Написано 0xjacobzhao | https://linktr.ee/0xjacobzhao
В нашем июньском отчете "Священный Грааль Крипто ИИ: Пограничное Исследование Децентрализованного Обучения" мы обсудили Федеративное Обучение — парадигму "контролируемой децентрализации", находящуюся между распределенным обучением и полностью децентрализованным обучением. Его основным принципом является хранение данных локально при централизации параметров, что особенно подходит для отраслей, чувствительных к конфиденциальности и имеющих строгие требования к соблюдению норм, таких как здравоохранение и финансы.
В то же время, наши прошлые исследования постоянно подчеркивали рост сетей агентов. Их ценность заключается в том, что они позволяют выполнять сложные задачи через автономное сотрудничество и разделение труда между несколькими агентами, ускоряя переход от «крупных монолитных моделей» к «многоагентским экосистемам».
Федеративное обучение, с его основами локального хранения данных, основанных на вкладах стимулов, распределенного дизайна, прозрачных вознаграждений, защиты конфиденциальности и соблюдения норм, заложило важную основу для многостороннего сотрудничества. Эти же принципы могут быть непосредственно адаптированы для разработки сетей агентов. Команда FedML следовала этому пути: эволюция от корней с открытым исходным кодом к TensorOpera (слой ИИ-инфраструктуры для промышленности) и дальнейшее развитие к ChainOpera (децентрализованная сеть агентов).
Тем не менее, сети агентов не являются просто неизбежным продолжением федеративного обучения. Их суть заключается в автономном сотрудничестве и специализированных задачах среди агентов, и их также можно строить непосредственно на основе многоагентных систем (MAS), обучения с подкреплением (RL) или механизмах стимулов на основе блокчейна.
I. Федеративное обучение и технологический стек AI-агента
Федеративное обучение (FL) является основой для совместного обучения без централизованного хранения данных. Его основным принципом является то, что каждый участник обучает модель локально и загружает только параметры или градиенты на координирующий сервер для агрегации, тем самым гарантируя «данные остаются в своей области» и соблюдая требования к конфиденциальности и соблюдению норм.
Пройдя испытания в таких секторах, как здравоохранение, финансы и мобильные приложения, FL вступило в относительно зрелую стадию коммерциализации. Тем не менее, оно по-прежнему сталкивается с проблемами, такими как высокая нагрузка на связь, неполные гарантии конфиденциальности и узкие места по эффективности, вызванные гетерогенными устройствами.
По сравнению с другими парадигмами обучения:
Распределенное обучение подчеркивает централизованные вычислительные кластеры для максимизации эффективности и масштабирования.
Децентрализованное обучение достигает полностью распределенного сотрудничества через открытые вычислительные сети.
Федеративное обучение лежит между ними, функционируя как форма «контролируемой децентрализации»: оно удовлетворяет промышленным требованиям к конфиденциальности и соблюдению норм, позволяя при этом сотрудничество между учреждениями, что делает его более подходящим в качестве переходной архитектуры развертывания.
Стек протоколов AI-агентов
В наших предыдущих исследованиях мы классифицировали стек протоколов AI-агентов на три основных уровня:
1. Слой инфраструктуры (Слой инфраструктуры агентов)
Фундаментальная поддержка времени выполнения для агентов, служащая технической основой всех систем агентов.
Основные модули:
Фреймворк агента – среда разработки и выполнения для агентов.
ОС агента – более глубокая многозадачная планировка и модульное время выполнения, обеспечивающее управление жизненным циклом для агентов.
Поддерживающие модули:
ДИД агента (децентрализованная идентификация)
Кошелек агента и абстракция (абстракция учетной записи и выполнение транзакций)
Платежи/расчеты агента (возможности платежей и расчетов)
2. Слой координации и выполнения
Сосредоточено на сотрудничестве агентов, планировании задач и системах стимулов — ключ к построению коллективного интеллекта среди агентов.
Оркестрация агентов: Централизованная оркестрация и управление жизненным циклом, распределение задач и выполнение рабочих процессов — подходит для контролируемых сред.
Рой агентов: Распределенная структура сотрудничества, подчеркивающая автономию, разделение труда и устойчивую координацию — подходит для сложных динамичных сред.
Слой стимулов агентов: Экономический слой сети агентов, который стимулирует разработчиков, исполнителей и валидаторов, обеспечивая устойчивый рост экосистемы.
3. Слой приложения и распределения
Охватывает каналы распределения, приложения для конечных пользователей и продукты, ориентированные на потребителей.
Подслой распределения: Запуск агентов, Рынки агентов, Сети плагинов агентов
Подслой приложения: AgentFi, Децентрализованные приложения для агентов, Агент как услуга
Подслой потребителей: Социальные/потребительские агенты, сосредоточенные на легковесных сценариях конечных пользователей
Подслой мемов: Проекты «Агент», движимые хайпом, с небольшими реальными технологиями или приложениями — в основном ориентированные на маркетинг.
II. Бенчмарк федеративного обучения: FedML и полнофункциональная платформа TensorOpera
FedML является одной из первых открытых платформ для Федеративного Обучения (FL) и распределенного обучения. Происходит от академической команды в USC, она постепенно эволюционировала в основной продукт TensorOpera AI через коммерциализацию.
Для исследователей и разработчиков FedML предоставляет инструменты для совместного обучения данных между учреждениями и устройствами. В академической среде FedML стал широко используемой экспериментальной платформой для исследований FL, часто появляясь на ведущих конференциях, таких как NeurIPS, ICML и AAAI. В промышленности он завоевал сильную репутацию в областях, чувствительных к конфиденциальности, таких как здравоохранение, финансы, ИИ на границе и ИИ на Web3 — позиционируя себя как эталонный инструмент для федеративного обучения.
TensorOpera представляет коммерциализированную эволюцию FedML, обновленную в полнофункциональную платформу ИИ-инфраструктуры для предприятий и разработчиков. Сохраняя свои возможности федеративного обучения, она расширяется в рынки GPU, модельные услуги и MLOps, таким образом расширяясь на более широкий рынок эпохи LLM и Агентов.
Его общая архитектура структурирована на три уровня: Вычислительный уровень (основа), Уровень планировщика (координация) и Уровень MLOps (приложение).
Уровень вычислений (основа)
Вычислительный уровень формирует техническую основу TensorOpera, продолжая открытое ДНК FedML.Основные функции: Сервер параметров, Распределенное обучение, Точка вывода и Сервер агрегации.
Ценностное предложение: Предоставляет распределенное обучение, федеративное обучение с защитой конфиденциальности и масштабируемый механизм вывода. Вместе эти три основные возможности поддерживают три основные функции Обучение / Развертывание / Федерация, охватывая полный цикл от обучения модели до развертывания и сотрудничества между учреждениями.
Уровень планировщика (Координация)
Планировщик действует как рынок вычислений и центр планирования, состоящий из рынка GPU, Обеспечения, Главного агента и Модулей Планирования и Оркестрации.Возможности: Позволяет распределение ресурсов между общественными облаками, поставщиками GPU и независимыми участниками.
Значение: Это является решающим шагом от FedML к TensorOpera — поддерживая крупномасштабное обучение и вывод ИИ через интеллектуальное планирование и оркестрацию, охватывая рабочие нагрузки LLM и генеративного ИИ.
Потенциал токенизации: Модель «Делитесь и зарабатывайте» оставляет интерфейс механизма стимулов открытым, демонстрируя совместимость с DePIN или более широкими моделями Web3.
Уровень MLOps (Приложение)
Уровень MLOps предоставляет услуги, ориентированные на разработчиков и предприятия, включая Обслуживание моделей, AI-агенты и модули Студии.Приложения: LLM чат-боты, мультимодальный генеративный ИИ и инструменты помощи разработчикам.
Ценностное предложение: Абстрагирует низкоуровневые вычисления и возможности обучения в высокоуровневые API и продукты, снижая барьер для использования. Предлагает готовых к использованию агентов, среды с низким кодом и решения для масштабируемого развертывания.
Позиционирование: Сравнимо с платформами новой генерации инфраструктуры ИИ, такими как Anyscale, Together и Modal — служит мостом от инфраструктуры к приложениям.
В марте 2025 года TensorOpera обновилась в полнофункциональную платформу, ориентированную на AI-агентов, с основными продуктами, охватывающими приложение AgentOpera AI, Фреймворк и Платформу:
Слой приложения: Обеспечивает точки входа для многоагентного взаимодействия, подобного ChatGPT.
Уровень фреймворка: Эволюционирует в «Агентную ОС» через многоагентные системы с графовой структурой и модули Оркестратора/Маршрутизатора.
Слой платформы: Глубоко интегрирован с модельной платформой TensorOpera и FedML, обеспечивая распределенные модельные услуги, оптимизацию RAG и гибридное развертывание на границе и в облаке.
Общая цель заключается в создании «одной операционной системы, одной сети агентов», позволяя разработчикам, предприятиям и пользователям совместно создавать экосистему агентного ИИ следующего поколения в открытой и сохраняющей конфиденциальность среде.
III. Экосистема ChainOpera AI: От соучредителей и сообладателей к технической основе
Если FedML представляет собой техническое ядро, предоставляющее открытые основы федеративного обучения и распределенного обучения; а TensorOpera абстрагирует результаты исследований FedML в коммерциализированную, полнофункциональную ИИ-инфраструктуру — то ChainOpera переносит эту платформенную возможность в цепочку.
Объединяя AI Terminals + Социальные сети агентов + Уровни вычислений/данных на основе DePIN + Блокчейны, нативные для ИИ, ChainOpera стремится построить децентрализованную экосистему сети агентов.
Фундаментальный сдвиг заключается в следующем: в то время как TensorOpera остается в основном ориентированным на предприятия и разработчиков, ChainOpera использует механизмы управления и стимулов в стиле Web3, чтобы включить пользователей, разработчиков, поставщиков GPU и участников данных в качестве сопроизводителей и сообладателей. Таким образом, AI-агенты не только «используются», но и «сопроизводятся и сообладаются».
Экосистема сопроизводителей
Через свою платформу моделей и GPU и платформу агентов ChainOpera предоставляет инструментарии, инфраструктуру и координационные уровни для совместного создания. Это позволяет обучать модели, разрабатывать агентов, развертывать и кооперативно масштабировать.
Соучредители экосистемы включают:
Разработчики AI-агентов – проектируют и управляют агентами.
Поставщики инструментов и услуг – шаблоны, MCP, базы данных, API.
Разработчики моделей – обучают и публикуют карточки моделей.
Поставщики GPU – вносят вычислительную мощность через DePIN или партнерства с облаком Web2.
Участники и аннотаторы данных – загружают и аннотируют мультимодальные наборы данных.
Вместе эти три столпа — разработка, вычисления и данные — обеспечивают непрерывный рост сети агентов.
Экосистема соучредителей
ChainOpera также вводит механизм совместного владения через совместное участие в строительстве сети.
Создатели AI-агентов (индивиды или команды) разрабатывают и развертывают новых агентов через платформу агентов, запуская и поддерживая их, одновременно продвигая функциональные и прикладные инновации.
Участники AI-агентов (из сообщества) присоединяются к жизненным циклам агентов, приобретая и удерживая Единицы доступа, поддерживая рост и активность агентов через использование и продвижение.
Эти две роли представляют собой сторону предложения и сторону спроса, вместе образуя модель совместного использования ценности и совместной разработки внутри экосистемы.
Партнеры экосистемы: Платформы и структуры
ChainOpera широко сотрудничает для повышения удобства, безопасности и интеграции Web3:
Приложение AI Terminal объединяет кошельки, алгоритмы и платформы агрегирования для предоставления интеллектуальных рекомендаций по услугам.
Платформа агентов интегрирует многофреймворк и инструменты с низким кодом для снижения барьера для разработки.
TensorOpera AI обеспечивает обучение и вывод моделей.
FedML служит эксклюзивным партнером, позволяя кросс-институциональное, кросс-устройство, защищающее конфиденциальность обучение.
Результатом является открытая экосистема, сбалансирующая приложения корпоративного уровня с пользовательским опытом, нативным для Web3.
Точки входа в аппаратное обеспечение: Аппаратное обеспечение ИИ и партнеры
Через телефоны DeAI, носимые устройства и роботизированных партнеров ИИ, ChainOpera интегрирует блокчейн и ИИ в умные терминалы. Эти устройства позволяют взаимодействие с dApp, обучение на стороне границы и защиту конфиденциальности, постепенно формируя децентрализованную экосистему аппаратного обеспечения ИИ.
Центральные платформы и техническая база
Платформа TensorOpera GenAI – предоставляет полнофункциональные услуги в области MLOps, планировщика и вычислений; поддерживает обучение и развертывание моделей в большом масштабе.
Платформа TensorOpera FedML – платформа для федеративного/распределенного обучения промышленного уровня, позволяющая защищенное обучение и обслуживание между организациями/устройствами и служащая мостом между академией и промышленностью.
FedML Open Source – ведущая в мире библиотека федеративного/распределенного машинного обучения, служащая технической основой экосистемы с надежным, масштабируемым открытым исходным кодом.
Структура экосистемы ChainOpera AI
IV. Основные продукты ChainOpera и полнофункциональная инфраструктура AI-агентов
В июне 2025 года ChainOpera официально запустила свое приложение AI Terminal и децентрализованный технологический стек, позиционируя себя как «Децентрализованный OpenAI». Его основные продукты охватывают четыре модуля:
Слой приложения – AI Terminal и Сеть агентов
Уровень разработчиков – Центр создания агентов
Уровень модели и GPU – Сеть моделей и вычислений
Протокол CoAI и специальная цепочка
Вместе эти модули охватывают полный цикл от точек входа пользователей до основных вычислений и стимулов в цепочке.
Приложение AI Terminal
Уже интегрирован с BNB Chain, AI Terminal поддерживает транзакции в цепочке и нативные агенты DeFi. Центр создания агентов открыт для разработчиков, предоставляя MCP/HUB, базу знаний и возможности RAG, с постоянным внедрением агентов, созданных сообществом. Между тем, ChainOpera запустил альянс CO-AI, сотрудничая с io.net, Render, TensorOpera, FedML и MindNetwork.
Согласно данным BNB DApp Bay в цепочке (за последние 30 дней): 158.87K уникальных пользователей, 2.6M транзакций и 2-е место в категории «AI Agent» на BSC. Это демонстрирует сильную и растущую активность в цепочке.
Приложение Super AI Agent – AI Terminal 👉 chat.chainopera.ai
Позиционированный как децентрализованный ChatGPT + AI Social Hub, AI Terminal предоставляет: Мультимодальное сотрудничество, Стимулы для вкладов данных, Интеграция инструментов DeFi, Кросс-платформенная помощь, Сотрудничество агентов, сохраняющее конфиденциальность (Ваши данные, Ваш агент). Пользователи могут напрямую вызывать открытую модель DeepSeek-R1 и созданные сообществом агентов с мобильных устройств. Во время взаимодействий как языковые токены, так и крипто токены циркулируют прозрачно в цепочке.
Основная ценность: трансформирует пользователей из «потребителей контента» в «умных сопроизводителей». Применимо в таких областях, как DeFi, RWA, PayFi, электронная коммерция и других через персонализированные сети агентов.
Социальная сеть AI-агентов 👉 chat.chainopera.ai/agent-social-network
Представляется как LinkedIn + Messenger для AI-агентов. Обеспечивает виртуальные рабочие пространства и механизмы сотрудничества между агентами (MetaGPT, ChatDEV, AutoGEN, Camel). Превращает одиночных агентов в многоагентные кооперативные сети, охватывающие финансы, игры, электронную коммерцию и исследования. Постепенно улучшает память и автономию.
Платформа разработчика AI-агента👉 agent.chainopera.ai
Разработан как опыт создания в стиле «LEGO» для разработчиков. Поддерживает безкодовые и модульные расширения, Умные контракты блокчейна обеспечивают права собственности, DePIN + облачная инфраструктура снижают барьеры для входа, а рынок позволяет открытие и распределение.
Основная ценность: предоставляет разработчикам возможность быстро достигать пользователей, при этом вклады фиксируются прозрачно и вознаграждаются.
AI Model & GPU Platform 👉 platform.chainopera.ai
Служа инфраструктурным уровнем, он сочетает DePIN и федеративное обучение, чтобы решить зависимость ИИ от Web3 от централизованных вычислений. Возможности включают: Распределенная сеть GPU, Обучение данных с защитой конфиденциальности, Рынок моделей и данных, Полный MLOps.
Видение: переход от «монополии крупных технологий» к «инфраструктуре, ориентированной на сообщество», позволяя многоагентному сотрудничеству и персонализированному ИИ.
Обзор архитектуры ChainOpera Full-Stack
V. Дорожная карта ChainOpera AI
Помимо уже запущенной полнофункциональной платформы AI-агентов, ChainOpera AI твердо верит, что Искусственный Общий Интеллект (AGI) возникнет из мультимодальных, многоагентных сетей сотрудничества. Его долгосрочная дорожная карта структурирована на четыре фазы:
Фаза I (Вычисления → Капитал):
Создание децентрализованной инфраструктуры: сети DePIN GPU, федеративное обучение, распределенные платформы обучения/вывода.
Введение маршрутизатора модели для координации многостороннего вывода.
Стимулировать вычисления, модели и поставщиков данных с помощью доходов на основе использования.
Фаза II (Агентные приложения → Экономика совместного сотрудничества):
Запуск AI Terminal, Рынка агентов и Социальной сети агентов, формируя экосистему многоагентных приложений.
Развертывание протокола CoAI для связи пользователей, разработчиков и поставщиков ресурсов.
Введение системы сопоставления пользователей и разработчиков и системы кредитов, позволяя высокочастотные взаимодействия и устойчивую экономическую активность.
Фаза III (Кооперативный ИИ → Крипто-родной ИИ):
Расширение в сценарии DeFi, RWA, платежей и электронной коммерции.
Расширение до случаев использования, ориентированных на KOL и обмен личными данными.
Разработка специализированных LLM в области финансов/крипты и запуск платежей Agent-to-Agent и систем кошельков, открывающих приложения «Крипто AGI».
Фаза IV (Экосистемы → Автономные ИИ экономики):
Эволюция в автономные экономики подсетей, каждая из которых специализируется на приложениях, инфраструктуре, вычислениях, моделях или данных.
Включить управление подсетями и токенизированные операции, в то время как протоколы между подсетями поддерживают интероперабельность и сотрудничество.
Расширение от Агентного ИИ в Физический ИИ (робототехника, автономное вождение, аэрокосмическая промышленность).
Отказ от ответственности: Эта дорожная карта предназначена только для справки. Сроки и функциональные возможности могут динамически изменяться в зависимости от рыночных условий и не являются гарантией поставки.
VI. Стимулы токенов и управление протоколом
ChainOpera еще не выпустила полного плана токенов стимулов, но ее протокол CoAI сосредоточен на «совместном создании и совместном владении». Вклады фиксируются прозрачно и могут быть проверены через блокчейн и механизм Доказательства интеллекта (PoI). Разработчики, поставщики вычислений, участники данных и поставщики услуг вознаграждаются на основе стандартизированных метрик вклада. Пользователи потребляют услуги. Поставщики ресурсов поддерживают операции. Разработчики создают приложения. Все участники делятся дивидендами роста экосистемы. Платформа поддерживает себя через сборы за услуги в 1%, распределение вознаграждений и поддержку ликвидности — создавая открытую, справедливую и совместную децентрализованную экосистему ИИ.
Рамки доказательства интеллекта (PoI)
PoI является основным механизмом консенсуса ChainOpera в рамках протокола CoAI, предназначенным для создания прозрачной, справедливой и проверяемой системы стимулов и управления для децентрализованного ИИ. Он расширяет Доказательство вклада в блокчейн-обеспеченный совместный каркас машинного обучения, решая постоянные проблемы федеративного обучения: недостаточные стимулы, риски конфиденциальности и отсутствие проверяемости.
Основной дизайн:
Заключенный в смарт-контрактах, интегрированный с децентрализованным хранилищем (IPFS), узлами агрегации и доказательствами с нулевым разглашением (zkSNARKs).
Достигает пяти ключевых целей:
Справедливые вознаграждения на основе вклада, гарантируя, что тренеры получают стимулы за реальные улучшения модели.
Данные остаются локальными, гарантируя защиту конфиденциальности.
Механизмы устойчивости против злонамеренных участников (отравление, атаки на агрегацию).
Проверка ZKP для критических процессов: агрегация моделей, обнаружение аномалий, оценка вклада.
Эффективность и универсальность в условиях гетерогенных данных и разнообразных задач обучения.
Потоки токенов в полнофункциональном AI
Дизайн токенов ChainOpera основан на утилите и признании вклада, а не на спекуляциях. Он вращается вокруг пяти основных потоков ценности:
LaunchPad – для инициации агентов/приложений.
API агента – доступ к услугам и интеграция.
Обслуживание модели – сборы за вывод и развертывание.
Вклад – аннотирование данных, совместное использование вычислений или ввод услуг.
Обучение модели – распределенные задачи обучения.
Заинтересованные стороны:
Пользователи ИИ – тратят токены для доступа к услугам или подписки на приложения; способствуют, предоставляя/аннотируя/ставя данные.
Разработчики агентов и приложений – используют вычисления/данные для разработки; получают вознаграждение за вклад агентов, приложений или наборов данных.
Поставщики ресурсов – вносят вычисления, данные или модели; получают вознаграждение прозрачно.
Участники управления (Сообщество и DAO) – используют токены для голосования, формирования механизмов и координации экосистемы.
Протокольный уровень (CoAI) – поддерживает развитие через сервисные сборы и автоматическое балансирование спроса и предложения.
Узлы и валидаторы – защищают сеть, предоставляя услуги валидации, вычисления и безопасности.
Управление протоколом
ChainOpera принимает управление на основе DAO, где ставками токенов можно участвовать в предложениях и голосовании, обеспечивая прозрачность и справедливость.
Механизмы управления включают:
Система репутации – проверяет и количественно оценивает вклад.
Сотрудничество сообщества – предложения и голосование способствуют эволюции экосистемы.
Настройки параметров – охватывающие использование данных, безопасность и ответственность валидаторов.
Основная цель: предотвратить концентрацию власти, обеспечить стабильность системы и поддерживать совместное создание сообщества.
VIII. Фон команды и финансирование проекта
Проект ChainOpera был сооснователем профессора Салмана Авестимехра, ведущего ученого в области федеративного обучения, и д-ра Айдена Чаояна Хэ. Основная команда охватывает академический и промышленный фон из таких учреждений, как UC Berkeley, Стэнфорд, USC, MIT, Тсуиньхуа и технологические лидеры, включая Google, Amazon, Tencent, Meta и Apple. Команда объединяет глубокую исследовательскую экспертизу с обширными возможностями реализации в промышленности и выросла до более чем 40 членов на сегодняшний день.
Соучредитель: Профессор Салман Авестимехр
Название и роли: Профессор электротехники и компьютерной инженерии в Университете Южной Калифорнии (USC), Основатель USC-Amazon Центра доверенного ИИ и руководитель лаборатории vITAL (Теория информации и машинное обучение) в USC.
Предпринимательство: Соучредитель и генеральный директор FedML, в 2022 году соучредил TensorOpera/ChainOpera AI.
Образование и награды: Доктор наук в области электротехники и компьютерных наук из UC Berkeley (Награда за лучшую диссертацию). Член IEEE с более чем 300 публикациями в области теории информации, распределенных вычислений и федеративного обучения, цитируемыми более 30,000 раз. Лауреат PECASE, NSF CAREER Award и IEEE Massey Award и других.
Вклад: Создатель открытой платформы FedML, широко используемой в здравоохранении, финансах и ИИ, сохраняющем конфиденциальность, которая стала основой для TensorOpera/ChainOpera AI.
Соучредитель: д-р Айден Чаоян Хэ
Название и роли: Соучредитель и президент TensorOpera/ChainOpera AI; доктор философии в области компьютерных наук из USC; оригинальный создатель FedML.
Научная направленность: Распределенное и федеративное обучение, обучение моделей большого масштаба, блокчейн и вычисления с защитой конфиденциальности.
Промышленный опыт: Ранее занимал должности R&D в Meta, Amazon, Google, Tencent; работал на ключевых инженерных и управленческих должностях в Tencent, Baidu и Huawei, возглавляя развертывание множества продуктов и платформ ИИ масштаба интернета.
Академическое влияние: Опубликовал более 30 статей с более чем 13,000 цитирований в Google Scholar. Лауреат стипендии доктора философии Amazon, стипендии инноваций Qualcomm и наград за лучшие статьи на NeurIPS и AAAI.
Технические вклады: Руководил разработкой FedML, одной из самых широко используемых открытых платформ в федеративном обучении, поддерживающей 27 миллиардов ежедневных запросов. ОсновнойContributor к FedNLP и методам параллельного обучения моделей, применяемым в децентрализованных проектах ИИ, таких как Sahara AI.
В декабре 2024 года ChainOpera AI объявила о завершении раунда посевного финансирования в $3.5M, увеличив свою общую сумму финансирования (в совокупности с TensorOpera) до $17M. Средства будут направлены на создание блокчейн-уровня 1 и операционной системы ИИ для децентрализованных ИИ-агентов.
Ведущие инвесторы: Finality Capital, Road Capital, IDG Capital
Другие участники: Camford VC, ABCDE Capital, Amber Group, Modular Capital
Стратегические спонсоры: Sparkle Ventures, Plug and Play, USC
Значимые индивидуальные инвесторы: Среерам Каннан, Основатель EigenLayer и Дэвид Цзе, Соучредитель BabylonChain
Команда заявила, что этот раунд ускорит ее видение создания децентрализованной экосистемы ИИ, где поставщики ресурсов, разработчики и пользователи совместно владеют и совместно создают.
IX. Анализ рыночного ландшафта: Федеративное обучение и сети AI-агентов
Ландшафт федеративного обучения
Область федеративного обучения (FL) формируется четырьмя основными структурами. FedML является самой комплексной, объединяя FL, распределенное обучение больших моделей и MLOps, что делает ее готовой для предприятий. Flower является легковесной и широко используется в обучении и маломасштабных экспериментах. TFF (TensorFlow Federated) имеет академическую ценность, но слаб в индустриализации. OpenFL ориентирован на здравоохранение и финансы, с сильными функциями соблюдения норм, но закрытой экосистемой. Короче говоря: FedML — это универсальный инструмент промышленного уровня, Flower подчеркивает простоту использования, TFF остается академическим, а OpenFL превосходит в вертикальном соблюдении.
Платформы и инфраструктура в индустрии
TensorOpera, коммерциализированная эволюция FedML, интегрирует распределенное планирование GPU, распределенное обучение, федеративное обучение и MLOps в едином стеке. Позиционируется как мост между исследованиями и промышленностью, служит разработчикам, малым и средним предприятиям, а также экосистемам Web3/DePIN. Эффективно, TensorOpera — это как «Hugging Face + W&B» для федеративного и распределенного обучения, предлагая более полную и универсальную платформу, чем инструменты или секторные альтернативы.
Слой инноваций: ChainOpera против Flock
ChainOpera и Flock оба объединяют FL с Web3, но расходятся в фокусе. ChainOpera строит полнофункциональную платформу AI Agent, превращая пользователей в сопроизводителей через AI Terminal и Социальную сеть агентов. Flock сосредоточен на Blockchain-Augmented FL (BAFL), подчеркивая конфиденциальность и стимулы на уровне вычислений и данных. Проще говоря: ChainOpera акцентирует внимание на приложениях и сетях агентов, в то время как Flock сосредоточен на низкоуровневом обучении и вычислениях, сохраняющих конфиденциальность.
Ландшафт федеративного обучения и ИИ-инфраструктуры
Слой сети агентов: ChainOpera против Olas
На уровне сети агентов наиболее представительные проекты — это ChainOpera и Olas Network.
ChainOpera: основанное на федеративном обучении, строит полнофункциональную петлю по моделям, вычислениям и агентам. Его Социальная сеть агентов служит испытательным полем для взаимодействия многоагентных взаимодействий и социальной коллаборации.
Сеть Olas (Autonolas / Pearl): возникла из сотрудничества DAO и экосистемы DeFi, позиционируется как децентрализованная автономная сеть услуг. Через Pearl она предоставляет приложения DeFi для агентов напрямую на рынок — показывая очень другой путь от ChainOpera.
X. Инвестиционная теза и анализ рисков
Инвестиционная теза
Техническая защита: Сила ChainOpera заключается в его уникальном эволюционном пути: от FedML (эталонного открытого фреймворка для федеративного обучения) → TensorOpera (инфраструктура полного стека ИИ для предприятий) → ChainOpera (сети агентов с поддержкой Web3 + DePIN + токеномика). Эта траектория интегрирует академические основы, промышленное развертывание и крипто-родные нарративы, создавая дифференцированную защиту.
Приложения и масштаб пользователей: AI Terminal уже достиг сотен тысяч активных пользователей в день и процветающей экосистемы из более чем 1,000 приложений агентов. Он занимает 1-е место в категории ИИ на BNBChain DApp Bay, что показывает явный рост пользователей в цепочке и проверяемую активность транзакций. Его мультимодальные сценарии, изначально основанные на крипто-родных случаях использования, имеют потенциал постепенно расшириться на более широкую базу пользователей Web2.
Партнерства экосистемы: ChainOpera запустила альянс CO-AI, сотрудничая с io.net, Render, TensorOpera, FedML и MindNetwork для создания многосторонних сетевых эффектов в области GPU, моделей, данных и вычислений, сохраняющих конфиденциальность. Параллельно его сотрудничество с Samsung Electronics по валидации мобильного мультимодального GenAI демонстрирует потенциал расширения в аппаратное обеспечение и ИИ на границе.
Модель токенов и экономика: Токеномика ChainOpera основана на консенсусе Доказательства интеллекта, с вознаграждениями, распределенными по пяти потокам ценности: LaunchPad, API агента, Обслуживание модели, Вклад и Обучение модели. Сборы за услуги платформы в 1%, распределение вознаграждений и поддержка ликвидности формируют положительную обратную связь, избегая зависимости от чистой «спекуляции токенами» и повышая устойчивость.
Потенциальные риски
Риски технического выполнения: Пятиуровневая децентрализованная архитектура, предложенная ChainOpera, охватывает широкий спектр. Координация между слоями — особенно в распределенных выводах для крупных моделей и обучении с защищенной конфиденциальностью — все еще сталкивается с проблемами производительности и стабильности и еще не была проверена в большом масштабе.
Привлекательность пользователей и экосистемы: Хотя ранний рост пользователей заметен, остается неизвестным, смогут ли Рынок агентов и инструментарий разработчиков поддерживать долгосрочную активность и высококачественные вклады. Текущая Социальная сеть агентов в основном ориентирована на текстовые диалоги, управляемые LLM; опыт пользователей и удержание все еще требуют доработки. Без тщательно продуманных стимулов экосистема рискует краткосрочным хайпом без долгосрочной ценности.
Устойчивость бизнес-модели: В настоящее время доход в основном зависит от сборов за услуги платформы и обращения токенов; стабильные денежные потоки еще не установлены. По сравнению с AgentFi или приложениями, ориентированными на платежи, которые несут более сильные финансовые или производственные атрибуты, текущая модель ChainOpera все еще требует дальнейшей проверки своей коммерческой ценности. Кроме того, мобильная и аппаратная экосистема остается исследовательской, оставляя ее рыночные перспективы неопределенными.
Отказ от ответственности: Этот отчет был подготовлен с помощью инструментов ИИ (ChatGPT-5). Автор приложил все усилия для проверки и обеспечения точности, но некоторые ошибки или пропуски могут остаться. Читатели должны учитывать, что рынки криптоактивов часто демонстрируют расхождение между фундаментальными показателями проекта и производительностью токенов на вторичном рынке. Этот отчет предназначен исключительно для консолидации информации и академических/исследовательских обсуждений. Он не является инвестиционным советом и не должен интерпретироваться как рекомендация покупать или продавать какой-либо токен.