Da aprendizagem federada à rede de agentes descentralizados: análise do projeto ChainOpera

Autor: 0xjacobzhao

No relatório de junho “ O Santo Graal da Crypto AI: Exploração de Fronteira do Treinamento Descentralizado ”, mencionamos o Federated Learning, uma solução de “descentralização controlada” situada entre o treinamento distribuído e o treinamento descentralizado: seu núcleo é a retenção local de dados e agregação centralizada de parâmetros, atendendo às demandas de privacidade e conformidade em setores como saúde e finanças. Ao mesmo tempo, acompanhamos continuamente o surgimento das redes de agentes (Agent Network) em vários relatórios — seu valor reside na realização de tarefas complexas por meio da autonomia e divisão de trabalho de múltiplos agentes, impulsionando a evolução dos “grandes modelos” para um “ecossistema de múltiplos agentes”.

O Federated Learning estabelece a base para a colaboração multipartidária com o princípio de “dados permanecem locais, incentivos por contribuição”, e suas características de distribuição, incentivos transparentes, proteção de privacidade e práticas de conformidade fornecem experiências diretamente reutilizáveis para Agent Network. A equipe FedML segue esse caminho, evoluindo o DNA open source para TensorOpera (camada de infraestrutura da indústria de IA), e posteriormente para ChainOpera (rede descentralizada de agentes). Claro, Agent Network não é uma extensão inevitável do Federated Learning; seu núcleo está na colaboração autônoma e divisão de tarefas entre múltiplos agentes, podendo ser construída diretamente com base em sistemas multiagente (MAS), reinforcement learning (RL) ou mecanismos de incentivo baseados em blockchain.

I. Arquitetura do stack tecnológico de Federated Learning e AI Agent

Federated Learning (FL) é uma estrutura para treinamento colaborativo sem centralizar dados; seu princípio básico é que cada participante treina o modelo localmente e apenas envia parâmetros ou gradientes para um coordenador para agregação, realizando assim a conformidade de privacidade “dados não saem do domínio”. Após práticas em cenários típicos como saúde, finanças e dispositivos móveis, o Federated Learning já entrou em uma fase comercial relativamente madura, mas ainda enfrenta gargalos como alto custo de comunicação, proteção de privacidade incompleta e baixa eficiência de convergência devido à heterogeneidade dos dispositivos. Comparado a outros modos de treinamento, o treinamento distribuído enfatiza a concentração de poder computacional para eficiência e escala, enquanto o treinamento descentralizado realiza colaboração totalmente distribuída por meio de redes de poder computacional abertas, e o Federated Learning fica entre os dois, manifestando-se como uma “descentralização controlada”: atende às demandas de privacidade e conformidade da indústria e oferece um caminho viável para colaboração entre instituições, sendo mais adequado para arquiteturas de implantação transitórias na indústria.

Em todo o stack de protocolos de AI Agent, em relatórios anteriores o dividimos em três camadas principais, a saber:

• Camada de Infraestrutura (Agent Infrastructure Layer): Esta camada fornece o suporte operacional mais básico para agentes, sendo a base técnica para a construção de todos os sistemas de agentes.

• Módulos principais: Incluem Agent Framework (framework de desenvolvimento e execução de agentes) e Agent OS (sistema operacional de múltiplas tarefas e runtime modular em nível mais baixo), fornecendo capacidades essenciais para o gerenciamento do ciclo de vida dos agentes.

• Módulos de suporte: Como Agent DID (identidade descentralizada), Agent Wallet & Abstraction (abstração de conta e execução de transações), Agent Payment/Settlement (capacidade de pagamento e liquidação).

• Camada de Coordenação e Execução (Coordination & Execution Layer)foca na colaboração entre múltiplos agentes, agendamento de tarefas e mecanismos de incentivo do sistema, sendo fundamental para construir a “inteligência coletiva” dos sistemas de agentes.

• Agent Orchestration: Mecanismo de comando para agendamento unificado e gerenciamento do ciclo de vida dos agentes, distribuição de tarefas e fluxo de execução, adequado para cenários de workflow com controle centralizado.

• Agent Swarm: Estrutura colaborativa que enfatiza a cooperação distribuída entre agentes, com alta autonomia, capacidade de divisão de trabalho e colaboração resiliente, adequada para tarefas complexas em ambientes dinâmicos.

• Agent Incentive Layer: Constrói o sistema de incentivos econômicos da rede de agentes, estimulando desenvolvedores, executores e validadores, fornecendo motivação sustentável para o ecossistema de agentes.

• Camada de Aplicação (Application & Distribution Layer)

• Subclasse de distribuição: Inclui Agent Launchpad, Agent Marketplace e Agent Plugin Network

• Subclasse de aplicação: Abrange AgentFi, Agent Native DApp, Agent-as-a-Service, etc.

• Subclasse de consumo: Principalmente Agent Social / Consumer Agent, voltado para cenários leves de consumo e socialização

• Meme: Explora o conceito de Agent para hype, mas carece de implementação técnica real e aplicação prática, sendo apenas impulsionado por marketing.

II. FedML como referência em Federated Learning e a plataforma full stack TensorOpera

FedML é um dos primeiros frameworks open source voltados para Federated Learning e treinamento distribuído, originado de uma equipe acadêmica (USC) e gradualmente transformado em produto central da TensorOpera AI. Ele fornece ferramentas de colaboração de dados para treinamento entre instituições e dispositivos; na academia, o FedML é frequentemente citado em conferências como NeurIPS, ICML, AAAI, tornando-se uma plataforma experimental padrão para pesquisa em Federated Learning; na indústria, o FedML tem boa reputação em cenários sensíveis à privacidade como saúde, finanças, edge AI e Web3 AI, sendo considerado uma ferramenta de referência no campo de Federated Learning.

TensorOpera é a evolução comercial do FedML para uma plataforma full stack de infraestrutura de IA voltada para empresas e desenvolvedores: mantendo as capacidades de Federated Learning, expande para GPU Marketplace, serviços de modelo e MLOps, entrando em um mercado maior na era dos grandes modelos e agentes. A arquitetura geral do TensorOpera pode ser dividida em três camadas: Compute Layer (camada básica), Scheduler Layer (camada de agendamento) e MLOps Layer (camada de aplicação):

1. Compute Layer (camada básica)

A camada Compute é a base técnica do TensorOpera, continuando o DNA open source do FedML, com funções principais incluindo Parameter Server, Distributed Training, Inference Endpoint e Aggregation Server. Seu valor está em fornecer treinamento distribuído, Federated Learning com proteção de privacidade e um motor de inferência escalável, suportando as três capacidades principais “Train / Deploy / Federate”, cobrindo toda a cadeia de treinamento de modelo, implantação e colaboração entre instituições, sendo a camada fundamental da plataforma.

2. Scheduler Layer (camada intermediária)

A camada Scheduler funciona como o centro de negociação e agendamento de poder computacional, composta por GPU Marketplace, Provision, Master Agent e Schedule & Orchestrate, suportando a chamada de recursos entre nuvens públicas, provedores de GPU e contribuidores independentes. Esta camada é o ponto de virada chave na evolução do FedML para TensorOpera, permitindo treinamento e inferência de IA em maior escala por meio de agendamento inteligente de poder computacional e orquestração de tarefas, abrangendo cenários típicos de LLM e IA generativa. Além disso, o modo Share & Earn desta camada reserva interfaces para mecanismos de incentivo, com potencial de compatibilidade com DePIN ou modelos Web3.

3. MLOps Layer (camada superior)

A camada MLOps é a interface de serviço da plataforma diretamente para desenvolvedores e empresas, incluindo módulos como Model Serving, AI Agent e Studio. Aplicações típicas abrangem LLM Chatbot, IA generativa multimodal e ferramentas Copilot para desenvolvedores. Seu valor está em abstrair o poder computacional e as capacidades de treinamento das camadas inferiores em APIs e produtos de alto nível, reduzindo a barreira de entrada, fornecendo agentes prontos para uso, ambientes de desenvolvimento low-code e capacidade de implantação escalável, posicionando-se como concorrente de plataformas de nova geração de AI Infra como Anyscale, Together, Modal, servindo de ponte entre infraestrutura e aplicação.

Em março de 2025, o TensorOpera evolui para uma plataforma full stack voltada para AI Agent, com produtos principais incluindo AgentOpera AI App, Framework e Platform. A camada de aplicação oferece uma entrada multiagente semelhante ao ChatGPT, a camada de framework evolui para um “Agentic OS” com sistemas multiagente em estrutura de grafo e Orchestrator/Router, enquanto a camada de plataforma se integra profundamente com a plataforma de modelos TensorOpera e FedML, realizando serviços de modelo distribuído, otimização RAG e implantação híbrida edge-cloud. O objetivo geral é construir “um sistema operacional, uma rede de agentes”, permitindo que desenvolvedores, empresas e usuários co-construam a nova geração do ecossistema Agentic AI em um ambiente aberto e com proteção de privacidade.

III. Panorama do ecossistema ChainOpera AI: de co-criadores e co-proprietários à base tecnológica

Se FedML é o núcleo técnico, fornecendo o DNA open source de Federated Learning e treinamento distribuído; TensorOpera abstrai os resultados acadêmicos do FedML em infraestrutura de IA full stack comercializável; então ChainOpera é a “tokenização” das capacidades da plataforma TensorOpera, criando um ecossistema de rede de agentes descentralizada por meio de AI Terminal + Agent Social Network + camada DePIN de modelo e poder computacional + blockchain AI-Native. A principal mudança é que o TensorOpera ainda é voltado principalmente para empresas e desenvolvedores, enquanto o ChainOpera, com governança e incentivos Web3, inclui usuários, desenvolvedores e provedores de GPU/dados na co-construção e co-governança, tornando os AI Agents não apenas “utilizados”, mas “co-criados e co-propriedade”.

Ecossistema de co-criadores (Co-creators)

O ChainOpera AI, por meio da Model & GPU Platform e Agent Platform, fornece ferramentas, infraestrutura e camada de coordenação para co-criação do ecossistema, suportando treinamento de modelos, desenvolvimento de agentes, implantação e colaboração expandida.

Os co-criadores do ecossistema ChainOpera incluem desenvolvedores de AI Agent (design e operação de agentes),fornecedores de ferramentas e serviços (templates, MCP, banco de dados e API),desenvolvedores de modelos (treinamento e publicação de model cards),provedores de GPU (contribuindo poder computacional via DePIN e parceiros cloud Web2),contribuidores e rotuladores de dados (upload e rotulagem de dados multimodais). Três ofertas principais — desenvolvimento, poder computacional e dados — impulsionam conjuntamente o crescimento contínuo da rede de agentes.

Ecossistema de co-proprietários (Co-owners)

O ecossistema ChainOpera também introduz o mecanismo de co-propriedade, promovendo a construção conjunta da rede por meio de colaboração e participação.Criadores de AI Agent são indivíduos ou equipes que, por meio da Agent Platform, projetam e implantam novos agentes, sendo responsáveis pela construção, lançamento e manutenção contínua, impulsionando a inovação de funções e aplicações.Participantes de AI Agent vêm da comunidade, participando do ciclo de vida dos agentes por meio da obtenção e posse de Access Units, apoiando o crescimento e a atividade dos agentes durante o uso e promoção. Esses dois papéis representam oferta e demanda, formando conjuntamente um modelo de compartilhamento de valor e desenvolvimento colaborativo dentro do ecossistema.

Parceiros do ecossistema: plataformas e frameworks

O ChainOpera AI coopera com múltiplas partes para fortalecer a usabilidade e segurança da plataforma, com foco na integração de cenários Web3: por meio do AI Terminal App integra carteira, algoritmos e plataformas de agregação para recomendação de serviços inteligentes; na Agent Platform introduz frameworks diversos e ferramentas no-code para reduzir a barreira de desenvolvimento; com base no TensorOpera AI realiza treinamento e inferência de modelos; e estabelece parceria exclusiva com FedML para suportar treinamento com proteção de privacidade entre instituições e dispositivos. No geral, forma-se um ecossistema aberto que equilibra aplicações empresariais e experiência de usuário Web3.

Ponto de entrada de hardware: AI Hardware & Partners

Por meio de parceiros como DeAI Phone, wearables e Robot AI, o ChainOpera integra blockchain e IA em terminais inteligentes, realizando interação com dApps, treinamento no dispositivo e proteção de privacidade, formando gradualmente um ecossistema descentralizado de hardware de IA.

Plataforma central e base tecnológica: TensorOpera GenAI & FedML

O TensorOpera fornece uma plataforma GenAI full stack cobrindo MLOps, Scheduler e Compute; seu subplataforma FedML evoluiu de open source acadêmico para framework industrial, fortalecendo a capacidade de IA de “rodar em qualquer lugar, expandir livremente”.

Ecossistema ChainOpera AI

IV. Produtos principais do ChainOpera e infraestrutura full stack de AI Agent

Em junho de 2025, o ChainOpera lança oficialmente o AI Terminal App e stack tecnológico descentralizado, posicionando-se como “OpenAI descentralizado”, com quatro módulos principais: camada de aplicação (AI Terminal & Agent Network), camada de desenvolvedor (Agent Creator Center), camada de modelo e GPU (Model & Compute Network), além do protocolo CoAI e chain dedicada, cobrindo todo o ciclo desde a entrada do usuário até o poder computacional de base e incentivos on-chain.

O AI Terminal App já integra BNBChain, suportando transações on-chain e agentes para cenários DeFi. O Agent Creator Center está aberto para desenvolvedores, oferecendo MCP/HUB, base de conhecimento e RAG, com agentes comunitários continuamente ingressando; ao mesmo tempo, lança a CO-AI Alliance, conectando parceiros como io.net, Render, TensorOpera, FedML, MindNetwork, entre outros.

De acordo comBNB DApp Bay dados on-chain dos últimos 30 dias, há 158,87 mil usuários únicos e 2,6 milhões de transações no período, ocupando o segundo lugar em toda a categoria “AI Agent” da BSC, demonstrando forte atividade on-chain.

Super AI Agent App – AI Terminal

Como entrada descentralizada para ChatGPT e social AI, o AI Terminal oferece colaboração multimodal, incentivos para contribuição de dados, integração de ferramentas DeFi, assistente multiplataforma, além de suportar colaboração de AI Agent e proteção de privacidade (Your Data, Your Agent). Usuários podem acessar grandes modelos open source DeepSeek-R1 e agentes comunitários diretamente no mobile, com tokens de linguagem e tokens cripto fluindo de forma transparente on-chain durante a interação. Seu valor está em transformar o usuário de “consumidor de conteúdo” em “co-criador inteligente”, podendo usar a rede exclusiva de agentes em cenários DeFi, RWA, PayFi, e-commerce, entre outros.

AI Agent Social Network

Posiciona-se como LinkedIn + Messenger, mas voltado para grupos de AI Agent. Por meio de espaços de trabalho virtuais e mecanismos de colaboração Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel), impulsiona a evolução de agentes únicos para redes colaborativas multiagente, abrangendo aplicações em finanças, jogos, e-commerce, pesquisa, e gradualmente aprimorando memória e autonomia.

AI Agent Developer Platform

Oferece aos desenvolvedores uma experiência de criação “estilo Lego”. Suporta zero código e expansão modular, contratos blockchain garantem propriedade, DePIN + infraestrutura cloud reduzem barreiras, e o Marketplace fornece canais de distribuição e descoberta. O núcleo é permitir que desenvolvedores alcancem rapidamente usuários, com contribuições para o ecossistema registradas de forma transparente e recompensadas.

AI Model & GPU Platform

Como camada de infraestrutura, combina DePIN e Federated Learning para resolver o problema da dependência de poder computacional centralizado no Web3 AI. Por meio de GPU distribuída, treinamento de dados com proteção de privacidade, mercado de modelos e dados, e MLOps ponta a ponta, suporta colaboração multiagente e IA personalizada. A visão é promover a mudança de paradigma de “monopólio das grandes empresas” para “construção comunitária” da infraestrutura.

V. Roadmap do ChainOpera AI

Além do full stack AI Agent Platform já lançado oficialmente, o ChainOpera AI acredita firmemente que a inteligência artificial geral (AGI) virá de redes colaborativas multimodais e multiagente. Portanto, seu roadmap de longo prazo é dividido em quatro fases:

• Fase 1 (Compute → Capital): Construção de infraestrutura descentralizada, incluindo rede GPU DePIN, plataforma de Federated Learning e treinamento/inferência distribuída, introduzindo o Model Router para coordenar inferência multi-end; mecanismos de incentivo distribuem receitas para provedores de poder computacional, modelos e dados conforme uso.

• Fase 2 (Agentic Apps → Collaborative AI Economy): Lançamento de AI Terminal, Agent Marketplace e Agent Social Network, formando um ecossistema de aplicações multiagente; o protocolo CoAI conecta usuários, desenvolvedores e provedores de recursos, introduzindo sistema de matching de demandas de usuários e desenvolvedores e sistema de crédito, promovendo interações frequentes e atividades econômicas contínuas.

• Fase 3 (Collaborative AI → Crypto-Native AI): Implementação em DeFi, RWA, pagamentos, e-commerce, além de expansão para cenários KOL e troca de dados pessoais; desenvolvimento de LLMs dedicados para finanças/cripto e lançamento de sistema de pagamento Agent-to-Agent e carteira, promovendo aplicações “Crypto AGI”.

• Fase 4 (Ecosystems → Autonomous AI Economies): Evolução gradual para economias de sub-redes autônomas, cada sub-rede com governança independente e tokenização em torno de aplicações, infraestrutura, poder computacional, modelos e dados, colaborando por meio de protocolos inter-sub-redes para formar um ecossistema colaborativo de múltiplas sub-redes; ao mesmo tempo, avançando de Agentic AI para Physical AI (robótica, direção autônoma, aeroespacial).