Bitget App
Trading inteligente
Comprar criptoMercadosTradingFuturosRendaWeb3CentralMais
Trading
Spot
Compre e venda criptomoedas
Margem
Amplie seu capital e a eficiência de seus fundos
Onchain
Opere Onchain sem tem que ir on-chain
Converter e bloquear o trade
Converta criptomoedas com um clique e sem taxas
Explorar
Launchhub
Comece a ganhar com vantagens desde o início
Copiar
Copie traders de elite com um clique
Robôs
Robô de trading com IA simples, rápido e confiável
Trading
Futuros USDT
Futuros liquidados em USDT
Futuros USDC
Futuros liquidados em USDC
Futuros Coin-M
Futuros liquidados em criptomoedas
Explorar
Guia de futuros
Uma jornada no trading de futuros
Promoções de futuros
Aproveite recompensas generosas!
Renda Bitget
Uma série de produtos para aumentar seus ativos
Renda Simples
Deposite e retire a qualquer momento para obter retornos flexíveis com risco zero
Renda On-chain
Ganhe lucros diariamente sem arriscar o investimento inicial
Renda estruturada
Inovação financeira robusta para navegar pelas oscilações do mercado
VIP e Gestão de Patrimônio
Serviços premium para uma Gestão de Patrimônio inteligente
Empréstimos
Empréstimo flexível com alta segurança de fundos
Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera

Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera

ChaincatcherChaincatcher2025/09/19 07:40
Mostrar original
Por:Chaincatcher

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.

Autor: 0xjacobzhao

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.

Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera image 0

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.

Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera image 1

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.

Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera image 2

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”.

Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera image 3

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
Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera image 4

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.

Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera image 5

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.

Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera image 6

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.

Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera image 7

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:

Da Aprendizagem Federada à Rede de Agentes Descentralizada: Análise do Projeto ChainOpera image 8

  • 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).

AI x Crypto Pesquisa dinâmica Quando Crypto encontra AI, quais novas narrativas surgirão? Especial
0

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.

PoolX: bloqueie e ganhe!
Até 10% de APR - Quanto mais você bloquear, mais poderá ganhar.
Bloquear agora!

Talvez também goste

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.

Jin102025/09/19 11:19