de produtividade mais fortes, o modelo atual da ChainOpera ainda requer validação adicional de seu valor comercial. Além disso, o ecossistema móvel e de hardware permanece exploratório, deixando suas perspectivas de mercado incertas.
Isenção de Responsabilidade: Este relatório foi preparado com assistência de ferramentas de IA (ChatGPT-5). O autor fez todos os esforços para revisar e garantir a precisão, mas alguns erros ou omissões podem permanecer. Os leitores devem notar que os mercados de ativos cripto frequentemente apresentam divergência entre os fundamentos do projeto e o desempenho do token no mercado secundário. Este relatório é destinado apenas à consolidação de informações e discussão acadêmica/pesquisa. Não constitui aconselhamento de investimento, nem deve ser interpretado como uma recomendação para comprar ou vender qualquer token.