От федеративного обучения до Децентрализованной сети агентов, аналитика проекта ChainOpera

Автор: 0xjacobzhao

В июньском исследовательском отчете «Святой Грааль Crypto AI: передовые исследования децентрализованного обучения» мы упоминали федеративное обучение (Federated Learning) как «контролируемую децентрализацию», находящуюся между распределенным обучением и децентрализованным обучением: его основа заключается в локальном сохранении данных и централизованной агрегации параметров, что удовлетворяет требованиям конфиденциальности и соблюдения норм в таких областях, как медицина и финансы. В то же время мы продолжаем следить за ростом сетей агентов (Agent) в наших предыдущих отчетах — их ценность заключается в возможности автономного функционирования и распределения обязанностей среди множества агентов, что позволяет совместно выполнять сложные задачи и продвигать эволюцию от «больших моделей» к «экосистеме множества агентов».

Федеративное обучение заложило основу многостороннего сотрудничества с принципами «данные не покидают местоположение, вознаграждение по вкладу», а его распределенные генетические особенности, прозрачные стимулы, гарантии конфиденциальности и соблюдения норм создают опыт, который можно непосредственно повторно использовать для Agent Network. Команда FedML идет по этому пути, улучшая генетику открытого исходного кода до TensorOpera (инфраструктурный уровень AI-отрасли), а затем эволюционируя в ChainOpera (децентрализованная сеть агентов). Конечно, Agent Network не является неизбежным продолжением федеративного обучения; его суть заключается в автономном сотрудничестве и распределении задач среди множества агентов, и его также можно построить непосредственно на основе систем многоагентов (MAS), обучения с подкреплением (RL) или механизмов стимулов блокчейна.

Один. Архитектура технологического стека федеративного обучения и AI Agent

Федеративное обучение (Federated Learning, FL) — это рамочная структура для совместного обучения без централизации данных, основным принципом которой является локальная тренировка моделей участниками, которые загружают лишь параметры или градиенты на координационный узел для агрегации, тем самым достигая «безопасности данных» в соответствии с требованиями конфиденциальности. После практического применения в таких типичных сценариях, как медицина, финансы и мобильные устройства, федеративное обучение вступило в довольно зрелую стадию коммерческого использования, но все еще сталкивается с такими проблемами, как большие затраты на связь, неполная защита конфиденциальности и низкая эффективность сходимости из-за гетерогенности устройств. В отличие от других режимов обучения, распределенное обучение акцентирует внимание на концентрации вычислительных ресурсов для достижения эффективности и масштабируемости, тогда как децентрализованное обучение реализует полностью распределенное сотрудничество через открытую сеть вычислительных ресурсов, а федеративное обучение находится между двумя этими подходами, представляя собой «контролируемую децентрализацию»: оно может удовлетворять потребности отрасли в конфиденциальности и соблюдении норм, а также предоставляет жизнеспособный путь для межучрежденческого сотрудничества, что делает его более подходящим для переходной архитектуры развертывания в промышленности.

!

А в рамках всего стека протоколов AI Agent мы ранее разделили его на три основных уровня, а именно

Инфраструктурный уровень (Agent Infrastructure Layer): этот уровень предоставляет базовую поддержку для работы агентов и является техническим основанием для всех систем агентов.

• Ядро модуля: включает в себя Agent Framework (рамки разработки и запуска агентов) и Agent OS (более низкоуровневое многозадачное планирование и модульное время выполнения), предоставляя основные возможности для управления жизненным циклом агентов.
• Поддерживаемые модули: такие как Agent DID (децентрализованная идентичность), Agent Wallet & Abstraction (абстракция аккаунта и выполнение транзакций), Agent Payment/Settlement (возможности платежей и расчетов).

Слой координации и исполнения (Coordination & Execution Layer) сосредоточен на взаимодействии между многими агентами, распределении задач и механизмах стимулов в системе, что является ключевым для построения «коллективного интеллекта» системы агентов.

• Оркестрация агентов: это механизм командования, предназначенный для единого управления и управления жизненным циклом агентов, распределением задач и процессом выполнения, применимым в сценариях рабочих процессов с центральным управлением.
• Агентный роевое: это кооперативная структура, подчеркивающая сотрудничество распределенных агентов, обладающих высокой автономией, способностью к разделению труда и гибкому сотрудничеству, подходящая для решения сложных задач в динамичных условиях.
• Агентский стимульный слой: создание экономической стимульной системы для сети агентов, которая активирует активность разработчиков, исполнителей и валидаторов, обеспечивая устойчивую动力 для экосистемы агентов.

Уровень приложений (Application & Distribution Layer)

• Распределенные подкатегории: включая Agent Launchpad, Agent Marketplace и Agent Plugin Network
• Подкатегории приложений: охватывают AgentFi, Agent Native DApp, Agent-as-a-Service и др.
• Подкатегория потребления: в основном Agent Social / Consumer Agent, ориентированная на легкие сценарии, такие как социальные взаимодействия с потребителями.
• Мем: использование концепции Агент для спекуляции, отсутствие реальных технических решений и применения, только маркетинговый драйв.

Два. Эталон федеративного обучения FedML и платформа полного стека TensorOpera

FedML является одной из первых открытых платформ, ориентированных на федеративное обучение (Federated Learning) и распределенное обучение, возникшей из академической команды (USC) и постепенно ставшей основным продуктом компании TensorOpera AI. Она предоставляет исследователям и разработчикам инструменты для совместной тренировки данных между учреждениями и устройствами. В академической среде FedML часто появляется на таких ведущих конференциях, как NeurIPS, ICML, AAAI, и стала универсальной экспериментальной платформой для исследований в области федеративного обучения. В промышленности FedML имеет высокую репутацию в конфиденциальных сценариях, таких как здравоохранение, финансы, крайний AI и Web3 AI, и рассматривается как эталонный инструмент в области федеративного обучения.

!

TensorOpera является платформой для полного стека ИИ-инфраструктуры, разработанной FedML на основе коммерческого пути, ориентированной на предприятия и разработчиков: сохраняя возможности федеративного обучения, она расширяется до GPU Marketplace, сервисов моделей и MLOps, чтобы выйти на более широкий рынок эпохи больших моделей и агентов. Общая архитектура TensorOpera делится на три уровня: Compute Layer (базовый уровень), Scheduler Layer (уровень планирования) и MLOps Layer (уровень приложений):

1. Вычислительный уровень (底层)

Compute слой является технологической основой TensorOpera, продолжая открытый ген FedML. Основные функции включают Parameter Server, Distributed Training, Inference Endpoint и Aggregation Server. Его ценностная позиция заключается в предоставлении распределенного обучения, защиты конфиденциальности в федеративном обучении и масштабируемого движка вывода, поддерживающего три ключевых возможности: «Train / Deploy / Federate», охватывающего полный цикл от обучения модели и развертывания до межорганизационного сотрудничества, являясь базовым уровнем всей платформы.

2. Слой планировщика（中层）

Уровень Scheduler является центральным узлом для торговли вычислительной мощностью и ее распределения, состоящим из GPU Marketplace, Provision, Master Agent и Schedule & Orchestrate. Он поддерживает вызов ресурсов через общественные облака, поставщиков GPU и независимых участников. Этот уровень является ключевым поворотным моментом для FedML, переходящего на TensorOpera, позволяя реализовать более масштабные AI обучение и вывод через интеллектуальное распределение вычислительной мощности и оркестрацию задач, охватывающую типичные сценарии LLM и генеративного ИИ. В то же время, модель Share & Earn этого уровня оставляет место для интерфейсов механизмов стимулов, имея потенциал для совместимости с DePIN или Web3.

3. Слой MLOps (верхний)

Слой MLOps является сервисным интерфейсом платформы, непосредственно ориентированным на разработчиков и компании, включая такие модули, как Model Serving, AI Agent и Studio. Типичные приложения охватывают LLM Chatbot, многомодальную генеративную ИИ и инструменты для разработчиков Copilot. Его ценность заключается в том, чтобы абстрагировать базовые вычислительные и тренировочные возможности в высокоуровневые API и продукты, снижая порог доступа, предоставляя готовые агенты, среды разработки с низким кодом и возможности масштабируемого развертывания, позиционируясь на уровне новых AI Infra платформ, таких как Anyscale, Together, Modal, выступая в качестве моста от инфраструктуры к приложениям.

!

В марте 2025 года TensorOpera обновится до полного стека платформы для AI-агентов, в которой основные продукты будут включать AgentOpera AI App, Framework и Platform. Уровень приложений предоставит многоагентский интерфейс, аналогичный ChatGPT, уровень фреймворка будет основан на многоагентной системе с графовой структурой и эволюцией Orchestrator/Router в «Agentic OS», а уровень платформы будет глубоко интегрирован с модельной платформой TensorOpera и FedML, реализуя распределенные модельные услуги, оптимизацию RAG и смешанное развертывание на краю и в облаке. Общая цель состоит в том, чтобы создать «одну операционную систему, одну сеть агентов», позволяя разработчикам, компаниям и пользователям совместно строить экосистему нового поколения Agentic AI в открытой среде с защитой конфиденциальности.

Три. Экосистема ChainOpera AI в полном объеме: от соавторов к технологической базе

Если FedML является технологическим ядром, предоставляющим open-source ген для федеративного обучения и распределенного обучения, то TensorOpera абстрагирует научные достижения FedML в коммерчески жизнеспособную полную AI инфраструктуру. ChainOpera, в свою очередь, «выводит на блокчейн» платформенные возможности TensorOpera, создавая децентрализованную экосистему Agent Network с помощью AI Terminal + Agent Social Network + DePIN модели и вычислительного слоя + AI-Native блокчейна. Основное преобразование заключается в том, что TensorOpera по-прежнему в основном ориентирован на предприятия и разработчиков, в то время как ChainOpera, благодаря механизму управления и стимулирования на базе Web3, включает пользователей, разработчиков, поставщиков GPU/данных в совместное создание и совместное управление, позволяя AI Agent не просто «использоваться», а «совместно создаваться и совместно владеться».

!

Экосистема соавторов (Co-creators)

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

Создатели экосистемы ChainOpera включают разработчиков AI Agent (дизайн и управление интеллектом), поставщиков инструментов и услуг (шаблоны, MCP, базы данных и API), разработчиков моделей (обучение и публикация моделей), поставщиков GPU (вклад вычислительных мощностей через DePIN и партнеров Web2), а также поставщиков и аннотаторов данных (загрузка и аннотация мультимодальных данных). Три основные категории поставок — разработка, вычислительная мощность и данные — совместно способствуют постоянному росту сети интеллектов.

Со-владельцы (Co-owners)

Экосистема ChainOpera также вводит механизм совместной собственности, который позволяет совместно строить сеть через сотрудничество и участие. Создатели AI Agent - это отдельные лица или команды, которые проектируют и развертывают новые типы интеллектуальных агентов через платформу Agent, отвечая за их создание, запуск и постоянное обслуживание, тем самым способствуя инновациям в функциях и приложениях. Участники AI Agent приходят из сообщества, и они участвуют в жизненном цикле агентов, получая и храня доступные единицы (Access Units), поддерживая рост и активность агентов в процессе использования и продвижения. Эти две категории ролей представляют собой стороны предложения и спроса, совместно формируя модель совместного использования ценностей и кооперативного развития в экосистеме.

Экологические партнеры: платформа и рамки

ChainOpera AI сотрудничает с несколькими сторонами, чтобы усилить доступность и безопасность платформы, а также сосредоточиться на интеграции сценариев Web3: с помощью AI Terminal App совместно с кошельками, алгоритмами и агрегаторными платформами для реализации рекомендаций по умным услугам; на платформе Agent внедряются многоуровневые структуры и инструменты без кода, что снижает порог разработки; обучение и вывод моделей осуществляется на основе TensorOpera AI; также установлено эксклюзивное партнерство с FedML для поддержки защиты конфиденциальности при обучении между учреждениями и устройствами. В целом формируется открытая экосистема, которая учитывает как корпоративные приложения, так и пользовательский опыт Web3.

Аппаратный вход: ИИ-аппаратное обеспечение и партнеры (AI Hardware & Partners)

С помощью DeAI Phone, носимых устройств и Robot AI в качестве партнеров, ChainOpera объединяет блокчейн и ИИ в умных терминалах, реализуя взаимодействие dApp, тренировки на стороне устройства и защиту конфиденциальности, постепенно формируя децентрализованную экосистему ИИ-аппаратного обеспечения.

Центральная платформа и технологическая база: TensorOpera GenAI & FedML

TensorOpera предоставляет полный стек GenAI платформы, охватывающий MLOps, Scheduler и Compute; его подсистема FedML выросла из академического open-source в индустриальную платформу, усилив возможности AI «работать везде и расширяться по мере необходимости».

Экосистема ChainOpera AI

!

Четыре, ChainOpera основные продукты и стековая AI Agent инфраструктура

В июне 2025 года ChainOpera официально запустит AI Terminal App и децентрализованный технологический стек, позиционируясь как «децентрализованная версия OpenAI». Его основные продукты охватывают четыре крупных 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 пользовательского интерфейса до базовой вычислительной мощности и цепочечного стимулятора.

!

Приложение AI Terminal уже интегрировано с BNBChain, поддерживает агент для транзакций на блокчейне и сценариев DeFi. Центр создания агентов открыт для разработчиков, предлагая возможности MCP/HUB, базу знаний и RAG, продолжается приток интеллектуальных агентов сообщества; одновременно инициирован CO-AI Альянс, взаимодействующий с партнерами io.net, Render, TensorOpera, FedML, MindNetwork и другими.

!

Согласно данным блокчейна BNB DApp Bay за последние 30 дней, количество уникальных пользователей составило 158,87K, объем торгов за последние 30 дней составил 2,6 миллиона, что позволяет занять второе место по всему сайту в категории «AI Agent» на BSC, демонстрируя высокую активность в блокчейне.

Супер ИИ Агент Приложение – ИИ Терминал ()

В качестве децентрализованного входа в ChatGPT и AI-социальную платформу, AI Terminal предлагает многомодальное сотрудничество, стимулы для вклада данных, интеграцию инструментов DeFi, кроссплатформенные помощники и поддерживает сотрудничество AI-агентов и защиту конфиденциальности (Ваши данные, Ваш агент). Пользователи могут напрямую вызывать открытые большие модели DeepSeek-R1 и общественные агенты на мобильных устройствах, в процессе взаимодействия языковые токены и крипто-токены прозрачным образом перемещаются по цепочке. Его ценность заключается в том, чтобы позволить пользователям перейти от «потребителей контента» к «умным соавторам» и иметь возможность использовать специализированную сеть агентов в таких сценариях, как DeFi, RWA, PayFi, электронная коммерция и т.д.

Социальная сеть AI-агентов (agent-social-network)

Позиционирование похоже на LinkedIn + Messenger, но нацелено на группу AI Agent. Через виртуальное рабочее пространство и механизм сотрудничества Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel) продвигается эволюция одиночного агента в сеть многопользовательского сотрудничества, охватывающую такие приложения, как финансы, игры, электронная коммерция, исследования и постепенно усиливающую память и автономию.

Платформа разработчиков AI Agent ()

Предоставить разработчикам «конструкторский» опыт создания. Поддержка безкодового и модульного расширения, блокчейн-контракты обеспечивают право собственности, DePIN + облачная инфраструктура снижают порог входа, Marketplace предоставляет каналы распределения и обнаружения. Его суть заключается в том, чтобы разработчики могли быстро достичь пользователей, а вклад в экосистему можно было бы прозрачно фиксировать и получать вознаграждение.

Модель ИИ & Платформа GPU ()

В качестве инфраструктурного слоя, сочетая DePIN и федеративное обучение, решается проблема зависимости Web3 AI от централизованных вычислительных мощностей. Через распределенные GPU, защиту конфиденциальности в обучении данных, рынки моделей и данных, а также сквозные MLOps поддерживается сотрудничество множества агентов и персонализированный ИИ. Его видение заключается в продвижении перехода от «монополии крупных компаний» к «совместному строительству сообществом» в инфраструктурной парадигме.

!

Пять. Планирование дорожной карты ChainOpera AI

Помимо уже официально запущенной платформы Full Stack AI Agent, ChainOpera AI твердо верит, что общая искусственная интеллекция (AGI) возникает из сети взаимодействия мультимодальных и многоагентных систем. Поэтому его долгосрочная дорожная карта делится на четыре этапа:

!

Поставщик получает доход, распределяемый по использованию.

Этап 2 (Агентные приложения → Экономика совместного ИИ): запуск AI Terminal, Agent Marketplace и Agent Social Network, формирование экосистемы многопользовательских приложений; соединение пользователей, разработчиков и поставщиков ресурсов через протокол CoAI, а также внедрение системы соответствия потребностей пользователей и разработчиков и кредитной системы для стимулирования высокочастотных взаимодействий и устойчивой экономической деятельности.

Этап 3 (Collaborative AI → Crypto-Native AI): внедрение в таких областях, как DeFi, RWA, платежи, электронная коммерция, а также расширение до сценариев KOL и обмена личными данными; разработка специализированной LLM для финансов / криптовалют, а также запуск системы платежей и кошельков Agent-to-Agent, содействие сценарию применения «Crypto AGI».

Этап 4 (Экосистемы → Автономные ИИ-экономики): Постепенная эволюция в экономику автономных подсетей, где каждая подсеть управляется независимо, управляет токенами и сосредоточена на приложениях, инфраструктуре, вычислительной мощности, моделях и данных, сотрудничая через межсетевые протоколы, формируя многоподсетевую кооперативную экосистему; одновременно происходит переход от Agentic AI к Physical AI (роботы, автономное вождение, космонавтика).

Отказ от ответственности: данный дорожная карта предназначена только для справки, график и функции могут динамически изменяться в зависимости от рыночной среды и не представляют собой гарантии выполнения.

Семь, Стимулирование токенов и управление протоколом

В настоящее время ChainOpera не опубликовала полный план стимулов для токенов, но её протокол CoAI сосредоточен на принципах «сотворчества и совместного владения». Он реализует прозрачные и проверяемые записи вкладов через блокчейн и механизм Proof-of-Intelligence: вклад разработчиков, вычислительных мощностей, данных и поставщиков услуг измеряется и вознаграждается стандартизированным образом. Пользователи используют услуги, ресурсные стороны поддерживают работу, разработчики создают приложения, и все участвующие стороны разделяют дивиденды роста; платформа же поддерживает цикл с помощью 1% комиссии за услуги, распределения вознаграждений и поддержки ликвидности, способствуя открытому, справедливому и кооперативному децентрализованному AI-экосистеме.

Proof-of-Intelligence Образовательная платформа

Proof-of-Intelligence (PoI) является основной механизмом консенсуса, предложенным ChainOpera в рамках протокола CoAI, целью которого является создание прозрачной, справедливой и проверяемой системы стимулов и управления для децентрализованного ИИ. Он основан на рамке блокчейн-сотрудничества машинного обучения на основе Proof-of-Contribution (доказательство вклада) и нацелен на решение проблем недостатка стимулов, рисков конфиденциальности и отсутствия проверяемости, существующих в федеративном обучении (FL) на практике. Этот дизайн сосредоточен на смарт-контрактах и сочетает в себе децентрализованное хранилище (IPFS), агрегирующие узлы и доказательства с нулевым раскрытием (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, защита конфиденциальности от утечек; ③ Введение механизмов устойчивости для противодействия атакам от злонамеренных тренеров, таким как отравление или атаки агрегирования; ④ Обеспечение проверяемости ключевых вычислений, таких как агрегирование моделей, обнаружение аномалий и оценка вклада через ZKP; ⑤ Применимость для гетерогенных данных и различных учебных задач в эффективности и универсальности.

!

Ценность токенов в полном стеке AI

Токеномика ChainOpera функционирует вокруг пяти основных потоков ценности (LaunchPad, Agent API, Model Serving, Contribution, Model Training), в центре которой находятся плата за услуги, подтверждение вклада и распределение ресурсов, а не спекулятивная прибыль.

• AI пользователи: доступ к услугам или подписка на приложения с помощью токенов и вклад в экосистему через предоставление / аннотирование / ставку данных.
• Агент/ Разработчик приложений: использует вычислительную мощность и данные платформы для разработки и получает признание протокола за свои вклад в агенты, приложения или наборы данных.
• Поставщик ресурсов: предоставляет вычислительную мощность, данные или модели, получает прозрачные записи и стимулы.
• Участники управления (сообщество и DAO): участие в голосовании, проектирование механизмов и координация экосистемы через токены.
• Уровень протокола (COAI): поддержание устойчивого развития через сервисный сбор, использование автоматизированного механизма распределения для балансировки спроса и предложения.
• Узел и валидатор: предоставляют услуги верификации, вычислительной мощности и безопасности, обеспечивая надежность сети.

Управление по соглашению

ChainOpera использует управление DAO, позволяя участвовать в предложениях и голосовании через ставку токенов, обеспечивая прозрачность и справедливость принятия решений. Механизм управления включает: систему репутации (проверка и количественная оценка вклада), совместную работу сообщества (предложения и голосование для содействия развитию экосистемы), настройку параметров (использование данных, безопасность и ответственность валидаторов). Общая цель состоит в том, чтобы избежать концентрации власти, поддерживая стабильность системы и совместное творчество сообщества.

Восьмое, фонды команды и финансирование проекта

Проект ChainOpera был основан профессором Салманом Авестимехром, обладающим глубокими знаниями в области федеративного обучения, и доктором Хэ Чаояном (Aiden). Другие ключевые члены команды имеют опыт работы в таких ведущих академических и технологических учреждениях, как UC Berkeley, Stanford, USC, MIT, Tsinghua University, а также в компаниях Google, Amazon, Tencent, Meta, Apple, сочетая академические исследования и практические навыки в индустрии. На данный момент команда ChainOpera AI насчитывает более 40 человек.

Соучредитель: Salman Avestimehr

Профессор Салман Авезтимехр является деканом кафедры электротехники и компьютерной инженерии Университета Южной Калифорнии (USC) и занимает должность основного директора Центра доверительного ИИ 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 Авестимехр окончил аспирантуру UC Berkeley EECS (награда за лучшую диссертацию). Как член IEEE, он опубликовал более 300 высококачественных статей в области теории информации, распределенных вычислений и федеративного обучения, которые были процитированы более 30 000 раз, и получил множество международных наград, включая PECASE, NSF CAREER и награду IEEE Massey. Он возглавил создание открытой платформы FedML, которая широко используется в медицине, финансах и вычислениях с соблюдением конфиденциальности, и стала основой для технологий TensorOpera/ChainOpera AI.

Соучредитель: Dr. Aiden Chaoyang He

Д-р Айден Чаоян Хэ является соучредителем и президентом TensorOpera/ChainOpera AI, доктором наук в области компьютерных наук Университета Южной Калифорнии (USC), оригинальным создателем FedML. Его исследовательские направления охватывают распределенное и федеративное обучение, обучение масштабным моделям, блокчейн и вычисления с соблюдением конфиденциальности. Прежде чем заняться предпринимательством, он работал в Meta, Amazon, Google и Tencent, занимая ключевые инженерные и управленческие должности в Tencent, Baidu и Huawei, а также руководил реализацией нескольких интернет-продуктов и AI-платформ.

В академической и промышленной сферах Aiden опубликовал более 30 статей, его работы цитировались более 13 000 раз в Google Scholar, и он получил стипендию Amazon Ph.D., стипендию Qualcomm Innovation и премии за лучшие статьи на NeurIPS и AAAI. Разработанная им платформа FedML является одним из самых широко используемых открытых проектов в области федеративного обучения, обрабатывающая в среднем 27 миллиардов запросов в день; он также является соавтором платформы FedNLP и методов параллельного обучения с гибридными моделями, которые широко применяются в децентрализованных AI проектах, таких как Sahara AI.

!

В декабре 2024 года ChainOpera AI объявила о завершении раунда посевного финансирования на сумму 3,5 миллиона долларов, в итоге собрав 17 миллионов долларов совместно с TensorOpera. Средства будут направлены на создание блокчейн L1 и операционной системы AI, ориентированных на децентрализованные AI-агенты. Этот раунд финансирования возглавили Finality Capital, Road Capital и IDG Capital, среди соинвесторов - Camford VC, ABCDE Capital, Amber Group, Modular Capital и другие, а также поддержку получили такие известные учреждения и частные инвесторы, как Sparkle Ventures, Plug and Play, USC и основатель EigenLayer Sreeram Kannan, соучредитель BabylonChain David Tse и другие. Команда заявила, что этот раунд финансирования ускорит реализацию видения «децентрализованной AI-экосистемы, совместно создаваемой и со-владеемой ресурсными вкладчиками, разработчиками и пользователями AI».

Девять, Анализ рыночной структуры федеративного обучения и AI-агентов

Фреймворки федеративного обучения имеют четыре основных представителя: FedML, Flower, TFF, OpenFL. Среди них FedML является наиболее полным решением, объединяющим федеративное обучение, распределенное обучение больших моделей и MLOps, что делает его подходящим для внедрения в промышленность; Flower легкий и удобный в использовании, со активным сообществом, ориентирован на обучение и небольшие эксперименты; TFF глубоко зависит от TensorFlow, имеет высокую научную ценность, но слабую промышленную реализацию; OpenFL сосредоточен на медицине / финансах, подчеркивает соблюдение конфиденциальности и имеет более закрытую экосистему. В целом, FedML представляет собой промышленный уровень универсального подхода, Flower акцентирует внимание на удобстве использования и образовании, TFF ориентирован на научные эксперименты, а OpenFL имеет преимущества в соблюдении норм в вертикальных отраслях.

На уровне индустриализации и инфраструктуры TensorOpera (коммерциализация FedML) характеризуется наследием технологических наработок открытого исходного кода FedML, предоставляя интегрированные возможности кросс-облачного GPU-управления, распределенного обучения, федеративного обучения и MLOps. Цель состоит в том, чтобы соединить академические исследования и промышленные приложения, обслуживая разработчиков, малые и средние предприятия, а также экосистему Web3/DePIN. В целом, TensorOpera можно рассматривать как «Hugging Face + W&B открытого исходного кода FedML», обладая более полными и универсальными возможностями в области полного стека распределенного обучения и федеративного обучения, в отличие от других платформ, сосредоточенных на сообществе, инструментах или единой отрасли.

Среди представителей инновационного уровня ChainOpera и Flock оба пытаются объединить федеративное обучение с Web3, но направления имеют явные различия. ChainOpera строит платформу полного стека AI Agent, охватывающую четыре уровня архитектуры: вход, социальные сети, разработка и инфраструктура. Основная ценность заключается в том, чтобы продвигать пользователей от «потребителей» к «сосоздателям» и реализовывать кооперативный AGI и экосистему совместного строительства через AI Terminal и Agent Social Network; в то время как Flock больше сосредоточен на блокчейн-усиленном федеративном обучении (BAFL), подчеркивая защиту конфиденциальности и механизмы стимулирования в децентрализованной среде, в основном нацеливаясь на сотрудничество валидации на уровне вычислительных мощностей и данных. ChainOpera более ориентирован на реализацию на уровне приложений и сети агентов, в то время как Flock больше ориентирован на усиление базового обучения и вычислений с защитой конфиденциальности.

!

На уровне сети Agent самым представительным проектом в отрасли является Olas Network. ChainOpera основан на федеративном обучении, создавая полный замкнутый цикл моделей — вычислительных мощностей — агентов, и использует Agent Social Network в качестве экспериментальной площадки для исследования взаимодействия и социального сотрудничества многоагентных систем; Olas Network возник из сотрудничества DAO и экосистемы DeFi, позиционируется как децентрализованная автономная сервисная сеть, предлагая сценарии доходности Defi, которые можно непосредственно реализовать через Pearl, и демонстрируя совершенно разные пути по сравнению с ChainOpera.

!

Десять. Анализ инвестиционной логики и потенциальных рисков

Инвестиционная логика

Преимущества ChainOpera, прежде всего, заключаются в его технологическом барьере: от FedML (опорная открытая платформа для федеративного обучения) до TensorOpera (корпоративная полностековая AI инфраструктура), и далее до ChainOpera (сеть агентов Web3 + DePIN + токеномика), формируя уникальный путь непрерывной эволюции, сочетающий в себе академические наработки, внедрение в промышленность и крипто-нарратив.

В области применения и масштаба пользователей AI Terminal уже сформировала сотни тысяч активных пользователей в день и экосистему приложений с тысячами агентов, занимая первое место в категории AI на DApp Bay на BNBChain, демонстрируя явный рост пользователей на блокчейне и реальный объем торгов. Его многофункциональные сценарии в области крипто-коренной сферы могут постепенно выйти на более широкую аудиторию Web2.

В области экосистемного сотрудничества ChainOpera инициировала альянс CO-AI, объединив партнеров, таких как io.net, Render, TensorOpera, FedML, MindNetwork, для создания многослойных сетевых эффектов в области GPU, моделей, данных и вычислений с учетом конфиденциальности; одновременно с этим было проведено сотрудничество с Samsung Electronics для верификации многомодальной GenAI для мобильных устройств, что продемонстрировало потенциал расширения к аппаратному обеспечению и периферийному ИИ.

В модели токенов и экономики ChainOpera основана на консенсусе Proof-of-Intelligence, распределяя стимулы вокруг пяти основных потоков ценности (LaunchPad, Agent API, Model Serving, Contribution, Model Training), и формируя позитивный цикл через 1% платформенной комиссии, распределение стимулов и поддержку ликвидности, избегая единственной модели «торговли монетами» и повышая устойчивость.

Потенциальные риски

Во-первых, сложность внедрения технологий довольно высока. Предложенная ChainOpera пятиуровневая децентрализованная архитектура имеет большой масштаб, и кросс-уровневая координация (особенно в области распределенного вывода больших моделей и конфиденциального обучения) все еще сталкивается с проблемами производительности и стабильности, которые еще не были проверены в крупномасштабных приложениях.

Во-вторых, необходимо наблюдать за экологической привязанностью пользователей. Хотя проект уже добился первоначального роста пользователей, остается вопрос, сможет ли Agent Marketplace и инструменты для разработчиков поддерживать активность и высококачественное предложение в долгосрочной перспективе. В настоящее время запущенная Agent Social Network в основном сосредоточена на текстовых диалогах, управляемых LLM, и пользовательский опыт, а также долгосрочное удержание все еще нуждаются в дальнейшем улучшении. Если механизм стимулов будет недостаточно тонким, это может привести к высокому уровню активности в краткосрочной перспективе, но недостаточной долгосрочной ценности.

В конечном итоге устойчивость бизнес-модели еще предстоит подтвердить. На данный момент доход в основном зависит от комиссий за услуги платформы и оборота токенов, стабильный денежный поток еще не сформировался, и по сравнению с такими приложениями, как AgentFi или Payment, обладающими более финансовыми или производственными характеристиками, коммерческая ценность текущей модели все еще требует дальнейшей проверки; в то же время мобильный и аппаратный экосистемы все еще находятся на стадии исследования, и перспектива их выхода на рынок имеет определенную неопределенность.