Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera
Este relatório explora o ChainOpera AI, um ecossistema projetado para construir uma rede descentralizada de AI Agents. O projeto evoluiu dos fundamentos de código aberto do aprendizado federado (FedML), foi aprimorado pelo TensorOpera para se tornar uma infraestrutura de IA full-stack e, por fim, evoluiu para o ChainOpera, uma rede de Agents voltada para o Web3.
No relatório de junho “ O Santo Graal da Crypto AI: Explorações de ponta em treinamento descentralizado ”, mencionamos o Federated Learning, uma solução de “descentralização controlada” situada entre o treinamento distribuído e o 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 em relatórios anteriores a ascensão das redes de agentes (Agent Network) — cujo valor reside na realização de tarefas complexas por meio da autonomia e divisão de trabalho entre múltiplos agentes, impulsionando a evolução dos “grandes modelos” para um “ecossistema multiagente”.
O Federated Learning estabelece a base para 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 da FedML segue esse caminho, evoluindo o DNA open source para o TensorOpera (camada de infraestrutura da indústria de IA), e depois para o 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 também ser construída diretamente com base em sistemas multiagentes (MAS), Reinforcement Learning (RL) ou mecanismos de incentivo baseados em blockchain.
I. Federated Learning e Arquitetura da Stack Tecnológica de AI Agent
Federated Learning (FL) é uma estrutura de treinamento colaborativo sem centralização de dados. O princípio básico é que cada participante treina o modelo localmente e apenas carrega 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 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, o treinamento descentralizado realiza colaboração totalmente distribuída por meio de redes abertas de computação, enquanto o Federated Learning está entre os dois, representando uma “descentralização controlada”: atende às demandas de privacidade e conformidade da indústria e oferece um caminho viável para colaboração interinstitucional, sendo mais adequado para arquiteturas de implantação transitórias na indústria.

Em toda a stack de protocolos de AI Agent, em relatórios anteriores a dividimos em três camadas principais, a saber:
-
Camada de Infraestrutura (Agent Infrastructure Layer): Esta camada fornece o suporte operacional mais fundamental para agentes, sendo a base técnica para a construção de todos os sistemas de agentes.
-
Módulos principais: Incluem Agent Framework (estrutura de desenvolvimento e execução de agentes) e Agent OS (sistema operacional de múltiplas tarefas e runtime modular), 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 (capacidades 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 e gerenciamento unificado 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 flexível, 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 força motriz 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:Abarca 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. Referência em Federated Learning: FedML 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 oferece ferramentas de colaboração de dados para pesquisadores e desenvolvedores entre instituições e dispositivos. No meio acadêmico, o FedML aparece frequentemente em conferências como NeurIPS, ICML, AAAI, tornando-se uma plataforma experimental padrão para pesquisas em Federated Learning; na indústria, o FedML é bem avaliado em cenários sensíveis à privacidade como saúde, finanças, edge AI e Web3 AI, sendo considerado a referência em ferramentas de Federated Learning.
TensorOpera é a evolução comercial do FedML, tornando-se uma plataforma full stack de infraestrutura de IA para empresas e desenvolvedores: mantendo as capacidades de Federated Learning, expande para GPU Marketplace, serviços de modelos 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 base), Scheduler Layer (camada de agendamento) e MLOps Layer (camada de aplicação):
1. Compute Layer (camada base)
A camada Compute é a base técnica do TensorOpera, mantendo o DNA open source do FedML, com funções principais como 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 modelos, implantação e colaboração interinstitucional, sendo a base de toda a plataforma.
2. Scheduler Layer (camada intermediária)
A camada Scheduler é 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 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. Ao mesmo tempo, o modo Share & Earn desta camada reserva interfaces 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 voltada 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 da camada base em APIs e produtos de alto nível, reduzindo a barreira de uso, oferecendo agentes prontos para uso, ambiente de desenvolvimento low-code e capacidade de implantação escalável, posicionando-se como concorrente de Anyscale, Together, Modal e outras novas plataformas de infraestrutura de IA, atuando como 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 “Agentic OS” com sistemas multiagentes em estrutura de grafo e Orchestrator/Router, e a camada de plataforma se integra profundamente com a plataforma de modelos TensorOpera e FedML, realizando serviços de modelos distribuídos, 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-criem 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 técnica
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 comercializável, então ChainOpera é a “tokenização” das capacidades da plataforma TensorOpera, construindo um ecossistema de rede de agentes descentralizada por meio de AI Terminal + Agent Social Network + DePIN modelo e camada de 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-criação e co-governança, fazendo com que AI Agent não seja apenas “usado”, mas “co-criado e co-propriedade”.
Ecossistema de Co-criadores (Co-creators)
O ChainOpera AI, por meio de 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),provedores de ferramentas e serviços (templates, MCP, bancos de dados e APIs),desenvolvedores de modelos (treinamento e publicação de model cards),provedores de GPU (contribuindo com poder computacional via DePIN e parceiros Web2 cloud),contribuidores e rotuladores de dados (upload e rotulagem de dados multimodais). Os três principais insumos — desenvolvimento, poder computacional e dados — impulsionam juntos 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 inovação em funcionalidades e aplicações.Participantes de AI Agent vêm da comunidade, participando do ciclo de vida dos agentes ao adquirir e manter Access Units, apoiando o crescimento e a atividade dos agentes durante o uso e promoção. Esses dois papéis representam lado da oferta e da demanda, formando juntos um modelo de compartilhamento de valor e desenvolvimento colaborativo dentro do ecossistema.
Parceiros do ecossistema: Plataforma e Frameworks
O ChainOpera AI coopera com diversas 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 agregadoras 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 um ecossistema aberto que equilibra aplicações corporativas e experiência de usuário Web3.
Entrada de hardware: AI Hardware & Partners
Por meio de parceiros como DeAI Phone, wearables e Robot AI, o ChainOpera integra blockchain e IA em dispositivos inteligentes, realizando interação com dApps, treinamento on-device e proteção de privacidade, formando gradualmente um ecossistema descentralizado de hardware de IA.
Plataforma central e base técnica: 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 “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 a stack tecnológica descentralizada, posicionando-se como “OpenAI descentralizado”, com quatro módulos principais: camada de aplicação (AI Terminal & Agent Network), camada de desenvolvedor (Agent Creator Center), camada de modelos e GPU (Model & Compute Network), além do protocolo CoAI e chain dedicada, cobrindo o ciclo completo do ponto de entrada do usuário até poder computacional 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 capacidades RAG, com agentes comunitários sendo continuamente integrados; ao mesmo tempo, lança a CO-AI Alliance, conectando parceiros como io.net, Render, TensorOpera, FedML, MindNetwork.
De acordo comBNB DApp Bay, dados on-chain dos últimos 30 dias mostram 158,87 mil usuários únicos e 2,6 milhões de transações, ocupando o segundo lugar em toda a categoria “AI Agent” da BSC, demonstrando forte atividade on-chain.
Super AI Agent App – AI Terminal
Como ChatGPT descentralizado e entrada social de IA, o AI Terminal oferece colaboração multimodal, incentivos para contribuição de dados, integração de ferramentas DeFi, assistente multiplataforma, além de suportar colaboração entre AI Agents 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” para “co-criador inteligente”, podendo usar a rede exclusiva de agentes em cenários DeFi, RWA, PayFi, e-commerce, etc.
AI Agent Social Network
Posiciona-se como LinkedIn + Messenger, mas para grupos de AI Agents. 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 multiagentes, abrangendo aplicações em finanças, jogos, e-commerce, pesquisa, etc., e aprimorando gradualmente 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 sendo 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 em Web3 AI. Por meio de GPUs distribuídas, treinamento de dados com proteção de privacidade, mercados de modelos e dados, além de MLOps ponta a ponta, suporta colaboração multiagente e IA personalizada. A visão é impulsionar 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, o ChainOpera AI acredita que a inteligência artificial geral (AGI) virá de redes colaborativas multimodais e multiagentes. 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-edge; mecanismos de incentivo distribuem receitas por uso para provedores de poder computacional, modelos e dados.
-
Fase 2 (Agentic Apps → Collaborative AI Economy): Lançamento de AI Terminal, Agent Marketplace e Agent Social Network, formando um ecossistema de aplicações multiagentes; o protocolo CoAI conecta usuários, desenvolvedores e provedores de recursos, introduzindo sistema de correspondência de demandas de usuários e desenvolvedores e sistema de crédito, promovendo alta frequência de interação e atividade econômica contínua.
-
Fase 3 (Collaborative AI → Crypto-Native AI): Implementação em DeFi, RWA, pagamentos, e-commerce, etc., além de expansão para cenários KOL e troca de dados pessoais; desenvolvimento de LLMs dedicados para finanças/cripto e lançamento de sistema de pagamento e carteira Agent-to-Agent, promovendo aplicações “Crypto AGI”.
-
Fase 4 (Ecosystems → Autonomous AI Economies): Evolução gradual para economias de sub-redes autônomas, cada sub-rede governando e operando de forma tokenizada em torno de aplicações, infraestrutura, poder computacional, modelos e dados, colaborando por meio de protocolos inter-sub-redes para formar um ecossistema multi-sub-rede; ao mesmo tempo, avançando de Agentic AI para Physical AI (robótica, direção autônoma, aeroespacial).
Aviso Legal: o conteúdo deste artigo reflete exclusivamente a opinião do autor e não representa a plataforma. Este artigo não deve servir como referência para a tomada de decisões de investimento.
Talvez também goste
Os touros de Avalanche (AVAX) vão subir ainda mais ou perder o equilíbrio?

Altcoins prontos para disparar na fase final do mercado de alta

Declaração completa do Banco Central do Japão: taxa de juros mantida inalterada, dois membros do comitê propõem aumento de 25 pontos-base
O Banco Central do Japão manteve as taxas de juros inalteradas pela quinta reunião consecutiva e anunciou o início do plano de venda de ETFs. Além disso, dois membros hawkish votaram contra, propondo um aumento de 25 pontos-base na taxa de juros.
Populares
MaisPreços de criptomoedas
Mais








