В июньском исследовании (Святой Грааль Crypto AI: передовые исследования децентрализованного обучения) мы упомянули федеративное обучение (Federated Learning) — это «контролируемая децентрализация», находящаяся между распределенным обучением и децентрализованным обучением: его суть заключается в локальном хранении данных и централизованной агрегации параметров, что соответствует требованиям конфиденциальности и соблюдения норм в таких областях, как медицина и финансы. В то же время мы продолжаем следить за ростом сети агентов (Agent) в наших предыдущих исследованиях — их ценность заключается в том, что с помощью автономии и разделения труда нескольких агентов можно совместно выполнять сложные задачи, способствуя эволюции от «большой модели» к «экосистеме многопользовательских агентов».

Федеративное обучение установило основу для многостороннего сотрудничества, основываясь на принципах «данные не покидают место хранения, стимулы по вкладу», его распределенные гены, прозрачные стимулы, защита конфиденциальности и практики соблюдения норм предоставляют опыт, который можно напрямую использовать в сети агентов. Команда FedML именно по этому пути преобразует открытый ген в TensorOpera (уровень инфраструктуры AI), а затем развивает его в ChainOpera (децентрализованная сеть агентов). Конечно, сеть агентов не является неизбежным расширением федеративного обучения, ее суть заключается в автономном сотрудничестве и распределении задач среди многопользовательских агентов, которые также могут быть построены непосредственно на основе систем многопользовательских агентов (MAS), обучения с подкреплением (RL) или механизмов стимулов на основе блокчейна.

I. Архитектура стека технологий федеративного обучения и AI-агентов

Федеративное обучение (Federated Learning, FL) — это фреймворк для совместной тренировки без централизованного хранения данных, его базовый принцип заключается в том, что все участники обучают модели локально, загружая только параметры или градиенты на координационный узел для агрегации, тем самым достигая конфиденциальности и соблюдения норм «данные не покидают область». После практики в типичных сценариях, таких как медицина, финансы и мобильные устройства, федеративное обучение достигло достаточно зрелой стадии коммерческого применения, но по-прежнему сталкивается с такими проблемами, как большие затраты на связь, недостаточная защита конфиденциальности и низкая эффективность сходимости из-за гетерогенности устройств. По сравнению с другими моделями обучения, распределенное обучение акцентирует внимание на концентрации вычислительной мощности для достижения эффективности и масштаба, децентрализованное обучение достигает полной распределенной кооперации через открытую сеть вычислительной мощности, в то время как федеративное обучение занимает промежуточное положение между ними, представляя собой «контролируемую децентрализацию»: оно может удовлетворить требования промышленности в области конфиденциальности и соблюдения норм, а также предлагает жизнеспособный путь для межучрежденческого сотрудничества, что более подходит для переходной архитектуры внедрения в промышленности.

В рамках всего протокольного стека AI агента мы разделяем его на три основных уровня, а именно

  • Уровень инфраструктуры (Agent Infrastructure Layer): этот уровень предоставляет наименьшую поддержку для работы агентов и является технологической основой для построения всех систем агентов.

  • Ключевые модули: включая Agent Framework (рамки для разработки и работы агентов) и Agent OS (более низкоуровневое многозадачное распределение и модульное время выполнения), предоставляющие основные возможности для управления жизненным циклом агентов.

  • Поддерживающие модули: такие как Agent DID (децентрализованная идентификация), Agent Wallet & Abstraction (абстракция учетной записи и выполнение транзакций), Agent Payment/Settlement (возможности оплаты и расчетов).

  • Уровень координации и планирования (Coordination & Execution Layer) фокусируется на сотрудничестве между многими агентами, планировании задач и механизмах системы стимулов, что является ключом к созданию "коллективного интеллекта" системы агентов.

  • Оркестрация агентов: это механизм управления, используемый для единого планирования и управления жизненным циклом агентов, распределением задач и процессом выполнения, подходящим для рабочих процессов с централизованным контролем.

  • Рои агентов: это структура сотрудничества, подчеркивающая распределенное сотрудничество агентов, обладающая высокой автономией, возможностью разделения труда и гибким сотрудничеством, подходящая для решения сложных задач в динамичной среде.

  • Слой стимулов для агентов: строит экономическую систему стимулов для сети агентов, побуждая разработчиков, исполнителей и валидаторов к активности, обеспечивая устойчивые силы для экосистемы агентов.

  • Уровень приложений (Application & Distribution Layer)

    • Подкатегории распределения: включая Agent Launchpad, Agent Marketplace и Agent Plugin Network

    • Подкатегории приложений: включая AgentFi, Agent Native DApp, Agent-as-a-Service и т.д.

    • Подкатегории потребления: в основном Agent Social / Consumer Agent, ориентированные на легкие сценарии потребительского общения.

    • Мем: использование концепции агента для спекуляции, отсутствуют реальные технические реализации и приложения, только маркетинговый драйв.

II. Эталон федеративного обучения FedML и полный стек платформы TensorOpera

FedML является одной из первых открытых платформ, ориентированных на федеративное обучение (Federated Learning) и распределенное обучение, возникшей в академической команде (USC) и постепенно ставшей основным продуктом TensorOpera AI. Она предоставляет исследователям и разработчикам инструменты для совместной тренировки данных между учреждениями и устройствами, в академической среде FedML часто появляется на таких конференциях, как NeurIPS, ICML и AAAI, став общепринятой экспериментальной платформой для исследований в области федеративного обучения; в индустрии FedML имеет хорошую репутацию в таких конфиденциальных сценариях, как медицина, финансы, крайний AI и Web3 AI, и считается эталоном инструментария в области федеративного обучения.

TensorOpera является полностековой платформой AI инфраструктуры для предприятий и разработчиков, основанной на коммерческом пути FedML: сохраняя возможности федеративного обучения, она расширяется до GPU Marketplace, услуг моделей и MLOps, тем самым проникая на более крупный рынок эры больших моделей и агентов. Общая архитектура TensorOpera делится на три уровня: Compute Layer (базовый уровень), Scheduler Layer (уровень планировщика) и MLOps Layer (уровень приложений).

1. Compute Layer (низкий уровень)
Уровень Compute является технологической основой TensorOpera, продолжая открытые гены FedML, его основные функции включают сервер параметров, распределенное обучение, конечную точку вывода и сервер агрегации. Его ценностное предложение заключается в предоставлении распределенного обучения, защиты конфиденциальности в федеративном обучении и масштабируемого движка вывода, поддерживающего три основные возможности: "Обучение / Развертывание / Федерация", охватывающее полный цикл от обучения модели, развертывания до межучрежденческого сотрудничества и являющееся базовым уровнем всей платформы.

2. Уровень планировщика (Scheduler Layer)
Уровень планировщика соответствует центру обмена и планирования вычислительной мощности, состоящему из GPU Marketplace, Provision, Master Agent и Schedule & Orchestrate, поддерживающему вызов ресурсов через публичные облака, поставщиков GPU и независимых участников. Этот уровень является ключевым поворотом FedML в TensorOpera, позволяющим реализовать более масштабное AI обучение и вывод, охватывающее типичные сценарии LLM и генеративного AI через интеллектуальное планирование вычислительной мощности и оркестрацию задач. В то же время, модель Share & Earn этого уровня оставляет место для интерфейса механизма стимулов, обладая потенциалом совместимости с DePIN или Web3 моделями.

3. MLOps Layer (верхний уровень)
MLOps уровень — это интерфейс обслуживания платформы, непосредственно ориентированный на разработчиков и предприятия, включая такие модули, как Model Serving, AI Agent и Studio. Типичные приложения охватывают LLM Chatbot, многомодальные генеративные AI и инструменты Copilot для разработчиков. Его ценность состоит в том, чтобы абстрагировать базовые вычислительные мощности и возможности обучения в высокоуровневые API и продукты, снижая барьеры использования, предоставляя готовых агентов, среды разработки с низким кодом и возможности развертывания, позиционируясь как мост между инфраструктурой и приложениями.

В марте 2025 года TensorOpera обновляется до полностековой платформы для AI-агентов, основные продукты которой охватывают AgentOpera AI App, Framework и Platform. Уровень приложений предоставляет многопользовательский вход, подобный ChatGPT, уровень фреймворка развивается в многопользовательскую систему графовой структуры и Orchestrator/Router в "Agentic OS", а уровень платформы глубоко интегрируется с платформой моделей TensorOpera и FedML, обеспечивая распределенные модели обслуживания, оптимизацию RAG и гибридное развертывание на краю облака. Общая цель заключается в создании "одной операционной системы, одной сети агентов", позволяющей разработчикам, предприятиям и пользователям совместно строить экосистему Agentic AI нового поколения в открытой среде с защитой конфиденциальности.

III. Панорама экосистемы ChainOpera AI: от соавторства до технологической базы

Если FedML является технологическим ядром, предоставляющим открытые гены для федеративного обучения и распределенного обучения; TensorOpera абстрагирует научные достижения FedML в коммерчески жизнеспособную полностековую AI инфраструктуру, то ChainOpera "переносит" возможности платформы TensorOpera на цепочку, создавая децентрализованную экосистему сети агентов через AI Terminal + Agent Social Network + DePIN модель и вычислительный уровень + AI-нативный блокчейн. Основное изменение заключается в том, что TensorOpera по-прежнему в основном ориентирован на предприятия и разработчиков, тогда как ChainOpera с помощью Web3 управления и механизмов стимулов включает пользователей, разработчиков, поставщиков GPU/данных в совместное создание и совместное управление, позволяя AI агентам не просто "использоваться", а "совместно создаваться и совместно владеть".

Экосистема соавторов (Co-creators)

ChainOpera AI предоставляет инструменты, инфраструктуру и координационный уровень для совместного создания экосистемы через Model & GPU Platform и Agent Platform, поддерживая обучение моделей, разработку агентов, развертывание и расширение сотрудничества.

Соавторы экосистемы ChainOpera охватывают разработчиков AI-агентов (проектирование и эксплуатация агентов), поставщиков инструментов и услуг (шаблоны, MCP, базы данных и API), разработчиков моделей (обучение и выпуск моделей), поставщиков GPU (вносить вычислительную мощность через DePIN и облачных партнеров Web2), а также поставщиков данных и аннотаторов (загрузка и аннотация многомодальных данных). Три основные категории предложения — разработка, вычислительная мощность и данные — совместно способствуют постоянному росту сети агентов.

Соавторы экосистемы (Co-owners)

Экосистема ChainOpera также вводит механизм соавторства, строя сеть через сотрудничество и участие. Создатели AI-агентов — это индивидуумы или команды, которые проектируют и разворачивают новые типы агентов через платформу агентов, отвечая за построение, запуск и постоянное обслуживание, тем самым способствуя инновациям функций и приложений. Участники AI-агентов приходят из сообщества, они участвуют в жизненном цикле агентов через получение и владение единицами доступа (Access Units), поддерживая рост и активность агентов в процессе использования и распространения. Эти две роли представляют собой предложение и спрос, совместно формируя модель совместного использования ценностей и совместного развития в экосистеме.

Партнеры экосистемы: платформа и фреймворк

ChainOpera AI сотрудничает с несколькими сторонами, усиливая доступность и безопасность платформы и уделяя внимание интеграции сценариев Web3: через AI Terminal App объединяет кошельки, алгоритмы и агрегированные платформы для реализации интеллектуальных рекомендаций услуг; на платформе агентов внедряет многообразные фреймворки и инструменты с нулевым кодом, снижающие барьеры для разработчиков; опираясь на TensorOpera AI для обучения моделей и вывода; и устанавливает эксклюзивное сотрудничество с FedML для поддержки конфиденциального обучения между учреждениями и устройствами. В целом формируется открытая экосистема, сочетающая корпоративные приложения и пользовательский опыт Web3.

Аппаратный вход: AI аппаратное обеспечение и партнеры (AI Hardware & Partners)
Через DeAI Phone, носимые устройства и Robot AI и других партнеров ChainOpera объединяет блокчейн и AI в интеллектуальных терминалах, обеспечивая взаимодействие dApp, обучение на стороне и защиту конфиденциальности, постепенно создавая децентрализованную экосистему AI в аппаратном обеспечении.

Центральная платформа и технологическая база: TensorOpera GenAI & FedML
TensorOpera предоставляет полностековую платформу GenAI, охватывающую MLOps, Scheduler и Compute; ее подсистема FedML выросла из академического открытого источника в индустриальную платформу, усилив способность AI "работать везде и масштабироваться в любое время".

Экосистема ChainOpera AI

IV. Основные продукты ChainOpera и полностековая инфраструктура AI-агентов

В июне 2025 года ChainOpera официально запустит AI Terminal App и децентрализованный технологический стек, позиционируясь как "децентрализованный OpenAI", основные продукты которого охватывают четыре основных модуля: уровень приложений (AI Terminal & Agent Network), уровень разработчиков (Agent Creator Center), уровень моделей и GPU (Model & Compute Network), а также протокол CoAI и специализированную цепочку, охватывающую полный замкнутый цикл от входа пользователя до базовых вычислительных мощностей и цепочного стимулирования.

AI Terminal App интегрирован с BNBChain, поддерживает транзакции на цепочке и сценарии DeFi для агентов. Центр создания агентов открыт для разработчиков, предлагая такие возможности, как MCP/HUB, базы знаний и RAG, а интеллектуальные агенты сообщества продолжают присоединяться; в то же время инициируется CO-AI Alliance, связывающая партнеров, таких как io.net, Render, TensorOpera, FedML, MindNetwork и другие.

По данным BNB DApp Bay за последние 30 дней, его количество уникальных пользователей составляет 158,87K, объем транзакций за последние 30 дней составил 2,6 миллиона, что ставит его на второе место в категории "AI Agent" на BSC, показывая высокую активность на цепочке.

Super AI Agent App – AI Terminal (https://chat.chainopera.ai/)
В качестве децентрализованного ChatGPT и AI социального входа AI Terminal предлагает многомодальное сотрудничество, стимулы за вклад данных, интеграцию инструментов DeFi, кросс-платформенные помощники и поддерживает сотрудничество AI-агентов и защиту конфиденциальности (Ваши данные, Ваш агент). Пользователи могут непосредственно вызывать открытые большие модели DeepSeek-R1 и общественные агенты на мобильных устройствах, а токены языка и токены криптовалюты перемещаются по цепочке прозрачно в процессе взаимодействия. Его ценность заключается в том, чтобы превратить пользователей из "потребителей контента" в "интеллектуальных соавторов", которые могут использовать собственные сети агентов в таких сценариях, как DeFi, RWA, PayFi и электронная коммерция.

AI Agent Social Network (https://chat.chainopera.ai/agent-social-network)
Позиционируется как подобие LinkedIn + Messenger, но ориентировано на сообщество AI агентов. Через виртуальное рабочее пространство и механизм сотрудничества Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel) способствует эволюции одиночного агента в сеть многопользовательского сотрудничества, охватывающую финансы, игры, электронную коммерцию, исследования и постепенно усиливающую память и автономию.

AI Agent Developer Platform (https://agent.chainopera.ai/)
Предоставляет разработчикам "конструкторский" опыт. Поддерживает нулевой код и модульное расширение, блокчейн-контракты обеспечивают право собственности, DePIN + облачная инфраструктура снижают барьер входа, Marketplace предоставляет каналы для распространения и обнаружения. Его суть заключается в том, чтобы быстро соединить разработчиков с пользователями, вклад в экосистему может быть прозрачно зафиксирован и вознагражден.

AI Model & GPU Platform (https://platform.chainopera.ai/)
В качестве уровня инфраструктуры, совмещая DePIN и федеративное обучение, решает проблему зависимости Web3 AI от централизованной вычислительной мощности. Через распределенные GPU, защиту конфиденциальности в обучении данных, рынок моделей и данных, а также MLOps от конца до конца поддерживает сотрудничество нескольких агентов и персонализированный AI. Его видение заключается в том, чтобы продвинуться от "монополии крупных предприятий" к "совместному строительству сообществ".

V. Планы по маршруту ChainOpera AI

Помимо уже запущенной полностековой платформы AI-агента, ChainOpera AI твердо верит, что универсальный искусственный интеллект (AGI) возникает из многостороннего сотрудничества многомодальных агентов. Поэтому ее долгосрочные планы по маршруту делятся на четыре этапа:

  • Этап первый (Compute → Capital): создание децентрализованной инфраструктуры, включая сеть GPU DePIN, платформу федеративного обучения и распределенного обучения/вывода, а также ввод модели маршрутизатора (Model Router) для координации многопользовательского вывода; через механизмы стимулов позволяет поставщикам вычислительной мощности, моделей и данных получать доход на основе объема использования.

  • Этап второй (Agentic Apps → Collaborative AI Economy): запуск AI Terminal, Agent Marketplace и Agent Social Network, формирование экосистемы многопользовательских приложений; через протокол CoAI соединяет пользователей, разработчиков и поставщиков ресурсов, вводит систему соответствия "потребности пользователя – разработчик" и кредитную систему, способствуя высокочастотным взаимодействиям и постоянной экономической активности.

  • Этап третий (Collaborative AI → Crypto-Native AI): внедрение в таких областях, как DeFi, RWA, платежи, электронная коммерция, а также расширение на сцены KOL и обмен личными данными; разработка специализированного LLM для финансов/криптовалют и запуск системы платежей Agent-to-Agent и кошельков, способствующих сценарию "Crypto AGI".

  • Этап четвертый (Экосистемы → Автономные AI-экономики): постепенная эволюция в автономные экономические подсети, каждая из которых независимо управляет, токенизирует и функционирует вокруг приложений, инфраструктуры, вычислительных мощностей, моделей и данных, а также сотрудничает через межсетевые протоколы, формируя экосистему многоуровневого сотрудничества; одновременно происходит переход от Agentic AI к Physical AI (роботы, автономное вождение, космические технологии).

Отказ от ответственности: этот дорожная карта предназначена только для справки, график и функции могут изменяться в зависимости от динамики рыночной среды и не представляют собой обязательства по выполнению.

VII. Стимулы токенов и управление протоколом

На данный момент ChainOpera еще не опубликовала полный план стимулов для токенов, но ее протокол CoAI основан на принципах "совместного создания и совместного владения", реализуя прозрачные и проверяемые записи о вкладе через блокчейн и механизм Proof-of-Intelligence: вклад разработчиков, вычислительных мощностей, данных и поставщиков услуг измеряется стандартным образом и вознаграждается, пользователи используют услуги, ресурсные стороны поддерживают работу, разработчики создают приложения, все участники делятся ростом прибыли; платформа поддерживает цикл через 1% сборов за услуги, распределение вознаграждений и ликвидности, способствуя открытому, справедливому и сотрудничеству в децентрализованной AI экосистеме.

Фреймворк обучения Proof-of-Intelligence

Proof-of-Intelligence (PoI) — это основная механика консенсуса, предложенная ChainOpera в рамках протокола CoAI, нацеленная на построение прозрачной, справедливой и проверяемой системы стимулов и управления для децентрализованного AI. Она основана на блокчейн-формате совместного машинного обучения Proof-of-Contribution (доказательство вклада) и призвана решить проблемы недостатка стимулов, рисков конфиденциальности и отсутствия верифицируемости, с которыми сталкивается федеративное обучение (FL) в реальных приложениях. Этот дизайн сосредоточен на смарт-контрактах, соединяя децентрализованное хранилище (IPFS), агрегирующие узлы и нулевое знание (zkSNARKs), достигая пяти основных целей: ① Справедливое распределение вознаграждений по вкладу, обеспечивая стимулы для тренеров на основе фактического улучшения модели; ② Сохранение локального хранения данных, предотвращение утечек конфиденциальности; ③ Введение механизма устойчивости для противодействия отравлению или агрегационным атакам со стороны злонамеренных тренеров; ④ Обеспечение верифицируемости ключевых вычислений, таких как агрегирование моделей, обнаружение аномалий и оценка вклада через ZKP; ⑤ Применимость к гетерогенным данным и различным задачам обучения как с точки зрения эффективности, так и универсальности.

Ценность токенов в полностековом AI
Механизм токенов ChainOpera работает вокруг пяти основных потоков ценностей (LaunchPad, Agent API, Model Serving, Contribution, Model Training), основная цель — сборы за услуги, подтверждение вклада и распределение ресурсов, а не спекулятивная прибыль.

  • AI Пользователи: доступ к услугам или подписка на приложения с использованием токенов, а также вклад в экосистему через предоставление/разметку/залог данных.

  • Агенты/разработчики приложений: используют вычислительные мощности и данные платформы для разработки и получают признание протокола за свой вклад в агента, приложения или набор данных.

  • Поставщики ресурсов: предоставляют вычислительную мощность, данные или модели и получают прозрачные записи и стимулы.

  • Участники управления (сообщество & DAO): участвуют в голосовании, проектировании механизмов и координации экосистемы через токены.

  • Протокольный уровень (COAI): поддерживает устойчивое развитие через сборы за услуги, используя автоматизированный механизм распределения для балансировки предложения и спроса.

  • Узлы и валидаторы: предоставляют услуги проверки, вычислительную мощность и безопасность, обеспечивая надежность сети.

Управление протоколом

ChainOpera использует управление DAO, позволяя участникам предлагать и голосовать, обеспечивая прозрачность и справедливость решений. Механизм управления включает: систему репутации (верификация и количественная оценка вклада), сотрудничество сообщества (предложения и голосование для развития экосистемы), настройка параметров (использование данных, безопасность и ответственность валидаторов). Общая цель заключается в том, чтобы избежать концентрации власти, поддерживать стабильность системы и совместное создание сообщества.

VIII. Фон команды и финансирование проекта

Проект ChainOpera был совместно основан профессором Салманом Авесимехром и доктором Хэ Чаояном (Aiden), обладающим глубокими знаниями в области федеративного обучения. Другие ключевые члены команды имеют опыт работы в университетах UC Berkeley, Stanford, USC, MIT, Цинхуа и в таких ведущих научных и технологических организациях, как Google, Amazon, Tencent, Meta, Apple, имея как академические исследования, так и практический опыт в индустрии. На данный момент команда ChainOpera AI насчитывает более 40 человек.

Соучредитель: Salman Avestimehr

Профессор Салман Авесимехр является Деканом факультета электротехники и вычислительной техники Университета Южной Калифорнии (USC) и основателем Центра Trusted AI USC-Amazon, а также руководит лабораторией теории информации и машинного обучения USC (vITAL). Он является соучредителем и генеральным директором FedML и в 2022 году совместно основал TensorOpera/ChainOpera AI.

Профессор Салман Авесимехр окончил аспирантуру UC Berkeley EECS (награда за лучшую статью). Как член IEEE, он опубликовал более 300 высококачественных статей в области теории информации, распределенных вычислений и федеративного обучения, с более чем 30 000 ссылок, и получил множество международных наград, таких как PECASE, NSF CAREER, IEEE Massey Award. Он был основателем открытого фреймворка FedML, который широко используется в медицинских, финансовых и конфиденциальных вычислениях, и стал основой технологий TensorOpera/ChainOpera AI.

Соучредитель: Dr. Aiden Chaoyang He

Dr. Aiden Chaoyang He является соучредителем и президентом TensorOpera/ChainOpera AI, доктором наук в области компьютерных наук USC, оригинальным создателем FedML. Его исследования охватывают распределенное и федеративное обучение, обучение больших моделей, блокчейн и защиту конфиденциальности. До начала предпринимательской деятельности он работал в Meta, Amazon, Google, Tencent, занимаясь разработкой, и занимал ключевые инженерные и управленческие должности в Tencent, Baidu, Huawei, руководя реализацией нескольких интернет-продуктов и AI платформ.

В академической и промышленной сферах Aiden опубликовал более 30 статей, количество ссылок в Google Scholar превышает 13 000, и он получил Amazon Ph.D. Fellowship, Qualcomm Innovation Fellowship и награды за лучшие статьи на NeurIPS, AAAI. Он руководил разработкой фреймворка FedML, который является одним из наиболее широко используемых открытых проектов в области федеративного обучения, поддерживая в среднем 27 миллиардов запросов в день; он также является основным автором фреймворка FedNLP и методов параллельного обучения смешанных моделей, широко используемых в таких децентрализованных AI проектах, как Sahara AI.

В декабре 2024 года ChainOpera AI объявила о завершении финансирования на сумму 3,5 миллиона долларов в рамках посевного раунда, общая сумма финансирования с TensorOpera достигла 17 миллионов долларов. Средства будут использованы для создания блокчейна L1 и операционной системы AI для децентрализованных AI агентов. Этот раунд финансирования был возглавлен Finality Capital, Road Capital и IDG Capital, среди соинвесторов — Camford VC, ABCDE Capital, Amber Group, Modular Capital и других известных учреждений и частных инвесторов, включая основателя Sparkle Ventures, основателя Plug and Play, USC и основателя EigenLayer Sreeram Kannan, а также соучредителя BabylonChain Давида Цзе. Команда заявила, что этот раунд финансирования ускорит реализацию видения «действительно децентрализованной AI экосистемы, совместно созданной и совместно используемой ресурсными вкладчиками, разработчиками и пользователями».

IX. Анализ рыночной структуры федеративного обучения и AI агентов

Главными представителями федеративного обучающего фреймворка являются FedML, Flower, TFF и OpenFL. Среди них FedML является наиболее полным, сочетая федеративное обучение, распределенное обучение больших моделей и MLOps, что подходит для практического применения в индустрии; Flower легок в использовании, со активным сообществом и ориентирован на обучение и небольшие эксперименты; TFF глубоко зависит от TensorFlow, имеет высокую академическую ценность, но слаб в индустриализации; OpenFL ориентирован на медицину/финансы, подчеркивая соблюдение конфиденциальности, экосистема довольно закрыта. В общем, FedML представляет собой промышленный уровень универсального подхода, Flower акцентирует внимание на удобстве и образовании, TFF сосредоточен на академических экспериментах, а OpenFL имеет преимущества в соблюдении норм в вертикальных отраслях.

На этапе индустриализации и инфраструктуры TensorOpera (коммерциализация FedML) отличается тем, что наследует технологическое наследие открытого FedML, предлагая интегрированные возможности кросс-облачного планирования GPU, распределенного обучения, федеративного обучения и MLOps, целью которого является мост между академическими исследованиями и промышленным применением, обслуживая разработчиков, малые и средние предприятия, а также экосистемы Web3/DePIN. В общем, TensorOpera можно рассматривать как сочетание "открытого FedML, Hugging Face + W&B", более полно и универсально в возможностях полного стека распределенного обучения и федеративного обучения, отличаясь от других платформ, сосредоточенных на сообществе, инструментах или одной отрасли.

Среди представителей уровня инноваций, ChainOpera и Flock оба пытаются объединить федеративное обучение и Web3, но направления имеют явные различия. ChainOpera строит полностековую платформу AI агента, охватывающую входные точки, социальные взаимодействия, разработку и инфраструктуру, основная ценность которой заключается в том, чтобы способствовать преобразованию пользователей из "потребителей" в "сосоздателей" и реализовывать совместную AGI через AI Terminal и Agent Social Network; в то время как Flock больше фокусируется на усиленном федеративном обучении на основе блокчейна (BAFL), подчеркивая защиту конфиденциальности и механизмы стимулов в децентрализованной среде, в основном нацеливаясь на верификацию сотрудничества на уровне вычислительной мощности и данных. ChainOpera больше ориентирован на внедрение на уровне приложений и сети агентов, а Flock — на усиление на уровне обучения и вычислений с защитой конфиденциальности.

На уровне сети агентов наиболее представительным проектом является Olas Network. ChainOpera, как и Olas Network, происходит из федеративного обучения, строит замкнутый цикл — модель — вычислительная мощность — агент и использует Agent Social Network в качестве экспериментальной площадки для изучения взаимодействия и социального сотрудничества многопользовательских агентов; Olas Network, основанный на DAO-сотрудничестве и экосистеме DeFi, позиционируется как децентрализованная сеть автономных услуг, предлагая сценарии DeFi, которые могут быть немедленно реализованы, и демонстрирует абсолютно разные пути по сравнению с ChainOpera.

X. Инвестиционная логика и анализ потенциальных рисков

Инвестиционная логика

Преимущества ChainOpera прежде всего заключаются в его технологическом барьере: от FedML (эталонного открытого фреймворка для федеративного обучения) до TensorOpera (корпоративного полностекового AI Infra), а затем к ChainOpera (децентрализованная сеть агентов + DePIN + Tokenomics), формируя уникальный путь непрерывного развития, объединяющий академическое накопление, внедрение в промышленности и крипто-нарратив.

В области приложений и масштабов пользователей AI Terminal уже сформировал сотни тысяч активных пользователей и экосистему приложений на уровне тысяч, занимая первое место в категории AI в BNBChain DApp Bay, обладая четким ростом пользователей на цепочке и реальным объемом транзакций. Его многомодальные сцены взаимодействия в области криптовалюты могут постепенно распространиться на более широкую аудиторию пользователей Web2.

В области экосистемного сотрудничества ChainOpera инициировала CO-AI Alliance, объединив партнеров, таких как io.net, Render, TensorOpera, FedML, MindNetwork и других, для создания многогранных сетевых эффектов в области GPU, моделей, данных и вычислений с защитой конфиденциальности; одновременно с этим ведется сотрудничество с Samsung Electronics для проверки многомодального GenAI на мобильных устройствах, что демонстрирует потенциал для расширения в аппаратное обеспечение и крайний AI.

В области токенов и экономической модели ChainOpera основывается на консенсусе Proof-of-Intelligence, распределяя стимулы вокруг пяти основных потоков ценностей (LaunchPad, Agent API, Model Serving, Contribution, Model Training) и формируя положительный цикл через 1% сборов за услуги платформы, распределение стимулов и поддержку ликвидности, избегая единой модели «спекуляции на токенах» и повышая устойчивость.

Потенциальные риски

Прежде всего, сложность внедрения технологий остается высокой. Пятиуровневая децентрализованная архитектура ChainOpera имеет большие масштабы, и межуровневая координация (особенно в области распределенного вывода больших моделей и обучения с защитой конфиденциальности) все еще сталкивается с проблемами производительности и стабильности, которые еще не были проверены на крупномасштабных приложениях.

Во-вторых, еще предстоит наблюдать за привязанностью пользователей экосистемы. Хотя проект уже достиг начального роста пользователей, будет ли рынок агентов и инструменты для разработчиков способны поддерживать долгосрочную активность и высококачественное предложение — это еще предстоит проверить. В настоящее время запущенная сеть социальных агентов в основном сосредоточена на текстовых диалогах, управляемых LLM, и качество пользовательского опыта и долгосрочная удерживаемость все еще требуют улучшения. Если механизмы стимулов не будут тщательно продуманы, может возникнуть ситуация, когда краткосрочная активность высока, но долгосрочная ценность недостаточна.

Наконец, устойчивость бизнес-модели еще предстоит подтвердить. На текущий момент доходы в основном зависят от сборов за услуги платформы и циклов токенов, стабильный денежный поток еще не сформирован, и относительно приложений, таких как AgentFi или Payment, которые имеют более финансовую или производственную природу, коммерческая ценность текущей модели требует дальнейшей проверки; в то же время мобильные конечные устройства и экосистема аппаратного обеспечения все еще находятся на стадии исследования, и рыночные перспективы имеют определенную степень неопределенности.

Отказ от ответственности: в процессе создания этой статьи использовались инструменты AI ChatGPT-5, автор приложил все усилия для проверки и обеспечения точности информации, но ошибки все же могут иметь место, за что просит прощения. Следует особо отметить, что на рынке криптоактивов часто наблюдается расхождение между фундаментальными показателями проектов и рыночными ценами на вторичном рынке. Содержимое этой статьи предназначено только для интеграции информации и академического/исследовательского обмена, не является рекомендацией к инвестициям и не должно рассматриваться как рекомендация по покупке или продаже любых токенов.