Nel rapporto di giugno (Il Graal di Crypto AI: esplorazioni all'avanguardia dell'addestramento decentralizzato), abbiamo menzionato l'apprendimento federato (Federated Learning), una soluzione di 'decentralizzazione controllata' che si colloca tra l'addestramento distribuito e l'addestramento decentralizzato: il suo nucleo è la conservazione locale dei dati e l'aggregazione centralizzata dei parametri, soddisfacendo le esigenze di privacy e conformità in ambiti come la sanità e la finanza. Nel frattempo, abbiamo continuato a monitorare l'emergere delle reti di agenti (Agent) in diverse edizioni precedenti dei rapporti: il loro valore risiede nella capacità di completare compiti complessi attraverso l'autonomia e la divisione del lavoro tra più agenti, promuovendo l'evoluzione da 'modelli grandi' a 'ecosistemi di agenti multipli'.

L'apprendimento federato stabilisce le basi per la cooperazione tra più parti con il principio di "i dati non lasciano la località, incentivazione in base al contributo"; la sua natura distribuita, la trasparenza degli incentivi, la protezione della privacy e le pratiche di conformità forniscono esperienze riutilizzabili direttamente per la rete degli agenti. Il team di FedML sta seguendo questo percorso, aggiornando il gene open-source a TensorOpera (livello di infrastruttura dell'industria AI), e successivamente evolvendosi in ChainOpera (rete di agenti decentralizzata). Naturalmente, la rete degli agenti non è un'estensione inevitabile dell'apprendimento federato; il suo nucleo è la cooperazione autonoma e la divisione dei compiti tra più agenti, che può anche essere costruita direttamente sulla base di sistemi multi-agente (MAS), apprendimento rinforzato (RL) o meccanismi di incentivazione basati sulla blockchain.

Uno. Architettura dello stack tecnologico di apprendimento federato e agenti AI

L'apprendimento federato (Federated Learning, FL) è un framework per l'addestramento collaborativo senza centralizzazione dei dati, il suo principio fondamentale è che ciascuna parte partecipante addestra il modello localmente, caricando solo parametri o gradienti all'endpoint di coordinamento per l'aggregazione, realizzando così la conformità alla privacy con "i dati non escono dal dominio". Attraverso pratiche in scenari tipici come sanità, finanza e dispositivi mobili, l'apprendimento federato è entrato in una fase commerciale relativamente matura, ma presenta ancora colli di bottiglia come elevati costi di comunicazione, protezione della privacy non completa e bassa efficienza di convergenza a causa dell'eterogeneità dei dispositivi. Rispetto ad altri modelli di addestramento, l'addestramento distribuito enfatizza la concentrazione della potenza di calcolo per perseguire efficienza e scala, mentre l'addestramento decentralizzato realizza una cooperazione completamente distribuita attraverso una rete di potenza di calcolo aperta, e l'apprendimento federato si colloca tra i due, rappresentando una soluzione "decentralizzata controllata": in grado di soddisfare le esigenze industriali in termini di privacy e conformità, offrendo al contempo un percorso praticabile per la cooperazione inter-istituzionale, più adatto per architetture di schieramento transitorie nell'industria.

Nell'intero stack di protocolli degli agenti AI, abbiamo suddiviso in precedenti rapporti di ricerca in tre livelli principali, ovvero

  • Livello di infrastruttura (Agent Infrastructure Layer): questo livello fornisce il supporto operativo di base per gli agenti, è la base tecnologica di tutti i sistemi degli agenti.

  • Moduli fondamentali: tra cui Agent Framework (quadro di sviluppo e funzionamento degli agenti) e Agent OS (runtime modularizzato di gestione di più attività), fornendo capacità centrali per la gestione del ciclo di vita degli agenti.

  • Moduli di supporto: come Agent DID (identità decentralizzata), Agent Wallet & Abstraction (astrazione del conto e esecuzione delle transazioni), Agent Payment/Settlement (capacità di pagamento e regolamento).

  • Il livello di coordinamento e programmazione (Coordination & Execution Layer) si concentra sulla cooperazione tra più agenti, sulla programmazione delle attività e sui meccanismi di incentivazione del sistema, ed è fondamentale per costruire l'intelligenza collettiva nei sistemi degli agenti.

  • Orchestrazione degli agenti: è un meccanismo di comando utilizzato per unificare la programmazione e la gestione del ciclo di vita degli agenti, l'assegnazione dei compiti e i flussi di esecuzione, adatto a scenari di flussi di lavoro con controllo centrale.

  • Sciame di agenti: è una struttura collaborativa che enfatizza la cooperazione distribuita tra agenti, con un'elevata autonomia, capacità di divisione del lavoro e collaborazione flessibile, adatta per affrontare compiti complessi in ambienti dinamici.

  • Layer di incentivazione degli agenti: costruisce un sistema di incentivi economici per la rete degli agenti, stimolando gli sviluppatori, gli esecutori e i validatori, fornendo una spinta sostenibile per l'ecosistema degli agenti.

  • Livello applicativo (livello di applicazione e distribuzione)

    • Sottoclasse di distribuzione: comprende Agent Launchpad, Agent Marketplace e Agent Plugin Network

    • Sottoclasse di applicazione: comprende AgentFi, Agent Native DApp, Agent-as-a-Service, ecc.

    • Sottoclasse di consumo: principalmente Agent Sociale / Consumer Agent, focalizzata su scenari leggeri per i consumatori e socializzazione.

    • Meme: sfrutta il concetto di agente per il marketing, mancando di reali implementazioni tecnologiche e applicazioni pratiche, solo guidato dal marketing.

Due. Benchmark di apprendimento federato FedML e piattaforma full-stack TensorOpera

FedML è uno dei primi framework open-source rivolti all'apprendimento federato e all'addestramento distribuito, originato da un team accademico (USC) e successivamente trasformato in un prodotto centrale di TensorOpera AI. Fornisce strumenti di addestramento collaborativo per dati tra istituzioni e dispositivi diversi, nel mondo accademico, FedML è diventato una piattaforma sperimentale comune per la ricerca sull'apprendimento federato, apparendo frequentemente nei principali congressi come NeurIPS, ICML, AAAI; nel settore industriale, FedML ha un'alta reputazione in scenari sensibili alla privacy come sanità, finanza, AI edge e AI Web3, ed è considerato uno strumento di riferimento nel campo dell'apprendimento federato.

TensorOpera è la piattaforma infrastrutturale full-stack AI orientata alle aziende e agli sviluppatori, evolutasi da FedML tramite un percorso di commercializzazione: mantenendo la capacità di apprendimento federato, si espande in GPU Marketplace, servizi di modelli e MLOps, entrando così in un mercato più ampio per i grandi modelli e l'era degli agenti. L'architettura complessiva di TensorOpera si divide in tre livelli: Compute Layer (livello base), Scheduler Layer (livello di programmazione) e MLOps Layer (livello applicativo).

1. Compute Layer (livello base)
Il livello Compute è la base tecnologica di TensorOpera, mantenendo il gene open-source di FedML, le funzioni principali includono Parameter Server, Distributed Training, Inference Endpoint e Aggregation Server. Il suo valore è posizionato nell'offerta di addestramento distribuito, apprendimento federato con protezione della privacy e un motore di inferenza scalabile, sostenendo le tre capacità chiave "Addestra / Distribuisci / Federati", coprendo l'intero collegamento dalla formazione del modello, distribuzione alla cooperazione inter-istituzionale, è il livello fondamentale di tutta la piattaforma.

2. Layer Scheduler (livello intermedio)
Il livello Scheduler funge da centro di scambio e programmazione della potenza di calcolo, composto da GPU Marketplace, Provision, Master Agent e Schedule & Orchestrate, supportando le chiamate alle risorse tra cloud pubblici, fornitori di GPU e contributori indipendenti. Questo livello rappresenta un punto di svolta chiave per l'upgrade di FedML a TensorOpera, in grado di realizzare un addestramento e un'inferenza AI su scala più ampia attraverso la programmazione intelligente della potenza di calcolo e l'orchestrazione dei compiti, coprendo scenari tipici di LLM e AI generativa. Allo stesso tempo, il modello Share & Earn di questo livello riserva interfacce per meccanismi di incentivazione, con potenziale compatibilità con modelli DePIN o Web3.

3. MLOps Layer (livello superiore)
Il livello MLOps è l'interfaccia del servizio della piattaforma direttamente rivolta a sviluppatori e aziende, inclusi moduli come Model Serving, AI Agent e Studio. Applicazioni tipiche comprendono chatbot LLM, AI generativa multimodale e strumenti Copilot per sviluppatori. Il suo valore risiede nell'astrazione della potenza di calcolo e delle capacità di addestramento in API e prodotti di alto livello, riducendo le barriere all'uso e fornendo agenti pronti all'uso, ambienti di sviluppo low-code e capacità di distribuzione scalabile, posizionandosi come ponte tra infrastruttura e applicazione, a confronto con piattaforme di nuova generazione come Anyscale, Together, Modal.

Nel marzo 2025, TensorOpera si aggiornerà a una piattaforma full-stack orientata agli agenti AI, i prodotti principali comprenderanno AgentOpera AI App, Framework e Platform. Il livello applicativo offrirà un ingresso multi-agente simile a ChatGPT, il livello del framework evolverà in "Agentic OS" con un sistema multi-agente basato su grafi e Orchestrator/Router, mentre il livello della piattaforma si fonderà profondamente con la piattaforma di modelli TensorOpera e FedML, realizzando servizi di modelli distribuiti, ottimizzazione RAG e distribuzione ibrida end-to-cloud. L'obiettivo complessivo è creare "un sistema operativo, una rete di agenti", consentendo a sviluppatori, aziende e utenti di co-costruire un'ecosistema Agentic AI di nuova generazione in un ambiente aperto e protetto dalla privacy.

Tre. Panoramica ecosistemica di ChainOpera AI: da co-creatori a base tecnologica

Se FedML è il nucleo tecnologico, fornendo i geni open-source per l'apprendimento federato e l'addestramento distribuito; TensorOpera astrarrà i risultati della ricerca di FedML in un'infrastruttura AI vendibile full-stack, ChainOpera porterà le capacità della piattaforma di TensorOpera "sulla catena", costruendo un ecosistema di rete di agenti decentralizzati attraverso AI Terminal + Agent Social Network + DePIN modello e layer di potenza + blockchain AI-Native. Il cambiamento centrale è che TensorOpera è ancora principalmente rivolto a aziende e sviluppatori, mentre ChainOpera, grazie alla governance e ai meccanismi di incentivazione basati su Web3, coinvolge utenti, sviluppatori e fornitori di GPU/dati nella co-costruzione e co-governance, rendendo gli agenti AI non solo "utilizzati", ma "co-creati e co-propriati".

Ecosistema dei co-creatori (Co-creators)

ChainOpera AI fornisce una catena di strumenti, infrastruttura e strati di coordinamento per la co-creazione ecosistemica attraverso la piattaforma Model & GPU e Agent Platform, supportando addestramento di modelli, sviluppo di agenti, distribuzione e collaborazione espansiva.

I co-creatori dell'ecosistema ChainOpera comprendono sviluppatori di agenti AI (progettazione e gestione di agenti), fornitori di strumenti e servizi (modelli, MCP, database e API), sviluppatori di modelli (addestramento e pubblicazione di modelli), fornitori di GPU (contribuendo con potenza di calcolo tramite DePIN e partner cloud Web2), contributori di dati e etichettatori (caricamento e etichettatura di dati multimodali). Tre categorie fondamentali di offerta - sviluppo, potenza di calcolo e dati - alimentano insieme la continua crescita della rete degli agenti.

Co-owners (co-proprietari)

L'ecosistema ChainOpera introduce anche il meccanismo di co-proprietari, costruendo la rete attraverso collaborazione e partecipazione. I creatori di agenti AI sono individui o team che progettano e distribuiscono nuovi agenti intellettuali attraverso l'Agent Platform, responsabili della costruzione, del lancio e della manutenzione continua, contribuendo così all'innovazione di funzioni e applicazioni. I partecipanti agli agenti AI provengono dalla comunità, partecipando al ciclo di vita degli agenti attraverso l'acquisizione e il possesso di unità di accesso (Access Units), supportando la crescita e l'attività degli agenti durante l'uso e la promozione. Le due categorie di ruoli rappresentano rispettivamente l'offerta e la domanda, formando insieme un modello di condivisione del valore e sviluppo collaborativo all'interno dell'ecosistema.

Partner ecologici: piattaforma e framework

ChainOpera AI collabora con più parti per rafforzare l'usabilità e la sicurezza della piattaforma, enfatizzando l'integrazione degli scenari Web3: attraverso l'AI Terminal App, unisce portafogli, algoritmi e piattaforme di aggregazione per realizzare raccomandazioni di servizi intelligenti; introduce vari framework e strumenti senza codice nella piattaforma degli agenti, riducendo le barriere di sviluppo; si basa su TensorOpera AI per addestramento e inferenza dei modelli; e stabilisce una collaborazione esclusiva con FedML per supportare addestramenti protetti da privacy tra istituzioni e dispositivi. Complessivamente, forma un sistema ecosistemico aperto che tiene conto sia delle applicazioni aziendali che dell'esperienza degli utenti Web3.

Ingresso hardware: AI Hardware & Partners
Attraverso partner come DeAI Phone, dispositivi indossabili e Robot AI, ChainOpera integra blockchain e AI negli smart device, realizzando interazioni dApp, addestramento on-device e protezione della privacy, formando gradualmente un ecosistema hardware AI decentralizzato.

Piattaforma centrale e base tecnologica: TensorOpera GenAI & FedML
TensorOpera offre una piattaforma full-stack GenAI che copre MLOps, Scheduler e Compute; la sua sub-piattaforma FedML è cresciuta da un open-source accademico a un framework industriale, rafforzando la capacità di AI di "funzionare ovunque e scalare in qualsiasi modo".

Ecosistema ChainOpera AI

Quattro, prodotti principali di ChainOpera e infrastruttura AI full-stack

Nel giugno 2025, ChainOpera lancerà ufficialmente AI Terminal App e la stack tecnologica decentralizzata, posizionandosi come “OpenAI decentralizzato”, con prodotti principali che coprono quattro moduli: livello applicativo (AI Terminal & Agent Network), livello per sviluppatori (Agent Creator Center), livello modelli e GPU (Model & Compute Network) e il protocollo CoAI con chain dedicata, coprendo così l'intero ciclo completo dalla porta d'ingresso utente alla potenza di calcolo di base e agli incentivi on-chain.

L'AI Terminal App è già integrata con BNBChain, supportando scambi on-chain e scenari DeFi per gli agenti. L'Agent Creator Center è aperto agli sviluppatori, fornendo capacità MCP/HUB, knowledge base e RAG, con agenti della comunità che continuano a insediarsi; allo stesso tempo, è stata avviata l'alleanza CO-AI, collaborando con partner come io.net, Render, TensorOpera, FedML, MindNetwork.

Secondo i dati on-chain degli ultimi 30 giorni di BNB DApp Bay, i suoi utenti unici sono 158,87K, con un volume di scambi di 2,6 milioni negli ultimi 30 giorni, classificandosi al secondo posto nella categoria "AI Agent" su BSC, mostrando una forte attività on-chain.

Super AI Agent App – AI Terminal (https://chat.chainopera.ai/)
Come ingresso decentralizzato a ChatGPT e al sociale AI, AI Terminal offre collaborazione multimodale, incentivi per il contributo dei dati, integrazione degli strumenti DeFi e assistenti multipiattaforma, supportando la collaborazione degli agenti AI e la protezione della privacy (I tuoi dati, il tuo agente). Gli utenti possono richiamare direttamente il modello open-source DeepSeek-R1 e gli agenti della comunità sul dispositivo mobile, con il token di linguaggio e il token crittografico che circolano in modo trasparente on-chain durante l'interazione. Il suo valore risiede nel trasformare gli utenti da "consumatori di contenuti" a "co-creatori intelligenti", e può utilizzare una rete di agenti esclusivi in scenari DeFi, RWA, PayFi, e-commerce.

Rete sociale degli agenti AI (https://chat.chainopera.ai/agent-social-network)
Posizionata come LinkedIn + Messenger, ma per la comunità degli agenti AI. Promuove l'evoluzione di un singolo agente in una rete di collaborazione multi-agente attraverso spazi di lavoro virtuali e meccanismi di collaborazione Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel), coprendo applicazioni in finanza, giochi, e-commerce, ricerca, ecc., e aumentando progressivamente la memoria e l'autonomia.

Piattaforma per sviluppatori di agenti AI (https://agent.chainopera.ai/)
Fornisce un'esperienza di creazione "a blocchi" per gli sviluppatori. Supporta l'assenza di codice e l'espansione modulare, i contratti blockchain garantiscono la proprietà, DePIN + infrastruttura cloud riducono le barriere all'ingresso, Marketplace offre canali di distribuzione e scoperta. La cosa centrale è che consente agli sviluppatori di raggiungere rapidamente gli utenti, e i contributi all'ecosistema possono essere registrati in modo trasparente e ottenere incentivi.

AI Model & GPU Platform (https://platform.chainopera.ai/)
Come livello di infrastruttura, combinando DePIN e apprendimento federato, risolve il problema dell'AI Web3 che dipende dalla potenza di calcolo centralizzata. Attraverso GPU distribuite, addestramento dei dati con protezione della privacy, mercati di modelli e dati, e MLOps end-to-end, supporta la collaborazione multi-agente e l'AI personalizzata. La sua visione è promuovere il trasferimento del paradigma infrastrutturale da "monopolio delle grandi aziende" a "costruzione comunitaria".

Cinque. Pianificazione della roadmap di ChainOpera AI

Oltre a lanciare ufficialmente la piattaforma full-stack per agenti AI, ChainOpera AI è convinta che l'intelligenza artificiale generale (AGI) derivi da una rete di collaborazione multi-modale e multi-agente. Pertanto, la sua pianificazione a lungo termine è suddivisa in quattro fasi:

  • Fase uno (Compute → Capital): costruire un'infrastruttura decentralizzata, inclusa una rete GPU DePIN, piattaforma di apprendimento federato e addestramento/inferenza distribuiti, e introdurre un router di modelli (Model Router) per coordinare l'inferenza multi-end; mediante meccanismi di incentivazione, consentire a fornitori di potenza di calcolo, modelli e dati di ottenere ricavi distribuiti in base all'uso.

  • Fase due (App Agentic → Economia AI Collaborativa): lanciare AI Terminal, Agent Marketplace e Agent Social Network, formando un ecosistema di applicazioni multi-agente; connettere utenti, sviluppatori e fornitori di risorse attraverso il protocollo CoAI e introdurre un sistema di abbinamento tra domande degli utenti e sviluppatori e un sistema di credito, promuovendo interazioni frequenti e attività economiche continue.

  • Fase tre (AI Collaborativa → AI Crypto-Nativa): attuare nei settori DeFi, RWA, pagamenti, e-commerce, espandendosi anche a scenari KOL e scambio di dati personali; sviluppare LLM specifici per finanza/cripto e lanciare un sistema di pagamento e portafoglio Agent-to-Agent, promuovendo applicazioni sceniche di "Crypto AGI".

  • Fase quattro (Ecosistemi → Economie AI Autonome): evolversi gradualmente in economie di subnet autonome, ciascuna subnet governata e tokenizzata attorno ad applicazioni, infrastrutture, potenza di calcolo, modelli e dati, e collaborando attraverso protocolli tra subnet per formare ecosistemi coordinati tra più subnet; passando da AI Agentic a AI Fisica (robotica, guida automatica, aerospaziale).

Dichiarazione di non responsabilità: questa roadmap è solo a scopo di riferimento, il programma e le funzionalità potrebbero subire aggiustamenti dinamici in base all'ambiente di mercato, non costituisce una garanzia di consegna.

Sette, incentivi dei token e governance del protocollo

Attualmente ChainOpera non ha ancora pubblicato un piano completo di incentivi per i token, ma il suo protocollo CoAI si basa su "co-creazione e co-proprietà", realizzando registrazioni di contributi trasparenti e verificabili attraverso blockchain e meccanismi di Proof-of-Intelligence: gli investimenti di sviluppatori, potenza di calcolo, dati e fornitori di servizi sono misurati in modo standardizzato e compensati, gli utenti utilizzano i servizi, i fornitori di risorse sostengono le operazioni, gli sviluppatori costruiscono applicazioni, tutte le parti coinvolte condividono i dividendi della crescita; la piattaforma mantiene il ciclo attraverso una commissione del 1% sui servizi, distribuzione di premi e supporto alla liquidità, promuovendo un'ecosistema AI decentralizzato aperto, equo e collaborativo.

Framework di apprendimento Proof-of-Intelligence

La Proof-of-Intelligence (PoI) è il meccanismo di consenso centrale proposto da ChainOpera nel protocollo CoAI, mirato a fornire un sistema di incentivi e governance trasparente, equo e verificabile per la costruzione di AI decentralizzata. Basato su un framework di machine learning collaborativo della Proof-of-Contribution (contributo), mira a risolvere i problemi di mancanza di incentivazione, rischi per la privacy e mancanza di verificabilità nell'applicazione dell'apprendimento federato (FL). Questo design si basa su contratti intelligenti, combinando archiviazione decentralizzata (IPFS), nodi aggregatori e prove a conoscenza zero (zkSNARKs), raggiungendo cinque obiettivi: ① Distribuzione equa delle ricompense in base al contributo, garantendo che i formatori ricevano incentivi in base ai miglioramenti reali del modello; ② Mantenere l'archiviazione dei dati localizzata, garantendo che la privacy non venga esposta; ③ Introdurre meccanismi di robustezza per affrontare le tossine o gli attacchi di aggregazione da parte di formatori malevoli; ④ Garantire la verificabilità di calcoli cruciali come l'aggregazione dei modelli, il rilevamento delle anomalie e la valutazione dei contributi tramite ZKP; ⑤ Essere adatto in termini di efficienza e versatilità per dati eterogenei e diversi compiti di apprendimento.

Valore dei token nell'AI full-stack
Il meccanismo dei token di ChainOpera opera attorno a cinque flussi di valore (LaunchPad, Agent API, Model Serving, Contribution, Model Training), il nucleo è rappresentato da commissioni di servizio, conferma dei contributi e distribuzione delle risorse, piuttosto che da rendimenti speculativi.

  • Utente AI: accedere ai servizi o abbonarsi alle applicazioni utilizzando token, contribuendo all'ecosistema fornendo/etichettando/ponendo in staking dati.

  • Sviluppatore di agenti/applicazioni: utilizza la potenza di calcolo e i dati della piattaforma per lo sviluppo e ottiene il riconoscimento del protocollo per i propri agenti, applicazioni o dataset.

  • Fornitore di risorse: contribuisce con potenza di calcolo, dati o modelli, ricevendo registrazioni trasparenti e incentivi.

  • Partecipanti alla governance (comunità & DAO): partecipano al voto, alla progettazione dei meccanismi e al coordinamento dell'ecosistema tramite token.

  • Livello del protocollo (COAI): mantiene uno sviluppo sostenibile tramite commissioni di servizio, utilizzando meccanismi di distribuzione automatizzati per bilanciare domanda e offerta.

  • Nodi e validatori: forniscono servizi di verifica, potenza di calcolo e sicurezza, garantendo l'affidabilità della rete.

Governance del protocollo

ChainOpera adotta la governance DAO, partecipando a proposte e votazioni tramite staking di token, garantendo trasparenza e equità nelle decisioni. I meccanismi di governance includono: sistema di reputazione (verifica e quantificazione del contributo), collaborazione comunitaria (proposte e votazioni per promuovere lo sviluppo dell'ecosistema), aggiustamenti dei parametri (uso dei dati, sicurezza e responsabilità dei validatori). L'obiettivo generale è evitare la concentrazione del potere, mantenere la stabilità del sistema e la co-creazione della comunità.

Otto. Background del team e finanziamenti del progetto

Il progetto ChainOpera è stato co-fondato dal professor Salman Avestimehr, esperto nel campo dell'apprendimento federato, e dal dottor Aiden Chaoyang He. Gli altri membri chiave del team provengono da UC Berkeley, Stanford, USC, MIT, Università di Tsinghua, nonché da istituzioni accademiche e tecnologiche di eccellenza come Google, Amazon, Tencent, Meta, Apple, combinando capacità di ricerca accademica e esperienza pratica nell'industria. Fino ad oggi, il team di ChainOpera AI conta oltre 40 membri.

Co-fondatore: Salman Avestimehr

Il professor Salman Avestimehr è Dean's Professor presso il Dipartimento di Ingegneria Elettrica e Informatica dell'Università della California del Sud (USC) ed è il fondatore e direttore del Centro AI Trusted USC-Amazon, guidando anche il laboratorio di teoria dell'informazione e apprendimento automatico di USC (vITAL). È co-fondatore e CEO di FedML e ha co-fondato TensorOpera/ChainOpera AI nel 2022.

Il professor Salman Avestimehr ha conseguito il dottorato in EECS presso UC Berkeley (premio per il miglior articolo). Come membro dell'IEEE, ha pubblicato oltre 300 articoli di alto livello nei campi della teoria dell'informazione, del calcolo distribuito e dell'apprendimento federato, con oltre 30.000 citazioni, ricevendo numerosi riconoscimenti internazionali come PECASE, NSF CAREER, IEEE Massey Award. Ha guidato la creazione del framework open-source FedML, ampiamente utilizzato in sanità, finanza e calcolo della privacy, diventando la pietra angolare della tecnologia centrale di TensorOpera/ChainOpera AI.

Co-fondatore: Dr. Aiden Chaoyang He

Il Dr. Aiden Chaoyang He è co-fondatore e presidente di TensorOpera/ChainOpera AI, dottore in informatica presso USC, creatore originale di FedML. I suoi ambiti di ricerca comprendono apprendimento distribuito e federato, addestramento di modelli su larga scala, blockchain e calcolo della privacy. Prima di intraprendere l'attività imprenditoriale, ha lavorato in Meta, Amazon, Google, Tencent, ricoprendo posizioni di ingegneria e gestione chiave, guidando il lancio di diversi prodotti di livello internet e piattaforme AI.

In ambito accademico e industriale, Aiden ha pubblicato oltre 30 articoli, con oltre 13.000 citazioni su Google Scholar, e ha ricevuto borse di studio Amazon Ph.D., Qualcomm Innovation Fellowship e premi come il miglior articolo a NeurIPS e AAAI. Ha guidato lo sviluppo del framework FedML, uno dei progetti open-source più ampiamente utilizzati nel campo dell'apprendimento federato, gestendo in media 27 miliardi di richieste al giorno; e come autore principale ha proposto il framework FedNLP e metodi di addestramento parallelo di modelli, ampiamente applicati a progetti di AI decentralizzati come Sahara AI.

Nel dicembre 2024, ChainOpera AI ha annunciato di aver completato un finanziamento seed di 3,5 milioni di dollari, accumulando un totale di 17 milioni di dollari in finanziamenti con TensorOpera. I fondi saranno utilizzati per costruire un blockchain L1 e un sistema operativo AI orientato agli agenti AI decentralizzati. Questo round di finanziamento è stato guidato da Finality Capital, Road Capital, IDG Capital, con investitori secondari tra cui Camford VC, ABCDE Capital, Amber Group, Modular Capital, e ha ricevuto anche supporto da Sparkle Ventures, Plug and Play, USC e dai fondatori di EigenLayer Sreeram Kannan, David Tse co-fondatore di BabylonChain e altri noti investitori istituzionali e individuali. Il team ha dichiarato che questo round di finanziamento accelererà la realizzazione della visione di un ecosistema AI decentralizzato co-proprietario e co-creato da "contributori di risorse AI, sviluppatori e utenti".

Nove. Analisi del mercato dell'apprendimento federato e degli agenti AI

I principali framework di apprendimento federato sono quattro: FedML, Flower, TFF, OpenFL. Tra questi, FedML è il più completo, combinando apprendimento federato, addestramento di grandi modelli distribuiti e MLOps, adatto per l'implementazione industriale; Flower è leggero e facile da usare, con una comunità attiva, orientato all'insegnamento e a esperimenti su piccola scala; TFF dipende fortemente da TensorFlow, ha un alto valore di ricerca accademica ma è debole nell'industrializzazione; OpenFL si concentra su sanità/finanza, enfatizzando la privacy e la conformità, con un ecosistema relativamente chiuso. In generale, FedML rappresenta un percorso industriale di alta gamma, Flower si concentra sulla facilità d'uso e sull'istruzione, TFF è orientato alla ricerca accademica, mentre OpenFL ha vantaggi in termini di conformità nei settori verticali.

Nell'industrializzazione e nella infrastruttura, TensorOpera (la commercializzazione di FedML) si distingue per l'eredità tecnologica dell'open-source FedML, fornendo capacità integrate di programmazione GPU cross-cloud, addestramento distribuito, apprendimento federato e MLOps, con l'obiettivo di colmare il divario tra ricerca accademica e applicazioni industriali, servendo sviluppatori, piccole e medie imprese e l'ecosistema Web3/DePIN. In generale, TensorOpera è equivalente a "Hugging Face + W&B dell'open-source FedML", con capacità di addestramento distribuito e apprendimento federato più complete e universali, a differenza di altre piattaforme focalizzate su comunità, strumenti o singoli settori.

Nella rappresentanza del livello innovativo, ChainOpera e Flock tentano entrambi di combinare l'apprendimento federato con Web3, ma ci sono differenze evidenti nella direzione. ChainOpera costruisce una piattaforma full-stack per agenti AI, coprendo quattro livelli di architettura: ingresso, sociale, sviluppo e infrastruttura, con un core value che spinge gli utenti a passare da "consumatori" a "co-creatori" e a realizzare un'AGI collaborativa e un ecosistema co-creato tramite AI Terminal e Agent Social Network; mentre Flock è più focalizzato sull'apprendimento federato potenziato da blockchain (BAFL), sottolineando la protezione della privacy e i meccanismi di incentivazione in un ambiente decentralizzato, principalmente rivolto alla verifica collaborativa nella potenza di calcolo e nei dati. ChainOpera tende ad un'implementazione del livello applicativo e della rete di agenti, mentre Flock tende a rafforzare l'addestramento di base e il calcolo della privacy.

Nel livello della rete degli agenti, il progetto più rappresentativo del settore è Olas Network. ChainOpera proviene dall'apprendimento federato, costruendo un ciclo chiuso full-stack di modelli - potenza di calcolo - agenti, esplorando l'interazione e la collaborazione sociale multi-agente presso Agent Social Network; Olas Network proviene dalla cooperazione DAO e dall'ecosistema DeFi, posizionandosi come una rete di servizi autonomi decentralizzati, presentando scenari di rendimento DeFi attuabili tramite Pearl, mostrando un percorso completamente diverso da ChainOpera.

Dieci. Logica di investimento e analisi dei potenziali rischi

Logica di investimento

I vantaggi di ChainOpera risiedono innanzitutto nel suo fossato tecnologico: da FedML (framework open-source di riferimento per l'apprendimento federato) a TensorOpera (infrastruttura AI full-stack per le aziende), fino a ChainOpera (rete di agenti Web3 + DePIN + Tokenomics), formando un percorso di evoluzione unico, combinando accumulo accademico, attuazione industriale e narrazione crittografica.

In termini di scala applicativa e utenti, AI Terminal ha già formato centinaia di migliaia di utenti attivi giornalieri e un ecosistema di applicazioni Agent in migliaia, occupando il primo posto nella categoria AI su BNBChain DApp Bay, con una chiara crescita degli utenti on-chain e un volume di scambi reale. Gli scenari multimodali coperti nel campo nativo delle criptovalute sono destinati a espandersi gradualmente a un'utenza Web2 più ampia.

In termini di cooperazione ecologica, ChainOpera ha avviato l'alleanza CO-AI, unendo partner come io.net, Render, TensorOpera, FedML, MindNetwork per costruire effetti di rete multilaterali per GPU, modelli, dati e calcolo della privacy; allo stesso tempo, ha collaborato con Samsung Electronics per verificare la GenAI multimodale su mobile, mostrando il potenziale di espansione verso hardware e AI edge.

In termini di token e modelli economici, ChainOpera si basa sul consenso Proof-of-Intelligence, distribuendo incentivi attorno a cinque flussi di valore (LaunchPad, Agent API, Model Serving, Contribution, Model Training) e formando un ciclo positivo attraverso una commissione di servizio dell'1%, distribuzione di incentivi e supporto alla liquidità, evitando un singolo modello di "speculazione sui token", migliorando la sostenibilità.

Rischi potenziali

In primo luogo, la difficoltà di attuazione tecnologica è relativamente alta. L'architettura decentralizzata a cinque livelli proposta da ChainOpera ha un ampio raggio, e la cooperazione tra i livelli (soprattutto nell'inferenza distribuita dei grandi modelli e nell'addestramento della privacy) presenta ancora sfide in termini di prestazioni e stabilità, non essendo stata verificata su larga scala.

In secondo luogo, la fidelizzazione degli utenti dell'ecosistema deve essere osservata. Sebbene il progetto abbia raggiunto una crescita iniziale degli utenti, rimane da verificare se il Marketplace degli agenti e la catena di strumenti per sviluppatori possano mantenere a lungo termine un'offerta attiva e di alta qualità. Attualmente, la rete sociale degli agenti lanciata si basa principalmente su dialoghi testuali guidati da LLM, e l'esperienza utente e la retention a lungo termine necessitano ulteriori miglioramenti. Se il design del meccanismo di incentivazione non è abbastanza raffinato, potrebbe verificarsi un fenomeno di alta attivazione a breve termine ma di valore insufficiente a lungo termine.

Infine, la sostenibilità del modello di business deve ancora essere confermata. Attualmente, le entrate dipendono principalmente dalle commissioni di servizio della piattaforma e dal ciclo dei token, il flusso di cassa stabile non si è ancora formato, e rispetto ad applicazioni più finanziabili o produttive come AgentFi o Payment, il valore commerciale dell'attuale modello deve essere ulteriormente verificato; allo stesso tempo, l'ecosistema mobile e hardware è ancora in fase di esplorazione, con prospettive di mercato che presentano una certa incertezza.

Dichiarazione di non responsabilità: Questo articolo è stato completato con l'assistenza dello strumento AI ChatGPT-5 durante il processo di scrittura, l'autore ha fatto del suo meglio per correggere e garantire la veridicità e l'accuratezza delle informazioni, ma potrebbero comunque esserci delle omissioni, si prega di comprendere. È importante notare che il mercato degli asset crittografici presenta frequentemente situazioni in cui le fondamenta dei progetti e le performance dei prezzi nel mercato secondario si discostano. I contenuti di questo articolo sono solo per l'integrazione delle informazioni e per scopi di scambio accademico/di ricerca, non costituiscono alcun consiglio di investimento e non devono essere considerati come raccomandazioni per l'acquisto o la vendita di alcun token.