ChainOpera는 Web3 기반 거버넌스와 인센티브 메커니즘을 활용해 사용자, 개발자, GPU/데이터 제공자를 공동 구축 및 공동 거버넌스에 참여시켜 AI 에이전트를 "사용"할 뿐만 아니라 "공동 창작 및 공동 소유"할 수 있도록 합니다.

0xjacobzhao 작성

6월 연구 보고서 "암호화 AI의 성배: 탈중앙화 학습의 최전선 탐험"에서 저희는 분산 학습과 탈중앙화 학습 사이에 위치한 "제어된 탈중앙화" 솔루션인 연합 학습(federated learning)을 언급했습니다. 연합 학습의 핵심 접근 방식은 데이터를 로컬 및 중앙에서 집계 매개변수를 유지하여 의료, 금융 및 기타 분야의 개인정보 보호 및 규정 준수 요건을 충족하는 것입니다. 동시에, 저희는 이전 보고서에서 에이전트 네트워크의 성장을 지속적으로 강조해 왔습니다. 에이전트 네트워크의 가치는 다중 에이전트 자율성과 분업을 통해 복잡한 작업을 공동으로 완료할 수 있도록 지원하는 데 있으며, 이를 통해 "대형 모델"에서 "다중 에이전트 생태계"로의 진화를 촉진합니다.

"로컬 머신 내 데이터 저장 및 기여도 기반 인센티브"라는 원칙을 기반으로 하는 연합 학습은 다자간 협업의 기반을 마련합니다. 분산된 특성, 투명한 인센티브, 개인정보 보호 및 규정 준수 관행은 에이전트 네트워크에 직접 재사용 가능한 경험을 제공합니다. 이러한 과정을 거쳐 FedML 팀은 오픈 소스 특성을 TensorOpera(AI 산업 인프라 계층)로 업그레이드한 후, 이를 탈중앙화된 에이전트 네트워크인 ChainOpera로 발전시켰습니다. 물론 에이전트 네트워크는 연합 학습의 필연적인 확장이 아닙니다. 에이전트 네트워크의 핵심은 여러 에이전트의 자율적인 협업 및 작업 분담에 있습니다. 또한 다중 에이전트 시스템(MAS), 강화 학습(RL), 또는 블록체인 인센티브 메커니즘을 기반으로 직접 구축될 수도 있습니다.

1. 연합 학습 및 AI 에이전트 기술 스택 아키텍처

연합 학습(FL)은 중앙 집중식 데이터 없이 협업 학습을 위한 프레임워크입니다. 기본 원리는 각 참여자가 모델을 로컬에서 학습하고, 집계를 위해 조정 측에만 매개변수 또는 기울기를 업로드하여 "도메인 내에 데이터가 유지"되는 방식으로 개인정보 보호 규정을 준수하는 것입니다. 의료, 금융, 모바일과 같은 일반적인 시나리오에서 실제 적용을 통해 FL은 비교적 성숙한 상용 단계에 접어들었습니다. 그러나 여전히 높은 통신 오버헤드, 불완전한 개인정보 보호, 이기종 기기로 인한 낮은 융합 효율성과 같은 병목 현상에 직면해 있습니다. 다른 학습 모델과 비교할 때, 분산 학습은 효율성과 확장성을 위해 중앙 집중식 컴퓨팅 성능을 강조하는 반면, 분산 학습은 개방형 컴퓨팅 네트워크를 통해 완전히 분산된 협업을 구현합니다. 연합 학습은 그 중간 어딘가에 위치하며, 개인정보 보호 및 규정 준수에 대한 업계의 요구를 충족할 뿐만 아니라 기관 간 협업을 위한 실행 가능한 경로를 제공하는 "통제된 분산화" 솔루션을 구현하여 업계 내 전환적 배포 아키텍처에 더욱 적합합니다.

전체 AI Agent 프로토콜 스택에서 우리는 이전 연구 보고서에서 이를 세 가지 주요 계층으로 구분했습니다.

에이전트 인프라 계층: 이 계층은 에이전트에 대한 가장 낮은 수준의 운영 지원을 제공하며 모든 에이전트 시스템의 기술적 기반입니다.

핵심 모듈: 에이전트 프레임워크(에이전트 개발 및 운영 프레임워크)와 에이전트 OS(하위 수준 멀티태스크 스케줄링 및 모듈형 런타임)를 포함하여 에이전트 수명 주기 관리를 위한 핵심 기능을 제공합니다.

지원 모듈: 에이전트 DID(탈중앙화 ID), 에이전트 지갑 및 추상화(계정 추상화 및 거래 실행), 에이전트 지불/결제(지불 및 결제 기능) 등이 있습니다.

조정 및 실행 계층은 여러 에이전트 간의 협업, 작업 스케줄링, 시스템 인센티브 메커니즘에 중점을 두고 있으며, 에이전트 시스템의 "군집 지능"을 구축하는 데 핵심입니다.

에이전트 오케스트레이션: 에이전트 수명 주기, 작업 할당 및 실행 프로세스를 일관되게 스케줄링하고 관리하는 데 사용되는 명령 메커니즘입니다. 중앙 제어가 필요한 워크플로 시나리오에 적합합니다.

에이전트 스웜(Agent Swarm): 분산된 지능형 에이전트들의 협업을 강조하는 협업 구조입니다. 높은 수준의 자율성, 업무 분담, 그리고 유연한 협업을 갖추고 있으며, 역동적인 환경에서 복잡한 작업을 처리하는 데 적합합니다.

에이전트 인센티브 계층: 개발자, 실행자, 검증자의 열정을 자극하고 지능형 생태계에 지속 가능한 힘을 제공하기 위해 에이전트 네트워크를 위한 경제적 인센티브 시스템을 구축합니다.

애플리케이션 및 배포 계층

배포 하위 범주: Agent Launchpad, Agent Marketplace 및 Agent Plugin Network 포함

애플리케이션 하위 카테고리: AgentFi, Agent Native DApp, Agent-as-a-Service 등

소비 하위 범주: 에이전트 소셜/소비자 에이전트, 주로 소비자 소셜 상호 작용과 같은 가벼운 시나리오용

밈: 에이전트 컨셉으로 과장 광고되고, 실제 기술 구현과 애플리케이션 랜딩이 부족하며, 마케팅에 의해서만 추진됩니다.

2. FedML, 연합 학습 벤치마크 및 TensorOpera 풀스택 플랫폼

FedML은 연합 학습 및 분산 학습을 위한 최초의 오픈소스 프레임워크 중 하나입니다. USC(University of California, San Diego)의 학계 팀에서 시작하여 점차 TensorOpera AI의 기업 소유 제품으로 자리 잡고 있는 FedML은 연구자와 개발자에게 기관 간 및 기기 간 데이터 협업 및 학습 도구를 제공합니다. 학계에서 FedML은 NeurIPS, ICML, AAAI와 같은 주요 컨퍼런스에 자주 등장하며 연합 학습 연구를 위한 보편적인 실험 플랫폼으로 자리 잡았습니다. 업계에서는 의료, 금융, 엣지 AI, Web3 AI와 같이 개인정보 보호가 중요한 분야에서 높은 평판을 얻고 있으며, 연합 학습의 벤치마크 툴체인으로 여겨집니다.

TensorOpera는 FedML이 기업과 개발자를 위한 풀스택 AI 인프라 플랫폼으로 상용화한 업그레이드 버전입니다. 연합 학습 기능을 유지하는 동시에 GPU 마켓플레이스, 모델 서빙, MLOps까지 확장하여 대규모 모델 및 에이전트 시대의 더 큰 시장을 공략합니다. TensorOpera의 전체 아키텍처는 컴퓨팅 계층(기반 계층), 스케줄러 계층(스케줄링 계층), 그리고 MLOps 계층(애플리케이션 계층)의 세 계층으로 구분할 수 있습니다.

1. 컴퓨팅 계층(최하위 계층)

컴퓨트 계층은 FedML의 오픈소스 DNA를 기반으로 하는 TensorOpera의 기술적 기반입니다. 핵심 기능으로는 매개변수 서버, 분산 학습, 추론 엔드포인트, 집계 서버가 있습니다. 이 계층의 가치 제안은 분산 학습, 개인정보 보호 기반 연합 학습, 그리고 확장 가능한 추론 엔진을 제공하는 데 있습니다. 모델 학습 및 배포부터 기관 간 협업에 이르기까지 전체 체인을 포괄하는 "학습/배포/연합"의 세 가지 핵심 기능을 지원하며, 전체 플랫폼의 기반 역할을 합니다.

2. 스케줄러 계층(중간 계층)

스케줄러 계층은 GPU 마켓플레이스, 프로비저닝, 마스터 에이전트, 스케줄 & 오케스트레이트로 구성된 컴퓨팅 파워 거래 및 스케줄링 허브 역할을 합니다. 퍼블릭 클라우드, GPU 제공업체, 그리고 독립적인 기여자들 간의 리소스 할당을 지원합니다. 이 계층은 FedML이 TensorOpera로 발전하는 과정에서 중요한 이정표를 나타냅니다. 지능형 컴퓨팅 파워 스케줄링 및 작업 오케스트레이션을 통해 일반적인 LLM 및 생성 AI 시나리오를 포괄하는 대규모 AI 학습 및 추론을 지원합니다. 또한, 이 계층의 공유 및 수익 모델에는 예약된 인센티브 메커니즘 인터페이스가 포함되어 있어 DePIN 또는 Web3 모델과의 호환성을 제공할 수 있습니다.

3. MLOps 계층(상위 계층)

MLOps 계층은 개발자와 기업을 위한 플랫폼의 직접 서비스 인터페이스로, Model Serving, AI Agent, Studio 등의 모듈을 포함합니다. 일반적인 애플리케이션으로는 LLM 챗봇, 멀티모달 생성 AI, 개발자용 Copilot 도구 등이 있습니다. MLOps 계층의 가치는 기본 컴퓨팅 성능과 학습 기능을 고수준 API 및 제품으로 추상화하여 진입 장벽을 낮추는 데 있습니다. 즉시 사용 가능한 에이전트, 로우코드 개발 환경, 확장 가능한 배포 기능을 제공합니다. Anyscale, Together, Modal과 같은 차세대 AI 인프라 플랫폼과 경쟁할 수 있는 위치에 있으며, 인프라와 애플리케이션 간의 가교 역할을 합니다.

2025년 3월, TensorOpera는 AgentOpera AI 앱, 프레임워크, 플랫폼을 포함한 핵심 제품을 갖춘 AI 에이전트용 풀스택 플랫폼으로 업그레이드되었습니다. 애플리케이션 계층은 ChatGPT와 유사한 다중 에이전트 진입점을 제공합니다. 프레임워크 계층은 그래프 구조의 다중 에이전트 시스템과 Orchestrator/Router를 갖춘 "Agentic OS"로 발전했습니다. 플랫폼 계층은 TensorOpera 모델 플랫폼 및 FedML과 긴밀하게 통합되어 분산 모델 제공, RAG 최적화, 그리고 하이브리드 엔드투엔드 클라우드 배포를 지원합니다. 전반적인 목표는 "단일 운영 체제, 단일 에이전트 네트워크"를 구축하여 개발자, 기업, 그리고 사용자가 개방적이고 개인정보가 보호되는 환경에서 차세대 Agentic AI 생태계를 공동으로 구축할 수 있도록 하는 것입니다.

3. ChainOpera AI 생태계 개요: 공동 창립자에서 기술 기반까지

FedML이 기술 핵심으로 연합 학습 및 분산 학습의 오픈소스 DNA를 제공하고, TensorOpera가 FedML의 연구 결과를 상업적으로 실행 가능한 풀스택 AI 인프라로 추상화한다면, ChainOpera는 TensorOpera의 플랫폼 기능을 블록체인에 적용하여 AI 터미널 + 에이전트 소셜 네트워크 + DePIN 모델, 컴퓨팅 계층, 그리고 AI 네이티브 블록체인을 통해 분산형 에이전트 네트워크 생태계를 구축합니다. 핵심적인 변화는 TensorOpera가 여전히 기업과 개발자에 중점을 두는 반면, ChainOpera는 Web3 기반 거버넌스와 인센티브 메커니즘을 활용하여 사용자, 개발자, GPU/데이터 제공업체를 AI 에이전트의 공동 구축 및 공동 거버넌스에 참여시켜 단순히 "사용"하는 것이 아니라 "공동 생성 및 공동 소유"할 수 있도록 한다는 것입니다.

공동 창작자들

ChainOpera AI는 모델 및 GPU 플랫폼과 에이전트 플랫폼을 통해 생태계 공동 창출을 위한 툴체인, 인프라 및 조정 계층을 제공하여 모델 학습, 지능형 에이전트 개발, 배포 및 확장 협업을 지원합니다.

ChainOpera 생태계의 공동 창조자로는 AI 에이전트 개발자(지능형 에이전트 설계 및 운영), 도구 및 서비스 제공자(템플릿, MCP, 데이터베이스, API), 모델 개발자(모델 카드 학습 및 게시), GPU 제공자(DePIN 및 Web2 클라우드 파트너를 통해 컴퓨팅 파워 제공), 그리고 데이터 기여자 및 주석 작성자(멀티모달 데이터 업로드 및 주석 추가)가 있습니다. 개발, 컴퓨팅 파워, 데이터라는 이 세 가지 핵심 구성 요소는 지능형 에이전트 네트워크의 지속적인 성장을 함께 견인합니다.

공동 소유자

ChainOpera 생태계는 공동 소유 메커니즘을 통해 협업과 참여를 통해 협력적인 네트워크 구축을 가능하게 합니다. AI 에이전트 생성자는 에이전트 플랫폼을 통해 새로운 AI 에이전트를 설계하고 배포하는 개인 또는 팀으로, 에이전트의 구축, 출시 및 지속적인 유지 관리를 담당하며 기능 및 애플리케이션 혁신을 주도합니다. AI 에이전트 참여자는 커뮤니티의 구성원입니다. 액세스 유닛을 획득하고 보유함으로써 AI 에이전트의 수명 주기에 참여하고, 사용 및 홍보 과정에서 에이전트의 성장과 활동을 지원합니다. 이 두 가지 역할은 각각 공급과 수요 측면을 나타내며, 생태계 내에서 가치 공유 및 협력적 개발 모델을 형성합니다.

생태계 파트너: 플랫폼 및 프레임워크

ChainOpera AI는 플랫폼의 사용성과 보안을 강화하기 위해 다양한 이해관계자와 협력하며, 특히 Web3 통합에 중점을 두고 있습니다. AI Terminal 앱은 지갑, 알고리즘, 통합 플랫폼을 통합하여 지능형 서비스 추천을 지원합니다. Agent Platform은 다양한 프레임워크와 제로코드 도구를 도입하여 개발 장벽을 낮추고, TensorOpera AI를 활용하여 모델을 학습 및 추론하며, FedML과의 독점 파트너십을 통해 기관 및 기기 전반에 걸쳐 개인정보 보호 학습을 지원합니다. 전반적으로, ChainOpera AI는 엔터프라이즈급 애플리케이션과 Web3 사용자 경험 간의 균형을 이루는 개방형 생태계를 형성합니다.

하드웨어 포털: AI 하드웨어 및 파트너

ChainOpera는 DeAI Phone, 웨어러블, 로봇 AI 등의 파트너를 통해 블록체인과 AI를 스마트 단말기에 통합하여 dApp 상호 작용, 장치 측 교육, 개인 정보 보호를 가능하게 하고 점진적으로 분산형 AI 하드웨어 생태계를 형성합니다.

핵심 플랫폼 및 기술 기반: TensorOpera GenAI 및 FedML

TensorOpera는 MLOps, Scheduler, Compute를 포괄하는 풀스택 GenAI 플랫폼을 제공합니다. 하위 플랫폼인 FedML은 학계용 오픈소스에서 산업 프레임워크로 성장하여 AI가 "어디서나 실행되고 임의로 확장"될 수 있는 능력을 향상시켰습니다.

ChainOpera AI 생태계

4. ChainOpera 핵심 제품 및 풀스택 AI 에이전트 인프라

2025년 6월, ChainOpera는 AI 터미널 앱과 탈중앙화 기술 스택을 공식 출시하며 "OpenAI의 탈중앙화 버전"으로 자리매김했습니다. 핵심 제품은 애플리케이션 계층(AI 터미널 및 에이전트 네트워크), 개발자 계층(에이전트 크리에이터 센터), 모델 및 GPU 계층(모델 및 컴퓨팅 네트워크), 그리고 CoAI 프로토콜과 전용 체인의 네 가지 주요 모듈을 포괄하며, 사용자 진입부터 기반 컴퓨팅 파워 및 온체인 인센티브까지 완전한 폐쇄 루프를 포괄합니다.

AI 터미널 앱은 BNBChain을 통합하여 온체인 거래 및 DeFi 에이전트 시나리오를 지원합니다. 에이전트 크리에이터 센터는 개발자에게 개방되어 MCP/HUB, 지식 기반, RAG 등의 기능을 제공하며, 커뮤니티 에이전트들이 지속적으로 참여하고 있습니다. 또한 CO-AI 얼라이언스도 출범하여 io.net, Render, TensorOpera, FedML, MindNetwork 등의 파트너와 연결되고 있습니다.

BNB DApp Bay의 지난 30일 온체인 데이터에 따르면, 지난 30일 동안 15만 8,870명의 개별 사용자와 260만 건의 거래량을 기록했습니다. BSC "AI 에이전트" 카테고리에서 2위를 차지하며 강력한 온체인 활동을 보여주고 있습니다.

슈퍼 AI 에이전트 앱 – AI 터미널 (https://chat.chainopera.ai/)

탈중앙화 ChatGPT 및 AI 소셜 포털인 AI Terminal은 멀티모달 협업, 데이터 기여 인센티브, DeFi 도구 통합, 크로스 플랫폼 어시스턴트, 그리고 AI 에이전트 협업 및 개인정보 보호(Your Data, Your Agent) 지원을 제공합니다. 사용자는 모바일 기기에서 오픈소스 DeepSeek-R1 모델과 커뮤니티 에이전트에 직접 액세스할 수 있으며, 언어 토큰과 암호화 토큰은 상호작용 중에 온체인으로 투명하게 전송됩니다. AI Terminal의 핵심 가치는 사용자가 "콘텐츠 소비자"에서 "지능형 공동 창작자"로 전환하여 DeFi, RWA, PayFi, 전자상거래 등 다양한 시나리오에서 전담 에이전트 네트워크를 활용할 수 있도록 지원하는 것입니다.

AI 에이전트 소셜 네트워크(https://chat.chainopera.ai/agent-social-network)

LinkedIn + Messenger와 유사한 위치에 있지만 AI 에이전트의 경우 가상 작업 공간과 에이전트 간 협업 메커니즘(MetaGPT, ChatDEV, AutoGEN, Camel)을 활용하여 단일 에이전트를 금융, 게임, 전자 상거래, 연구 분야의 애플리케이션을 포괄하는 다중 에이전트 협업 네트워크로 전환하는 동시에 점진적으로 메모리와 자율성을 향상시킵니다.

AI 에이전트 개발자 플랫폼(https://agent.chainopera.ai/)

개발자들에게 "레고와 같은" 창작 경험을 제공합니다. 제로 코드 및 모듈식 확장을 지원하는 블록체인 계약은 소유권을 보장하고, DePIN과 클라우드 인프라는 진입 장벽을 낮추며, 마켓플레이스는 배포 및 발견 채널을 제공합니다. 마켓플레이스의 핵심 목표는 개발자가 사용자에게 신속하게 도달하고, 생태계에 대한 기여도를 투명하게 기록하며, 인센티브를 획득할 수 있도록 지원하는 것입니다.

AI 모델 및 GPU 플랫폼 (https://platform.chainopera.ai/)

인프라 계층으로서 DePIN은 연합 학습과 결합하여 Web3 AI가 중앙 집중식 컴퓨팅 성능에 의존하는 문제점을 해결합니다. 분산 GPU, 개인정보 보호 데이터 학습, 모델 및 데이터 마켓플레이스, 그리고 엔드투엔드 MLOps를 통해 다중 에이전트 협업과 개인화된 AI를 지원합니다. DePIN의 비전은 "대기업이 주도하는 기업"에서 "커뮤니티 기반 협업"으로 인프라의 패러다임을 전환하는 것입니다.

5. ChainOpera AI 로드맵

풀스택 AI 에이전트 플랫폼의 공식 출시와 더불어, ChainOpera AI는 인공 일반 지능(AGI)이 멀티모달, 멀티 에이전트 협업 네트워크에서 출현할 것이라고 굳게 믿고 있습니다. 따라서 ChainOpera AI의 장기 로드맵은 4단계로 나뉩니다.

서비스 제공자는 사용량에 따라 수익을 얻습니다.

2단계(에이전트 앱 → 협업 AI 경제): AI 터미널, 에이전트 마켓플레이스, 에이전트 소셜 네트워크를 출시하여 멀티 에이전트 애플리케이션 생태계를 형성합니다. CoAI 프로토콜을 통해 사용자, 개발자, 리소스 제공자를 연결하고, 사용자 수요-개발자 매칭 시스템과 신용 시스템을 도입하여 고빈도 상호작용과 지속적인 경제 활동을 촉진합니다.

3단계(협업 AI → 암호화 네이티브 AI): DeFi, RWA, 결제, 전자상거래 및 기타 분야에 구현하고 KOL 시나리오 및 개인 데이터 교환으로 확장합니다. 금융/암호화를 위한 전담 LLM을 개발하고, 에이전트 간 결제 및 지갑 시스템을 출시하여 "암호화 AGI" 시나리오 애플리케이션을 홍보합니다.

4단계(생태계 → 자율 AI 경제): 점진적으로 자율형 서브넷 경제로 발전합니다. 각 서브넷은 애플리케이션, 인프라, 컴퓨팅 성능, 모델, 데이터를 중심으로 독립적으로 관리되고 토큰화되며, 서브넷 간 프로토콜을 통해 협업하여 다중 서브넷 협업 생태계를 형성합니다. 동시에 에이전트 AI에서 물리적 AI(로봇공학, 자율 주행, 항공우주)로 이동합니다.

면책 조항: 이 로드맵은 참고용입니다. 타임라인과 기능은 시장 상황에 따라 동적으로 조정될 수 있으며, 제공을 보장하는 것은 아닙니다.

7. 토큰 인센티브 및 프로토콜 거버넌스

ChainOpera는 아직 완전한 토큰 인센티브 계획을 발표하지 않았지만, CoAI 프로토콜은 "공동 창작 및 공동 소유"를 중심으로 하며 블록체인과 지능증명(PoI) 메커니즘을 사용하여 투명하고 검증 가능한 기여 기록을 구축합니다. 개발자, 컴퓨팅 파워, 데이터 및 서비스 제공자의 입력은 표준화된 방식으로 측정되고 보상됩니다. 사용자는 서비스를 이용하고, 리소스 제공자는 운영을 지원하며, 개발자는 애플리케이션을 개발하고, 모든 참여자는 성장 배당금을 공유합니다. 플랫폼은 1%의 서비스 수수료, 보상 분배 및 유동성 지원을 통해 이러한 순환 구조를 유지하며, 개방적이고 공정하며 협력적인 탈중앙화 AI 생태계를 촉진합니다.

지능 증명 학습 프레임워크

영어: Proof-of-Intelligence(PoI)는 CoAI 프로토콜에 따라 ChainOpera가 제안한 핵심 합의 메커니즘으로, 분산형 AI를 위한 투명하고 공정하며 검증 가능한 인센티브 및 거버넌스 시스템을 제공하는 것을 목표로 합니다.Proof-of-Contribution(PoC)을 기반으로 하는 이 블록체인 기반 협업 머신 러닝 프레임워크는 연방 학습(FL)의 실제 적용에서 인센티브 부족, 개인 정보 보호 위험 및 검증 가능성 부족과 같은 과제를 해결하는 것을 목표로 합니다.스마트 계약을 중심으로 분산 스토리지(IPFS), 집계 노드 및 영지식 증명(zkSNARK)을 결합한 이 설계는 5가지 핵심 목표를 달성합니다.1. 기여도에 따른 공정한 보상 분배, 트레이너가 실제 모델 개선에 따라 인센티브를 받도록 보장;2. 개인 정보를 보호하기 위한 데이터 지역성 유지;3. 악의적인 트레이너 포이즈닝 또는 집계 공격에 맞서기 위한 견고성 메커니즘 도입; 4. ZKP를 통해 모델 집계, 이상 탐지, 기여도 평가와 같은 주요 계산의 검증 가능성을 보장합니다. 5. 이기종 데이터와 다양한 학습 과제의 효율적이고 다재다능한 적용.

풀스택 AI에서 토큰의 가치

ChainOpera의 토큰 메커니즘은 5가지 주요 가치 흐름(LaunchPad, Agent API, 모델 제공, 기여, 모델 학습)을 중심으로 운영되며, 핵심은 투기적 수익보다는 서비스 수수료, 기여 확인, 리소스 할당입니다.

AI 사용자: 토큰을 사용하여 서비스에 액세스하거나 애플리케이션을 구독하고, 데이터를 제공/레이블 지정/스테이킹하여 생태계에 기여합니다.

에이전트/애플리케이션 개발자: 플랫폼의 컴퓨팅 성능과 데이터를 사용하여 개발하고, 이들이 제공하는 에이전트, 애플리케이션 또는 데이터 세트에 대한 프로토콜 인식을 받습니다.

리소스 제공자: 투명한 기록과 인센티브를 얻기 위해 컴퓨팅 성능, 데이터 또는 모델을 제공합니다.

거버넌스 참여자(커뮤니티 및 DAO): 토큰을 통해 투표, 메커니즘 설계 및 생태계 조정에 참여합니다.

프로토콜 계층(COAI): 서비스 수수료를 통해 지속 가능한 개발을 유지하고 자동화된 할당 메커니즘을 사용하여 공급과 수요의 균형을 맞춥니다.

노드와 검증자: 네트워크 안정성을 보장하기 위해 검증, 컴퓨팅 성능, 보안 서비스를 제공합니다.

프로토콜 거버넌스

체인오페라는 DAO 거버넌스를 활용하여 참여자들이 토큰 스테이킹을 통해 제안 및 투표에 참여할 수 있도록 하여 투명하고 공정한 의사 결정을 보장합니다. 거버넌스 메커니즘에는 평판 시스템(기여도 검증 및 정량화), 커뮤니티 협업(생태계 발전을 위한 제안 및 투표), 매개변수 조정(데이터 사용, 보안, 검증자 책임)이 포함됩니다. 체인오페라의 궁극적인 목표는 중앙 집중화된 권력을 피하고, 시스템 안정성을 유지하며, 커뮤니티 공동 창조를 촉진하는 것입니다.

8. 팀 배경 및 프로젝트 자금 조달

ChainOpera 프로젝트는 연합 학습 전문가인 Salman Avestimehr 교수와 He Chaoyang 박사(Aiden)가 공동 창립했습니다. 다른 핵심 팀원들은 UC 버클리, 스탠퍼드, USC, MIT, 칭화대학교, 구글, 아마존, 텐센트, 메타, 애플 등 최고의 학술 및 기술 기관에서 경력을 쌓았으며, 학술 연구와 실무 산업 경험을 모두 갖추고 있습니다. ChainOpera AI 팀은 현재 40명 이상으로 성장했습니다.

공동 창립자: 살만 아베스티메르

살만 아베스티메르 교수는 서던캘리포니아대학교(USC) 전기컴퓨터공학과 학장 교수입니다. 그는 USC-아마존 신뢰 AI 센터(USC-Amazon Trusted AI Center)의 창립 이사를 역임했으며, USC 정보 이론 및 머신러닝 연구실(vITAL)을 이끌고 있습니다. 그는 FedML의 공동 창립자 겸 CEO이며, 2022년 TensorOpera/ChainOpera AI를 공동 창립했습니다.

살만 아베스티메르 교수는 UC 버클리에서 전기전자컴퓨터공학(EECS) 박사 학위(최우수 논문상 수상)를 받았습니다. IEEE 펠로우로서 그는 정보 이론, 분산 컴퓨팅, 연합 학습 분야에서 300편 이상의 논문을 발표했으며, 3만 회 이상의 인용 횟수를 기록했습니다. 그는 PECASE, NSF CAREER, IEEE Massey Award 등 수많은 국제적인 상을 수상했습니다. 그는 의료, 금융, 개인정보 보호 컴퓨팅 분야에서 널리 사용되는 FedML 오픈소스 프레임워크 개발을 주도했으며, TensorOpera/ChainOpera AI의 핵심 기술 기반을 형성합니다.

공동 창립자: Aiden Chaoyang He 박사

에이든 차오양 박사는 TensorOpera/ChainOpera AI의 공동 창립자이자 사장입니다. 그는 서던캘리포니아 대학교(USC)에서 컴퓨터공학 박사 학위를 취득했으며 FedML의 최초 개발자입니다. 그의 연구 관심사는 분산 및 연합 학습, 대규모 모델 학습, 블록체인, 개인정보 보호 컴퓨팅입니다. 창업하기 전에는 Meta, Amazon, Google, Tencent에서 R&D 부서에서 근무했습니다. 또한 Tencent, Baidu, Huawei에서 핵심 엔지니어링 및 관리 직책을 역임하며 다양한 인터넷급 제품과 AI 플랫폼의 구현을 이끌었습니다.

에이든은 학계와 업계에서 30편 이상의 논문을 발표했으며, 구글 학술지(Google Scholar)에서 13,000회 이상 인용되었습니다. 또한 아마존 박사 펠로우십, 퀄컴 이노베이션 펠로우십, 그리고 NeurIPS와 AAAI에서 최우수 논문상을 수상했습니다. 그가 개발을 주도한 FedML 프레임워크는 연합 학습 분야에서 가장 널리 사용되는 오픈소스 프로젝트 중 하나로, 하루 평균 270억 건의 요청을 지원합니다. 그는 또한 Sahara AI와 같은 분산형 AI 프로젝트에서 널리 사용되는 FedNLP 프레임워크와 하이브리드 모델 병렬 학습 방법의 핵심 저자이기도 합니다.

2024년 12월, ChainOpera AI는 350만 달러 규모의 시드 라운드를 완료하여 TensorOpera를 통해 조달한 총액이 1,700만 달러에 달했다고 발표했습니다. 이 자금은 분산형 AI 에이전트를 위한 블록체인 L1 플랫폼과 AI 운영 체제 구축에 사용될 예정입니다. 이번 라운드는 Finality Capital, Road Capital, IDG Capital이 주도했으며, Camford VC, ABCDE Capital, Amber Group, Modular Capital이 참여했습니다. 또한 Sparkle Ventures, Plug and Play, USC, EigenLayer의 설립자 Sreeram Kannan, BabylonChain의 공동 설립자 David Tse 등 저명한 기관 및 개인 투자자들의 지원을 받았습니다. ChainOpera AI 팀은 이번 라운드를 통해 "AI 리소스 기여자, 개발자, 그리고 사용자가 공동으로 소유하고 공동으로 창조하는 분산형 AI 생태계"라는 비전 실현을 가속화할 것이라고 밝혔습니다.

9. 연합 학습 및 AI 에이전트 시장 환경 분석

대표적인 연합 학습 프레임워크는 FedML, Flower, TFF, OpenFL, 이렇게 네 가지입니다. FedML은 연합 학습, 분산형 대규모 모델 학습, 그리고 MLOps를 결합한 가장 포괄적인 프레임워크로, 산업 구축에 적합합니다. Flower는 가볍고 사용하기 쉬우며, 활발한 커뮤니티를 보유하고 있으며, 교육 및 소규모 실험에 중점을 둡니다. TFF는 TensorFlow에 크게 의존하여 학술 연구 가치는 높지만 산업화는 취약합니다. OpenFL은 의료 및 금융 분야에 중점을 두고 개인정보 보호 준수를 강조하며, 상대적으로 폐쇄적인 생태계를 가지고 있습니다. 전반적으로 FedML은 산업 수준의 다재다능한 접근 방식을 제시하며, Flower는 사용 편의성과 교육에, TFF는 학술 실험에, OpenFL은 수직 산업 규정 준수 측면에서 이점을 제공합니다.

산업화 및 인프라 수준에서 TensorOpera(FedML의 상용화 버전)는 오픈소스 FedML의 기술적 전문성을 계승하여 크로스 클라우드 GPU 스케줄링, 분산 학습, 연합 학습, 그리고 MLOps를 위한 통합 기능을 제공합니다. TensorOpera의 목표는 학술 연구와 산업 애플리케이션을 연결하여 개발자, 중소기업, 그리고 Web3/탈중앙화 인프라(탈중앙화 인프라) 생태계에 서비스를 제공하는 것입니다. 전반적으로 TensorOpera는 "오픈소스 FedML을 위한 Hugging Face + W&B"와 같은 개념으로, 더욱 포괄적이고 다재다능한 풀스택 분산 학습 및 연합 학습 플랫폼을 제공하며, 커뮤니티, 도구 또는 단일 산업에 중점을 둔 다른 플랫폼과 차별화됩니다.

혁신 계층 대표 기업 중 ChainOpera와 Flock은 모두 연합 학습(Federated Learning)과 Web3의 통합을 시도하고 있지만, 접근 방식은 상당히 다릅니다. ChainOpera는 접근, 소셜 네트워킹, 개발, 인프라의 네 가지 계층을 포괄하는 풀스택 AI 에이전트 플랫폼을 구축합니다. ChainOpera의 핵심 가치는 사용자를 "소비자"에서 "공동 창작자"로 전환하고, AI 터미널과 에이전트 소셜 네트워크를 통해 협업 AGI(Aggregation Intelligence) 및 커뮤니티 구축 생태계를 구축하는 것입니다. 반면 Flock은 블록체인 기반 연합 학습(BAFL)에 더욱 집중하여 분산 환경 내에서 개인정보 보호 및 인센티브 메커니즘을 강조하며, 특히 컴퓨팅 및 데이터 계층에서의 협업 검증을 중시합니다. ChainOpera는 애플리케이션 및 에이전트 네트워크 구현을 우선시하는 반면, Flock은 기반 학습 및 개인정보 보호 컴퓨팅 강화에 중점을 둡니다.

에이전트 네트워크 수준에서 업계에서 가장 대표적인 프로젝트는 올라스 네트워크(Olas Network)입니다. 연합 학습(federated learning)을 기반으로 하는 체인오페라(ChainOpera)는 모델, 컴퓨팅 파워, 에이전트로 구성된 풀스택 폐쇄 루프(closed loop)를 구축하고, 에이전트 소셜 네트워크(ASO)를 테스트 플랫폼으로 활용하여 다중 에이전트 상호작용 및 소셜 협업을 탐구합니다. DAO 협업과 DeFi 생태계에 기반을 둔 올라스 네트워크는 탈중앙화 자율 서비스 네트워크로 자리매김했습니다. 펄(Pearl)을 통해 직접 구현 가능한 DeFi 수익 시나리오를 제시하며, 체인오페라와는 차별화된 접근 방식을 보여줍니다.

10. 투자 논리 및 잠재적 위험 분석

투자 논리

ChainOpera의 장점은 무엇보다도 기술적 우위에 있습니다. FedML(연방 학습을 위한 벤치마크 오픈소스 프레임워크)에서 TensorOpera(기업 수준의 풀스택 AI 인프라)를 거쳐 ChainOpera(Web3 Agent 네트워크 + DePIN + 토큰경제학)에 이르기까지 학문적 축적, 산업적 구현 및 암호화 내러티브를 결합한 고유한 지속적인 진화 경로를 형성했습니다.

애플리케이션 및 사용자 규모 측면에서 AI Terminal은 이미 수십만 명의 일일 활성 사용자와 수천 명의 에이전트를 보유한 생태계를 구축했습니다. BNBChain DApp Bay의 AI 부문에서 1위를 차지하며, 온체인 사용자 증가와 실제 거래량을 뚜렷하게 보여주고 있습니다. 암호화폐 네이티브 애플리케이션에 대한 멀티모달 커버리지는 점차 더 광범위한 웹2 사용자로 확장될 것으로 예상됩니다.

생태적 협력 측면에서 ChainOpera는 CO-AI Alliance를 출범하고 io.net, Render, TensorOpera, FedML, MindNetwork 등의 파트너와 힘을 합쳐 GPU, 모델, 데이터, 프라이버시 컴퓨팅 등 다자간 네트워크 효과를 구축했습니다. 동시에 Samsung Electronics와 협력하여 모바일 멀티모달 GenAI를 검증하여 하드웨어 및 엣지 AI로의 확장 가능성을 보여주었습니다.

토큰과 경제 모델 측면에서 ChainOpera는 Proof-of-Intelligence 합의를 기반으로 5가지 주요 가치 스트림(LaunchPad, Agent API, Model Serving, Contribution, Model Training)을 중심으로 인센티브를 분배하고, 1% 플랫폼 서비스 수수료, 인센티브 분배, 유동성 지원을 통해 긍정적인 순환을 형성하여 단일한 "코인 투기" 모델을 피하고 지속 가능성을 향상시킵니다.

잠재적 위험

첫째, 기술적 구현이 상당히 까다롭습니다. ChainOpera가 제안하는 5계층 분산 아키텍처는 광범위한 도메인에 걸쳐 있으며, 계층 간 협업(특히 대규모 분산 추론 및 개인정보 보호 학습)은 여전히 ​​성능 및 안정성 문제에 직면해 있습니다. 대규모 애플리케이션에서는 아직 검증되지 않았습니다.

둘째, 생태계의 사용자 유지력은 아직 미지수입니다. 프로젝트가 초기 사용자 증가를 달성했지만, 에이전트 마켓플레이스와 개발자 툴체인이 장기적인 활동과 고품질 공급을 유지할 수 있을지는 아직 미지수입니다. 현재 출시된 에이전트 소셜 네트워크는 주로 LLM 기반 텍스트 대화에 의존하고 있으며, 사용자 경험과 장기 유지율은 여전히 ​​개선의 여지가 있습니다. 인센티브 메커니즘이 신중하게 설계되지 않으면 단기적인 활동은 높지만 장기적인 가치는 부족할 위험이 있습니다.

마지막으로, 비즈니스 모델의 지속가능성은 아직 결정되지 않았습니다. 현재 수익은 주로 플랫폼 서비스 수수료와 토큰 유통에 의존하고 있으며, 안정적인 현금 흐름은 아직 확립되지 않았습니다. AgentFi나 Payment와 같이 금융 또는 생산성 중심의 애플리케이션과 비교할 때, 현재 모델의 상업적 가치는 추가적인 검증이 필요합니다. 더욱이 모바일 및 하드웨어 생태계는 아직 탐색 단계에 있어 시장 전망이 불투명합니다.