在 6 月份的研报《Crypto AI 的圣杯：去中心化训练的前沿探索》中，我们提及联邦学习（Federated Learning）这一介于分布式训练与去中心化训练之间的「受控去中心化」方案：其核心是数据本地保留、参数集中聚合，满足医疗、金融等隐私与合规需求。与此同时，我们在过往多期研报中持续关注智能体（Agent）网络的兴起——其价值在于通过多智能体的自治与分工，协作完成复杂任务，推动「大模型」向「多智能体生态」的演进。

　　联邦学习以「数据不出本地、按贡献激励」奠定了多方协作的基础，其分布式基因、透明激励、隐私保障与合规实践为 Agent Network 提供了可直接复用的经验。FedML 团队正是沿着这一路径，将开源基因升级为 TensorOpera（AI 产业基础设施层），再演进至 ChainOpera（去中心化 Agent 网络）。当然，Agent Network 并非联邦学习的必然延伸，其核心在于多智能体的自治协作与任务分工，也可直接基于多智能体系统（MAS）、强化学习（RL）或区块链激励机制构建。

　　联邦学习（Federated Learning, FL） 是一种在不集中数据的前提下进行协同训练的框架，其基本原理是由各参与方在本地训练模型，仅上传参数或梯度至协调端进行聚合，从而实现「数据不出域」的隐私合规。经过医疗、金融和移动端等典型场景的实践，联邦学习 已进入较为成熟的商用阶段，但仍面临通信开销大、隐私保护不彻底、设备异构导致收敛效率低等瓶颈。与其他训练模式相比，分布式训练强调算力集中以追求效率与规模，去中心化训练则通过开放算力网络实现完全分布式协作，而联邦学习则处于二者之间，体现为一种 「受控去中心化」 方案：既能满足产业在隐私与合规方面的需求，又提供了跨机构协作的可行路径，更适合工业界过渡性部署架构。

　　而在整个 AI Agent 协议栈中，我们在之前的研报中将其划分为三个主要层级，即

　　基础设施层（Agent Infrastructure Layer）:该层为智能体提供最底层的运行支持，是所有 Agent 系统构建的技术根基。

　　协调与调度层（Coordination & Execution Layer）关注多智能体之间的协同、任务调度与系统激励机制，是构建智能体系统「群体智能」的关键。

　　Agent Orchestration：是指挥机制，用于统一调度和管理 Agent 生命周期、任务分配和执行流程，适用于有中心控制的工作流场景。

　　Agent Swarm：是协同结构，强调分布式智能体协作，具备高度自治性、分工能力和弹性协同，适合应对动态环境中的复杂任务。

　　Agent Incentive Layer：构建 Agent 网络的经济激励系统，激发开发者、执行者与验证者的积极性，为智能体生态提供可持续动力。

　　FedML 是最早面向联邦学习（Federated Learning）与分布式训练的开源框架之一，起源于学术团队（USC）并逐步公司化成为 TensorOpera AI 的核心产品。它为研究者和开发者提供跨机构、跨设备的数据协作训练工具，在学术界，FedML 因频繁出现在 NeurIPS、ICML、AAAI 等顶会上，已成为联邦学习研究的通用实验平台；在产业界，FedML 在医疗、金融、边缘 AI 及 Web3 AI 等隐私敏感场景中具备较高口碑，被视为 联邦学习领域的标杆性工具链。

　　MLOps 层是平台直接面向开发者与企业的服务接口，包括 Model Serving、AI Agent 与 Studio 等模块。典型应用涵盖 LLM Chatbot、多模态生成式 AI 和开发者 Copilot 工具。其价值在于将底层算力与训练能力抽象为高层 API 与产品，降低使用门槛，提供即用型 Agent、低代码开发环境与可扩展部署能力，定位上对标 Anyscale、Together、Modal 等新一代 AI Infra 平台，充当从基础设施走向应用的桥梁。

　　2025 年 3 月，TensorOpera 升级为面向 AI Agent 的全栈平台，核心产品涵盖 AgentOpera AI App、Framework 与 Platform。应用层提供类 ChatGPT 的多智能体入口，框架层以图结构多智能体系统和 Orchestrator/Router 演进为「Agentic OS」，平台层则与 TensorOpera 模型平台和 FedML 深度融合，实现分布式模型服务、RAG 优化和混合端云部署。整体目标是打造 「一个操作系统，一个智能体网络」，让开发者、企业与用户在开放、隐私保护的环境下共建新一代 Agentic AI 生态。

　　ChainOpera 生态的共创者涵盖 AI Agent 开发者（设计与运营智能体）、工具与服务提供方（模板、MCP、数据库与 API）、模型开发者（训练与发布模型卡）、GPU 提供方（通过 DePIN 与 Web2 云伙伴贡献算力）、数据贡献者与标注方（上传与标注多模态数据）。三类核心供给——开发、算力与数据——共同驱动智能体网络的持续成长。

　　ChainOpera 生态还引入 共有人机制，通过合作与参与共同建设网络。AI Agent 创作者是个人或团队，通过 Agent Platform 设计与部署新型智能体，负责构建、上线并持续维护，从而推动功能与应用的创新。AI Agent 参与者则来自社区，他们通过获取和持有访问单元（Access Units）参与智能体的生命周期，在使用与推广过程中支持智能体的成长与活跃度。两类角色分别代表 供给端与需求端，共同形成生态内的价值共享与协同发展模式。

　　ChainOpera AI 与多方合作，强化平台的可用性与安全性，并注重 Web3 场景融合：通过 AI Terminal App 联合钱包、算法与聚合平台实现智能服务推荐；在 Agent Platform 引入多元框架与零代码工具，降低开发门槛；依托 TensorOpera AI 进行模型训练与推理；并与 FedML 建立独家合作，支持跨机构、跨设备的隐私保护训练。整体上，形成兼顾 企业级应用 与 Web3 用户体验 的开放生态体系。

　　通过 DeAI Phone、可穿戴与 Robot AI 等合作伙伴，ChainOpera 将区块链与 AI 融合进智能终端，实现 dApp 交互、端侧训练与隐私保护，逐步形成去中心化 AI 硬件生态。

　　根据 BNB DApp Bay 近 30 日的链上数据显示，其独立用户 158.87K，近 30 日交易量 260 万，在在 BSC「AI Agent」分类中排名全站第二，显示出强劲的链上活跃度。

　　作为去中心化 ChatGPT 与 AI 社交入口，AI Terminal 提供多模态协作、数据贡献激励、DeFi 工具整合、跨平台助手，并支持 AI Agent 协作与隐私保护（Your Data, Your Agent）。用户可在移动端直接调用开源大模型 DeepSeek-R1 与社区智能体，交互过程中语言 Token 与加密 Token 在链上透明流转。其价值在于让用户从「内容消费者」转变为「智能共创者」，并能在 DeFi、RWA、PayFi、电商等场景中使用专属智能体网络。

　　为开发者提供「乐高式」创作体验。支持零代码与模块化扩展，区块链合约确保所有权，DePIN + 云基础设施降低门槛，Marketplace 提供分发与发现渠道。其核心在于让开发者快速触达用户，生态贡献可透明记录并获得激励。

　　作为基础设施层，结合 DePIN 与联邦学习，解决 Web3 AI 依赖中心化算力的痛点。通过分布式 GPU、隐私保护的数据训练、模型与数据市场，以及端到端 MLOps，支持多智能体协作与个性化 AI。其愿景是推动从「大厂垄断」到「社区共建」的基建范式转移。

　　除去已正式上线全栈 AI Agent 平台外， ChainOpera AI 坚信通用人工智能（AGI）来自 多模态、多智能体的协作网络。因此其远期路线图规划分为四个阶段：

　　阶段四（Ecosystems → Autonomous AI Economies）：逐步演进为自治子网经济，各子网围绕 应用、基础设施、算力、模型与数据 独立治理、代币化运作，并通过跨子网协议协作，形成多子网协同生态；同时从 Agentic AI 迈向 Physical AI（机器人、自动驾驶、航天）。

　　免责声明：本路线图仅供参考，时间表与功能可能因市场环境动态调整，不构成交付保证承诺。

　　目前 ChainOpera 尚未公布完整的代币激励计划，但其 CoAI 协议以「共创与共拥有」为核心，通过区块链与 Proof-of-Intelligence 机制实现透明可验证的贡献记录：开发者、算力、数据与服务提供者的投入按标准化方式计量并获得回报，用户使用服务、资源方支撑运行、开发者构建应用，所有参与方共享增长红利；平台则以 1% 服务费、奖励分配和流动性支持维持循环，推动开放、公平、协作的去中心化 AI 生态。

　　Proof-of-Intelligence (PoI) 是 ChainOpera 在 CoAI 协议下提出的核心共识机制，旨在为去中心化 AI 构建提供透明、公平且可验证的激励与治理体系。其基于 Proof-of-Contribution（贡献证明） 的区块链协作机器学习框架，旨在解决联邦学习（FL）在实际应用中存在的激励不足、隐私风险与可验证性缺失问题。该设计以智能合约为核心，结合去中心化存储（IPFS）、聚合节点和零知识证明（zkSNARKs），实现了五大目标：① 按贡献度进行公平奖励分配，确保训练者基于实际模型改进获得激励；② 保持数据本地化存储，保障隐私不外泄；③ 引入鲁棒性机制，对抗恶意训练者的投毒或聚合攻击；④ 通过 ZKP 确保模型聚合、异常检测与贡献评估等关键计算的可验证性；⑤ 在效率与通用性上适用于异构数据和不同学习任务。

　　AI 用户：用代币访问服务或订阅应用，并通过提供 / 标注 / 质押数据贡献生态。

　　Agent/ 应用开发者：使用平台算力与数据进行开发，并因其贡献的 Agent、应用或数据集获得协议认可。

　　治理参与者（社区 & DAO）：通过代币参与投票、机制设计与生态协调。

　　协议层（COAI）：通过服务费维持可持续发展，利用自动化分配机制平衡供需。

　　ChainOpera 采用 DAO 治理，通过质押代币参与提案与投票，确保决策透明与公平。治理机制包括：声誉系统（验证并量化贡献）、社区协作（提案与投票推动生态发展）、参数调整（数据使用、安全与验证者问责）。整体目标是避免权力集中，保持系统稳定与社区共创。

　　Dr. Aiden Chaoyang He 是 TensorOpera/ChainOpera AI 联合创始人兼总裁，南加州大学（USC）计算机科学博士、FedML 原始创建者。其研究方向涵盖分布式与联邦学习、大规模模型训练、区块链与隐私计算。在创业之前，他曾在 Meta、Amazon、Google、Tencent 从事研发，并在腾讯、百度、华为担任核心工程与管理岗位，主导多个互联网级产品与 AI 平台的落地。

　　联邦学习框架主要有四个代表：FedML、Flower、TFF、OpenFL。其中，FedML 最全栈，兼具联邦学习、分布式大模型训练与 MLOps，适合产业落地；Flower 轻量易用，社区活跃，偏教学与小规模实验；TFF 深度依赖 TensorFlow，学术研究价值高，但产业化弱；OpenFL 聚焦医疗 / 金融，强调隐私合规，生态较封闭。总体而言，FedML 代表工业级全能路径，Flower 注重易用性与教育，TFF 偏学术实验，OpenFL 则在垂直行业合规性上具优势。

　　在产业化与基础设施层，TensorOpera（FedML 商业化）的特点在于继承开源 FedML 的技术积累，提供跨云 GPU 调度、分布式训练、联邦学习与 MLOps 的一体化能力，目标是桥接学术研究与产业应用，服务开发者、中小企业及 Web3/DePIN 生态。总体来看，TensorOpera 相当于 「开源 FedML 的 Hugging Face + W&B 合体」，在全栈分布式训练和联邦学习能力上更完整、通用，区别于以社区、工具或单一行业为核心的其他平台。

　　在创新层代表中，ChainOpera 与 Flock 都尝试将联邦学习与 Web3 结合，但方向存在明显差异。ChainOpera 构建的是 全栈 AI Agent 平台，涵盖入口、社交、开发和基础设施四层架构，核心价值在于推动用户从「消费者」转变为「共创者」，并通过 AI Terminal 与 Agent Social Network 实现协作式 AGI 与社区共建生态；而 Flock 则更聚焦于 区块链增强型联邦学习（BAFL），强调在去中心化环境下的隐私保护与激励机制，主要面向算力和数据层的协作验证。ChainOpera 更偏向 应用与 Agent 网络层 的落地，Flock 则偏向 底层训练与隐私计算 的强化。

　　在 Agent 网络层面，业内最有代表性的项目是 Olas Network。ChainOpera 前者源自联邦学习，构建模型—算力—智能体的全栈闭环，并以 Agent Social Network 为实验场探索多智能体的交互与社交协作；Olas Network 源于 DAO 协作与 DeFi 生态，定位为去中心化自主服务网络，通过 Pearl 推出可直接落地的 Defi 收益场景，与 ChainOpera 展现出截然不同的路径。

　　在 应用与用户规模 上，AI Terminal 已形成数十万日活用户与千级 Agent 应用生态，并在 BNBChain DApp Bay AI 类目排名第一，具备明确的链上用户增长与真实交易量。其多模态场景覆盖的加密原生领域有望逐步外溢至更广泛的 Web2 用户。

　　首先，技术落地难度较高。ChainOpera 所提出的五层去中心化架构跨度大，跨层协同（尤其在大模型分布式推理与隐私训练方面）仍存在性能与稳定性挑战，尚未经过大规模应用验证。

　　其次，生态用户粘性仍需观察。虽然项目已取得初步用户增长，但 Agent Marketplace 与开发者工具链能否长期维持活跃与高质量供给仍有待检验。目前上线的 Agent Social Network 主要以 LLM 驱动的文本对话为主，用户体验与长期留存仍需进一步提升。若激励机制设计不够精细，可能出现短期活跃度高但长期价值不足的现象。

　　最后，商业模式的可持续性尚待确认。现阶段收入主要依赖平台服务费与代币循环，稳定现金流尚未形成，与 AgentFi 或 Payment 等更具金融化或生产力属性的应用相比，当前模式的商业价值仍需进一步验证；同时，移动端与硬件生态仍在探索阶段，市场化前景存在一定不确定性。