Escrito por 0xjacobzhao | https://linktr.ee/0xjacobzhao
En nuestro informe de junio “El Santo Grial de Crypto AI: Exploración Fronteriza del Entrenamiento Descentralizado”, discutimos el Aprendizaje Federado—un paradigma de “descentralización controlada” posicionado entre el entrenamiento distribuido y el entrenamiento completamente descentralizado. Su principio fundamental es mantener los datos locales mientras se agregan parámetros de forma central, un diseño particularmente adecuado para industrias sensibles a la privacidad y con alta conformidad como la atención médica y las finanzas.
Al mismo tiempo, nuestra investigación pasada ha destacado consistentemente el auge de las Redes de Agentes. Su valor radica en permitir que tareas complejas se completen a través de la cooperación autónoma y la división del trabajo entre múltiples agentes, acelerando el cambio de “grandes modelos monolíticos” hacia “ecosistemas multi-agente”.
El Aprendizaje Federado, con sus fundamentos de retención de datos locales, incentivos basados en contribuciones, diseño distribuido, recompensas transparentes, protección de la privacidad y cumplimiento regulatorio, ha sentado importantes bases para la colaboración multipartita. Estos mismos principios pueden adaptarse directamente al desarrollo de Redes de Agentes. El equipo de FedML ha estado siguiendo esta trayectoria: evolucionando de raíces de código abierto a TensorOpera (una capa de infraestructura de IA para la industria), y avanzando aún más hacia ChainOpera (una Red de Agentes descentralizada).
Dicho esto, las Redes de Agentes no son simplemente una extensión inevitable del Aprendizaje Federado. Su esencia radica en la colaboración autónoma y la especialización de tareas entre agentes, y también pueden construirse directamente sobre Sistemas Multi-Agente (MAS), Aprendizaje por Refuerzo (RL) o mecanismos de incentivos basados en blockchain.
I. Aprendizaje Federado y la Pila Tecnológica de Agentes de IA
El Aprendizaje Federado (FL) es un marco para el entrenamiento colaborativo sin centralizar datos. Su principio central es que cada participante entrena un modelo localmente y solo sube parámetros o gradientes a un servidor coordinador para agregación, garantizando así que “los datos permanezcan dentro de su dominio” y cumpliendo con requisitos de privacidad y conformidad.
Habiendo sido probado en sectores como atención médica, finanzas y aplicaciones móviles, el FL ha entrado en una etapa relativamente madura de comercialización. Sin embargo, todavía enfrenta desafíos como altos costos de comunicación, garantías de privacidad incompletas y cuellos de botella de eficiencia causados por dispositivos heterogéneos.
En comparación con otros paradigmas de entrenamiento:
El entrenamiento distribuido enfatiza clústeres de computación centralizados para maximizar la eficiencia y la escala.
El entrenamiento descentralizado logra una colaboración completamente distribuida a través de redes de computación abiertas.
El aprendizaje federado se sitúa entre ambos, funcionando como una forma de “descentralización controlada”: satisface los requisitos industriales de privacidad y cumplimiento mientras permite la colaboración interinstitucional, haciéndolo más adecuado como arquitectura de despliegue transicional.
Pila de Protocolo de Agentes de IA
En nuestra investigación anterior, categorizamos la pila de protocolos de Agentes de IA en tres capas principales:
1. Capa de Infraestructura (Capa de Infraestructura de Agentes)
El soporte de tiempo de ejecución fundamental para agentes, que sirve como la base técnica de todos los sistemas de Agentes.
Módulos Centrales:
Marco de Agentes – entorno de desarrollo y tiempo de ejecución para agentes.
OS de Agentes – programación multitarea a nivel más profundo y tiempo de ejecución modular, proporcionando gestión del ciclo de vida para agentes.
Módulos de Soporte:
DID de Agente (identidad descentralizada)
Billetera de Agente & Abstracción (abstracción de cuentas & ejecución de transacciones)
Pago/Settlements de Agente (capacidades de pago y liquidación)
2. Capa de Coordinación & Ejecución
Se centra en la colaboración de agentes, programación de tareas y sistemas de incentivos—clave para construir inteligencia colectiva entre los agentes.
Orquestación de Agentes: orquestación centralizada y gestión del ciclo de vida, asignación de tareas y ejecución de flujos de trabajo—adecuada para entornos controlados.
Enjambre de Agentes: estructura de colaboración distribuida que enfatiza la autonomía, la división del trabajo y la coordinación resiliente—adecuada para entornos complejos y dinámicos.
Capa de Incentivos de Agentes: Capa económica de la red de agentes que incentiva a desarrolladores, ejecutores y validadores, asegurando un crecimiento sostenible del ecosistema.
3. Capa de Aplicación & Distribución
Cubre canales de distribución, aplicaciones para usuarios finales y productos orientados al consumidor.
Subcapa de Distribución: Lanzadores de Agentes, Mercados de Agentes, Redes de Plugins de Agentes
Subcapa de Aplicación: AgentFi, DApps nativos de Agentes, Agente como Servicio
Subcapa de Consumidor: Agentes sociales/consumidores, enfocados en escenarios ligeros para el usuario final
Subcapa de Meme: Proyectos “Agente” impulsados por el hype con poca tecnología o aplicación real—principalmente impulsados por marketing.
II. Referencia de Aprendizaje Federado: FedML y la Plataforma Completa de TensorOpera
FedML es uno de los primeros marcos de código abierto para el Aprendizaje Federado (FL) y el entrenamiento distribuido. Originado de un equipo académico en USC, evolucionó gradualmente hasta convertirse en el producto central de TensorOpera AI a través de la comercialización.
Para investigadores y desarrolladores, FedML proporciona herramientas interinstitucionales y de dispositivos cruzados para el entrenamiento colaborativo de datos. En el ámbito académico, FedML se ha convertido en una plataforma experimental ampliamente adoptada para la investigación de FL, apareciendo frecuentemente en conferencias de alto nivel como NeurIPS, ICML y AAAI. En la industria, ha ganado una sólida reputación en campos sensibles a la privacidad como atención médica, finanzas, IA en el borde, y IA en Web3—posicionándose como la herramienta de referencia para el aprendizaje federado.
TensorOpera representa la evolución comercial de FedML, mejorada en una plataforma de infraestructura de IA de pila completa para empresas y desarrolladores. Mientras retiene sus capacidades de aprendizaje federado, se extiende a mercados de GPU, servicios de modelos y MLOps, expandiéndose por lo tanto al mercado más amplio de la era LLM y Agente.
Su arquitectura general está estructurada en tres capas: Capa de Computación (fundación), Capa de Programador (coordinación) y Capa de MLOps (aplicación).
Capa de Computación (Fundación)
La capa de Computación forma la columna vertebral técnica de TensorOpera, continuando el ADN de código abierto de FedML.Funciones Centrales: Servidor de Parámetros, Entrenamiento Distribuido, Punto de Inferencia y Servidor de Agregación.
Propuesta de Valor: Proporciona entrenamiento distribuido, aprendizaje federado que preserva la privacidad y un motor de inferencia escalable. Juntas, estas soportan las tres capacidades centrales de Entrenar / Desplegar / Federar, cubriendo toda la pipeline desde el entrenamiento de modelos hasta el despliegue y la colaboración interinstitucional.
Capa de Programador (Coordinación)
La capa de Programador actúa como el mercado de computación y el centro de programación, compuesta por el Mercado de GPU, Provisión, Agente Maestro y módulos de Programación & Orquestación.Capacidades: Permite la asignación de recursos a través de nubes públicas, proveedores de GPU y contribuyentes independientes.
Significado: Este es el paso clave de FedML a TensorOpera—apoyando el entrenamiento y la inferencia de IA a gran escala a través de programación inteligente y orquestación, cubriendo cargas de trabajo de LLM e IA generativa.
Potencial de Tokenización: El modelo “Compartir & Ganar” deja abierta una interfaz de mecanismo de incentivos, mostrando compatibilidad con DePIN o modelos más amplios de Web3.
Capa de MLOps (Aplicación)
La capa de MLOps proporciona servicios directos para desarrolladores y empresas, incluyendo Servicio de Modelos, Agentes de IA y módulos de Estudio.Aplicaciones: chatbots LLM, IA generativa multimodal y herramientas de copiloto para desarrolladores.
Propuesta de Valor: Abstrae capacidades de computación y entrenamiento de bajo nivel en APIs y productos de alto nivel, reduciendo la barrera de uso. Ofrece agentes listos para usar, entornos de bajo código y soluciones de despliegue escalables.
Posicionamiento: Comparable a plataformas de infraestructura de nueva generación como Anyscale, Together y Modal—sirviendo como el puente de la infraestructura a las aplicaciones.
En marzo de 2025, TensorOpera se actualizó a una plataforma de pila completa orientada hacia Agentes de IA, con sus productos centrales cubriendo la App AgentOpera AI, el Marco y la Plataforma:
Capa de Aplicación: Proporciona puntos de entrada multi-agente similares a ChatGPT.
Capa de Marco: Evoluciona hacia un “OS Agente” a través de sistemas multi-agente estructurados en grafo y módulos de Orquestador/Enrutador.
Capa de Plataforma: Se integra profundamente con la plataforma de modelos TensorOpera y FedML, habilitando servicios de modelo distribuidos, optimización de RAG y despliegue híbrido en la nube y en el borde.
La visión general es construir “un sistema operativo, una red de agentes”, permitiendo a desarrolladores, empresas y usuarios co-crear el ecosistema de IA Agente de próxima generación en un entorno abierto y que preserve la privacidad.
III. El Ecosistema de ChainOpera AI: De Co-Creadores y Co-Propietarios a la Fundación Técnica
Si FedML representa el núcleo técnico, proporcionando las bases de código abierto del aprendizaje federado y el entrenamiento distribuido; y TensorOpera abstrae los resultados de investigación de FedML en una infraestructura de IA comercializada y de pila completa—entonces ChainOpera lleva esta capacidad de plataforma a la cadena.
Al combinar Terminales de IA + Redes Sociales de Agentes + capas de computación/datos basadas en DePIN + blockchains nativas de IA, ChainOpera busca construir un ecosistema de Red de Agentes descentralizado.
El cambio fundamental es este: mientras TensorOpera sigue siendo principalmente orientado a empresas y desarrolladores, ChainOpera aprovecha la gobernanza y mecanismos de incentivos al estilo Web3 para incluir usuarios, desarrolladores, proveedores de GPU y contribuyentes de datos como co-creadores y co-propietarios. De esta manera, los Agentes de IA no solo son “usados”, sino también “co-creados y co-propietarios”.
Ecosistema Co-Creador
A través de su Plataforma de Modelos & GPU y Plataforma de Agentes, ChainOpera proporciona cadenas de herramientas, infraestructura y capas de coordinación para la creación colaborativa. Esto permite el entrenamiento de modelos, desarrollo de agentes, despliegue y escalado cooperativo.
Los co-creadores del ecosistema incluyen:
Desarrolladores de Agentes de IA – diseñan y operan agentes.
Proveedores de Herramientas & Servicios – plantillas, MCPs, bases de datos, APIs.
Desarrolladores de Modelos – entrenan y publican tarjetas de modelos.
Proveedores de GPU – contribuyen con poder computacional a través de DePIN o asociaciones en la nube de Web2.
Contribuyentes de Datos & Anotadores – suben y etiquetan conjuntos de datos multimodales.
Juntos, estos tres pilares—desarrollo, computación y datos—impulsan el crecimiento continuo de la red de agentes.
Ecosistema Co-Propietario
ChainOpera también introduce un mecanismo de co-propiedad a través de la participación compartida en la construcción de la red.
Los Creadores de Agentes de IA (individuos o equipos) diseñan y despliegan nuevos agentes a través de la Plataforma de Agentes, lanzándolos y manteniéndolos mientras impulsan la innovación a nivel funcional y de aplicación.
Participantes de Agentes de IA (de la comunidad) se unen a los ciclos de vida de los agentes adquiriendo y manteniendo Unidades de Acceso, apoyando así el crecimiento y la actividad de los agentes a través del uso y la promoción.
Estos dos roles representan el lado de la oferta y el lado de la demanda, formando juntos un modelo de co-desarrollo y compartición de valor dentro del ecosistema.
Socios del Ecosistema: Plataformas y Marcos
ChainOpera colabora ampliamente para mejorar la usabilidad, la seguridad y la integración de Web3:
La App del Terminal de IA combina billeteras, algoritmos y plataformas de agregación para ofrecer recomendaciones de servicio inteligentes.
La Plataforma de Agentes integra herramientas de múltiples marcos y bajo código para reducir la barrera de desarrollo.
TensorOpera AI potencia el entrenamiento e inferencia de modelos.
FedML sirve como un socio exclusivo, habilitando entrenamiento que preserva la privacidad entre instituciones y dispositivos.
El resultado es un ecosistema abierto que equilibra aplicaciones de grado empresarial con experiencias de usuario nativas de Web3.
Puntos de Entrada de Hardware: Hardware de IA & Socios
A través de Teléfonos DeAI, dispositivos portátiles y socios de IA robóticos, ChainOpera integra blockchain e IA en terminales inteligentes. Estos dispositivos permiten interacción con dApps, entrenamiento del lado del borde y protección de la privacidad, formando gradualmente un ecosistema de hardware de IA descentralizado.
Plataformas Centrales y Fundación Técnica
Plataforma GenAI de TensorOpera – proporciona servicios de pila completa en MLOps, Programador y Computación; soporta entrenamiento y despliegue de modelos a gran escala.
Plataforma FedML de TensorOpera – plataforma de aprendizaje federado/distribuido de grado empresarial, que permite el entrenamiento y servicio de preservación de privacidad entre organizaciones/dispositivos y sirve como puente entre la academia y la industria.
FedML Código Abierto – la biblioteca de ML federado/distribuido líder a nivel mundial, que sirve como base técnica del ecosistema con un marco de código abierto confiable y escalable.
Estructura del Ecosistema de ChainOpera AI
IV. Productos Centrales de ChainOpera y la Infraestructura de Agentes de IA de Pila Completa
En junio de 2025, ChainOpera lanzó oficialmente su App de Terminal de IA y su pila tecnológica descentralizada, posicionándose como una “OpenAI Descentralizada”. Sus productos centrales abarcan cuatro módulos:
Capa de Aplicación – Terminal de IA & Red de Agentes
Capa de Desarrollador – Centro de Creación de Agentes
Capa de Modelo & GPU – Red de Modelos & Computación
Protocolo CoAI & Cadena Dedicada
Juntos, estos módulos cubren el ciclo completo desde los puntos de entrada del usuario hasta la computación subyacente y los incentivos en cadena.
App del Terminal de IA
Ya integrado con BNB Chain, el Terminal de IA soporta transacciones en cadena y agentes nativos de DeFi. El Centro de Creación de Agentes está abierto a desarrolladores, proporcionando MCP/HUB, base de conocimiento y capacidades de RAG, con incorporación continua de agentes construidos por la comunidad. Mientras tanto, ChainOpera lanzó la Alianza CO-AI, asociándose con io.net, Render, TensorOpera, FedML y MindNetwork.
Según los datos en cadena de BNB DApp Bay (últimos 30 días): 158.87K usuarios únicos, 2.6M transacciones y clasificado #2 en toda la categoría de “Agente de IA” en BSC, lo que demuestra una fuerte y creciente actividad en cadena.
Aplicación de Super Agente de IA – Terminal de IA 👉 chat.chainopera.ai
Posicionado como un ChatGPT descentralizado + Hub Social de IA, el Terminal de IA proporciona: colaboración multimodal, incentivos de contribución de datos, integración de herramientas DeFi, asistencia multiplataforma, colaboración de agentes que preserva la privacidad (Tus Datos, Tu Agente). Los usuarios pueden llamar directamente al modelo de código abierto DeepSeek-R1 y a los agentes construidos por la comunidad desde dispositivos móviles. Durante las interacciones, tanto los tokens de lenguaje como los tokens criptográficos circulan de manera transparente en la cadena.
Valor Central: transforma a los usuarios de “consumidores de contenido” en “co-creadores inteligentes.” Aplicable en DeFi, RWA, PayFi, comercio electrónico y otros dominios a través de redes de agentes personalizadas.
Red Social de Agentes de IA 👉 chat.chainopera.ai/agent-social-network
Imaginado como LinkedIn + Messenger para Agentes de IA. Proporciona espacios de trabajo virtuales y mecanismos de colaboración de Agente a Agente (MetaGPT, ChatDEV, AutoGEN, Camel). Evoluciona agentes individuales en redes cooperativas de múltiples agentes que abarcan finanzas, juegos, comercio electrónico e investigación. Mejora gradualmente la memoria y la autonomía.
Plataforma de Desarrolladores de Agentes de IA 👉 agent.chainopera.ai
Diseñado como una experiencia de creación de “estilo LEGO” para desarrolladores. Soporta extensiones sin código y modulares, los contratos inteligentes de blockchain aseguran derechos de propiedad, DePIN + infraestructura en la nube reducen las barreras de entrada y el mercado permite el descubrimiento y la distribución.
Valor Central: empodera a los desarrolladores para alcanzar rápidamente a los usuarios, con contribuciones registradas y recompensadas de manera transparente.
Plataforma de Modelos de IA & GPU 👉 platform.chainopera.ai
Sirviendo como la capa de infraestructura, combina DePIN y aprendizaje federado para abordar la dependencia de IA en Web3 de la computación centralizada. Las capacidades incluyen: Red de GPU distribuida, Entrenamiento de datos que preserva la privacidad, Mercado de modelos y datos, MLOps de extremo a extremo.
Visión: pasar de “monopolio de grandes tecnologías” a “infraestructura impulsada por la comunidad”—habilitando la colaboración entre múltiples agentes y una IA personalizada.
Visión General de la Arquitectura de Pila Completa de ChainOpera
V. Hoja de ruta de ChainOpera AI
Más allá de la plataforma de Agentes de IA de pila completa ya lanzada, ChainOpera AI sostiene firmemente que la Inteligencia General Artificial (AGI) surgirá de redes colaborativas multimodales y multi-agente. Su hoja de ruta a largo plazo está estructurada en cuatro fases:
Fase I (Computación → Capital):
Construir infraestructura descentralizada: redes DePIN de GPU, aprendizaje federado, plataformas de entrenamiento/inferencia distribuidas.
Introducir un Enrutador de Modelos para coordinar inferencias de múltiples extremos.
Incentivar a proveedores de computación, modelos y datos con un reparto de ingresos basado en el uso.
Fase II (Apps Agentes → Economía de IA Colaborativa):
Lanzar Terminal de IA, Mercado de Agentes y Red Social de Agentes, formando un ecosistema de aplicaciones multi-agente.
Desplegar el Protocolo CoAI para conectar usuarios, desarrolladores y proveedores de recursos.
Introducir emparejamiento usuario-desarrollador y un sistema de créditos, permitiendo interacciones frecuentes y actividad económica sostenible.
Fase III (IA Colaborativa → IA Nativa Cripto):
Expandirse en escenarios DeFi, RWA, pagos y comercio electrónico.
Extender a casos de uso impulsados por KOL y intercambio de datos personales.
Desarrollar LLMs especializados en finanzas/cripto y lanzar sistemas de pagos y billeteras de Agente a Agente, desbloqueando aplicaciones de “Crypto AGI”.
Fase IV (Ecosistemas → Economías de IA Autónomas):
Evolucionar hacia economías de subnet autónomas, cada subnet especializándose en aplicaciones, infraestructura, computación, modelos o datos.
Habilitar gobernanza de subred y operaciones tokenizadas, mientras que los protocolos intersubred apoyan la interoperabilidad y cooperación.
Extender de IA Agente a IA Física (robótica, conducción autónoma, aeroespacial).
Descargo de responsabilidad: Esta hoja de ruta es solo para referencia. Los cronogramas y funcionalidades pueden ajustarse dinámicamente con las condiciones del mercado y no constituyen una garantía de entrega.
VI. Incentivos de Tokens y Gobernanza del Protocolo
ChainOpera aún no ha lanzado un plan completo de incentivos de tokens, pero su Protocolo CoAI se centra en “co-creación y co-propiedad.” Las contribuciones son registradas y verificables de manera transparente a través de blockchain y un mecanismo de Prueba de Inteligencia (PoI). Los desarrolladores, proveedores de computación, contribuyentes de datos y proveedores de servicios son compensados en función de métricas de contribución estandarizadas. Los usuarios consumen servicios. Los proveedores de recursos sostienen operaciones. Los desarrolladores construyen aplicaciones. Todos los participantes comparten en los dividendos del crecimiento del ecosistema. La plataforma se sostiene a través de una tarifa de servicio del 1%, recompensas de asignación y soporte de liquidez—construyendo un ecosistema de IA descentralizado abierto, justo y colaborativo.
Marco de Prueba de Inteligencia (PoI)
PoI es el mecanismo de consenso central de ChainOpera bajo el Protocolo CoAI, diseñado para establecer un sistema de incentivos y gobernanza transparente, justo y verificable para IA descentralizada. Se extiende la Prueba de Contribución a un marco de aprendizaje automático colaborativo habilitado por blockchain, abordando los problemas persistentes del aprendizaje federado: incentivos insuficientes, riesgos de privacidad y falta de verificabilidad.
Diseño Central:
Anclado en contratos inteligentes, integrado con almacenamiento descentralizado (IPFS), nodos de agregación y pruebas de conocimiento cero (zkSNARKs).
Logra cinco objetivos clave:
Recompensas justas basadas en la contribución, asegurando que los entrenadores estén incentivados para mejoras reales del modelo.
Los datos permanecen locales, garantizando la protección de la privacidad.
Mecanismos de robustez contra participantes maliciosos (envenenamiento, ataques de agregación).
Verificación de ZKP para procesos críticos: agregación de modelos, detección de anomalías, evaluación de contribuciones.
Eficiencia y generalidad a través de datos heterogéneos y diversas tareas de aprendizaje.
Flujos de Valor de Token en AI de Pila Completa
El diseño del token de ChainOpera está anclado en la utilidad y el reconocimiento de contribuciones, no en la especulación. Gira en torno a cinco flujos de valor centrales:
Lanzador – para la iniciación de agentes/aplicaciones.
API de Agentes – acceso y integración del servicio.
Servicio de Modelos – tarifas de inferencia y despliegue.
Contribución – anotación de datos, compartición de computación o entrada de servicio.
Entrenamiento de Modelos – tareas de entrenamiento distribuidas.
Partes interesadas:
Usuarios de IA – gastan tokens para acceder a servicios o suscribirse a aplicaciones; contribuyen proporcionando/etiquetando/participando datos.
Desarrolladores de Agentes & Aplicaciones – utilizan computación/datos para el desarrollo; recompensados por contribuir con agentes, aplicaciones o conjuntos de datos.
Proveedores de Recursos – contribuyen con computación, datos o modelos; recompensados de manera transparente.
Participantes de Gobernanza (Comunidad & DAO) – usan tokens para votar, moldear mecanismos y coordinar el ecosistema.
Capa de Protocolo (CoAI) – sostiene el desarrollo a través de tarifas de servicio y balanceo automatizado de oferta/demanda.
Nodos & Validadores – aseguran la red proporcionando validación, computación y servicios de seguridad.
Gobernanza del Protocolo
ChainOpera adopta una gobernanza basada en DAO, donde el staking de tokens permite la participación en propuestas y votaciones, asegurando transparencia y equidad.
Los mecanismos de gobernanza incluyen:
Sistema de Reputación – valida y cuantifica contribuciones.
Colaboración Comunitaria – las propuestas y votaciones impulsan la evolución del ecosistema.
Ajustes de Parámetros – cubriendo uso de datos, seguridad y responsabilidad de los validadores.
El objetivo general: prevenir la concentración de poder, asegurar la estabilidad del sistema y sostener la co-creación comunitaria.
VIII. Antecedentes del Equipo y Financiamiento del Proyecto
El proyecto ChainOpera fue co-fundado por el Profesor Salman Avestimehr, un académico destacado en aprendizaje federado, y el Dr. Aiden Chaoyang He. El equipo central abarca antecedentes académicos e industriales de instituciones como UC Berkeley, Stanford, USC, MIT, la Universidad de Tsinghua, y líderes tecnológicos como Google, Amazon, Tencent, Meta y Apple. El equipo combina una profunda experiencia en investigación con amplias capacidades de ejecución en la industria y ha crecido a más de 40 miembros hasta la fecha.
Co-Fundador: Profesor Salman Avestimehr
Título & Roles: Profesor Decano de Ingeniería Eléctrica & Computación en la Universidad del Sur de California (USC), Director Fundador del Centro USC-Amazon sobre IA Confiable, y jefe del laboratorio vITAL (Teoría de la Información & Aprendizaje Automático) en USC.
Emprendimiento: Co-Fundador & CEO de FedML, y en 2022 cofundó TensorOpera/ChainOpera AI.
Educación & Honores: Ph.D. en EECS de UC Berkeley (Premio a la Mejor Tesis). Miembro Senior del IEEE con más de 300 publicaciones en teoría de la información, computación distribuida y aprendizaje federado, citadas más de 30,000 veces. Receptor del PECASE, Premio CAREER de la NSF, y el Premio Massey del IEEE, entre otros.
Contribuciones: Creador del marco de trabajo de código abierto FedML, ampliamente adoptado en atención médica, finanzas y IA que preserva la privacidad, que se convirtió en una base central para TensorOpera/ChainOpera AI.
Co-Fundador: Dr. Aiden Chaoyang He
Título & Roles: Co-Fundador & Presidente de TensorOpera/ChainOpera AI; Ph.D. en Ciencias de la Computación de USC; creador original de FedML.
Enfoque de Investigación: Aprendizaje distribuido & federado, entrenamiento de modelos a gran escala, blockchain y computación que preserva la privacidad.
Experiencia en la Industria: Anteriormente ocupó roles de I&D en Meta, Amazon, Google, Tencent; sirvió en posiciones centrales de ingeniería y gestión en Tencent, Baidu y Huawei, liderando el despliegue de múltiples productos a escala de internet y plataformas de IA.
Impacto Académico: Publicó más de 30 artículos con más de 13,000 citas en Google Scholar. Receptor de la Beca de Doctorado de Amazon, Beca de Innovación de Qualcomm y Premios al Mejor Artículo en NeurIPS y AAAI.
Contribuciones Técnicas: Lideró el desarrollo de FedML, uno de los marcos de código abierto más utilizados en el aprendizaje federado, apoyando 27 mil millones de solicitudes diarias. Contribuyente central a FedNLP y métodos de entrenamiento paralelo híbrido, aplicados en proyectos de IA descentralizada como Sahara AI.
En diciembre de 2024, ChainOpera AI anunció la finalización de una ronda de financiación de semillas de $3.5M, llevando su financiación total (combinada con TensorOpera) a $17M. Los fondos se dirigirán a construir una Capa 1 de blockchain y un sistema operativo de IA para Agentes de IA descentralizados.
Inversores Principales: Finality Capital, Road Capital, IDG Capital
Otros Participantes: Camford VC, ABCDE Capital, Amber Group, Modular Capital
Inversores Estratégicos: Sparkle Ventures, Plug and Play, USC
Inversores Individuales Notables: Sreeram Kannan, Fundador de EigenLayer y David Tse, Co-Fundador de BabylonChain
El equipo afirmó que esta ronda acelerará su visión de crear un ecosistema de IA descentralizado donde los proveedores de recursos, desarrolladores y usuarios co-propieten y co-crean.
IX. Análisis del Panorama del Mercado: Aprendizaje Federado y Redes de Agentes de IA
Panorama del Aprendizaje Federado
El campo del aprendizaje federado (FL) está moldeado por cuatro marcos principales. FedML es el más completo, combinando FL, entrenamiento de grandes modelos distribuidos y MLOps, haciéndolo listo para empresas. Flower es ligero y ampliamente utilizado en enseñanza y experimentos a pequeña escala. TFF (TensorFlow Federated) es valioso académicamente pero débil en industrialización. OpenFL se dirige a la atención médica y finanzas, con características fuertes de cumplimiento pero un ecosistema cerrado. En resumen: FedML es el todoterreno de grado industrial, Flower enfatiza la facilidad de uso, TFF sigue siendo académico y OpenFL sobresale en cumplimiento vertical.
Plataformas de la Industria & Infraestructura
TensorOpera, la evolución comercial de FedML, integra programación de GPU en la nube, entrenamiento distribuido, aprendizaje federado y MLOps en una pila unificada. Posicionado como un puente entre la investigación y la industria, sirve a desarrolladores, PYMES y ecosistemas Web3/DePIN. Efectivamente, TensorOpera es como “Hugging Face + W&B” para el aprendizaje federado y distribuido, ofreciendo una plataforma más completa y de propósito general que las alternativas específicas de herramientas o sectores.
Capa de Innovación: ChainOpera vs. Flock
ChainOpera y Flock ambos fusionan FL con Web3, pero divergen en enfoque. ChainOpera construye una plataforma de Agentes de IA de pila completa, convirtiendo a los usuarios en co-creadores a través del Terminal de IA y la Red Social de Agentes. Flock se centra en FL Aumentado por Blockchain (BAFL), enfatizando la privacidad y los incentivos en la capa de computación y datos. En pocas palabras: ChainOpera enfatiza aplicaciones y redes de agentes, mientras que Flock se centra en el entrenamiento de bajo nivel y en la computación que preserva la privacidad.
Panorama de Aprendizaje Federado & Infraestructura de IA
Capa de Red de Agentes: ChainOpera vs. Olas
A nivel de red de agentes, los proyectos más representativos son ChainOpera y Olas Network.
ChainOpera: enraizado en el aprendizaje federado, construye un ciclo completo a través de modelos, computación y agentes. Su Red Social de Agentes actúa como un banco de pruebas para la interacción multi-agente y la colaboración social.
Red Olas (Autonolas / Pearl): originada de la colaboración de DAO y el ecosistema DeFi, posicionada como una red de servicios autónoma descentralizada. A través de Pearl, entrega aplicaciones de agente DeFi directas al mercado—mostrando una trayectoria muy diferente a la de ChainOpera.
X. Tesis de Inversión y Análisis de Riesgos
Tesis de Inversión
Foso Técnico: La fortaleza de ChainOpera radica en su trayectoria evolutiva única: de FedML (el marco de referencia de código abierto para el aprendizaje federado) → TensorOpera (infraestructura de IA de pila completa de grado empresarial) → ChainOpera (redes de agentes habilitadas por Web3 + DePIN + tokenómica). Esta trayectoria integra fundamentos académicos, despliegue industrial y narrativas nativas de criptomonedas, creando un foso diferenciado.
Aplicaciones & Escala de Usuarios: El Terminal de IA ya ha alcanzado cientos de miles de usuarios activos diarios y un ecosistema próspero de más de 1,000 aplicaciones de agentes. Se clasifica #1 en la categoría de IA en BNBChain DApp Bay, mostrando un claro crecimiento de usuarios en cadena y actividad de transacciones verificables. Sus escenarios multimodales, inicialmente arraigados en casos de uso nativos de criptomonedas, tienen el potencial de expandirse gradualmente a la base de usuarios más amplia de Web2.
Asociaciones del Ecosistema: ChainOpera lanzó la Alianza CO-AI, asociándose con io.net, Render, TensorOpera, FedML y MindNetwork para construir efectos de red multiparte a través de GPUs, modelos, datos y computación privada. Paralelamente, su colaboración con Samsung Electronics para validar GenAI multimodal móvil demuestra el potencial de expansión hacia hardware y IA en el borde.
Modelo Económico & Token: La tokenómica de ChainOpera se basa en el consenso de Prueba de Inteligencia, con incentivos distribuidos en cinco flujos de valor: Lanzador, API de Agente, Servicio de Modelos, Contribución y Entrenamiento de Modelos. Una tarifa de servicio de la plataforma del 1%, asignación de recompensas y soporte de liquidez forman un ciclo de retroalimentación positivo, evitando depender de pura “especulación de tokens” y mejorando la sostenibilidad.
Riesgos Potenciales
Riesgos de ejecución técnica: La propuesta de arquitectura descentralizada de cinco capas de ChainOpera abarca un amplio alcance. La coordinación entre capas—especialmente en inferencia distribuida para modelos grandes y entrenamiento que preserva la privacidad—todavía enfrenta desafíos de rendimiento y estabilidad y no ha sido validada a gran escala.
Adherencia del usuario y del ecosistema: Si bien el crecimiento temprano de usuarios es notable, queda por verse si el Mercado de Agentes y la cadena de herramientas para desarrolladores pueden sostener la actividad a largo plazo y contribuciones de alta calidad. La actual Red Social de Agentes se centra principalmente en diálogos de texto impulsados por LLM; la experiencia del usuario y la retención aún necesitan refinamiento. Sin incentivos cuidadosamente diseñados, el ecosistema corre el riesgo de un hype a corto plazo sin valor a largo plazo.
Sostenibilidad del modelo de negocio: En la actualidad, los ingresos dependen principalmente de tarifas de servicio de la plataforma y circulación de tokens; los flujos de efectivo estables aún no se han establecido. En comparación con aplicaciones centradas en AgentFi o Pagos que tienen atributos financieros o de productividad más fuertes, el modelo actual de ChainOpera aún requiere una validación adicional de su valor comercial. Además, el ecosistema móvil y de hardware sigue siendo exploratorio, dejando inciertos sus prospectos de mercado.
Descargo de responsabilidad: Este informe fue preparado con la ayuda de herramientas de IA (ChatGPT-5). El autor ha hecho todo lo posible para corregir y asegurar la precisión, pero algunos errores u omisiones pueden permanecer. Los lectores deben notar que los mercados de activos criptográficos a menudo exhiben divergencia entre los fundamentos del proyecto y el rendimiento de tokens en el mercado secundario. Este informe está destinado únicamente a la consolidación de información y discusión académica/investigativa. No constituye asesoramiento de inversión, ni debe interpretarse como una recomendación para comprar o vender cualquier token.