ChainOpera 借助Web3 化的治理與激勵機制，把使用者、開發者、GPU/ 資料提供者納入共建共治，讓AI Agent 不只是「被使用」，而是「被共創與共同擁有」。
撰文：0xjacobzhao
在6 月的研報《Crypto AI 的聖杯：去中心化訓練的前沿探索》中，我們提及聯邦學習（Federated Learning）這一介於分散式訓練與去中心化訓練之間的「受控去中心化」方案：其核心是資料本地保留、參數集中聚合，滿足醫療、金融等隱私與合規需求。同時，我們在過往多期研報中持續關注智能體（Agent）網絡的興起－其價值在於透過多智能體的自治與分工，協作完成複雜任務，推動「大模型」向「多智能體生態」的演進。
聯邦學習以「數據不出本地、按貢獻激勵」奠定了多方協作的基礎，其分散式基因、透明激勵、隱私保障與合規實踐為Agent Network 提供了可直接復用的經驗。 FedML 團隊正是沿著這條路徑，將開源基因升級為TensorOpera（AI 產業基礎設施層），再演進至ChainOpera（去中心化Agent 網路）。當然，Agent Network 並非聯邦學習的必然延伸，其核心在於多智能體的自治協作與任務分工，也可直接基於多智能體系統（MAS）、強化學習（RL）或區塊鏈激勵機制建構。
一、聯邦學習與AI Agent 技術堆疊架構
聯邦學習（Federated Learning, FL） 是一種在不集中資料的前提下進行協同訓練的框架，其基本原理是由各參與者在本地訓練模型，僅上傳參數或梯度至協調端進行聚合，從而實現“資料不出域”的隱私合規。經過醫療、金融和行動端等典型場景的實踐，聯邦學習已進入較成熟的商用階段，但仍面臨通訊開銷大、隱私保護不徹底、設備異質導致收斂效率低等瓶頸。與其他訓練模式相比，分散式訓練強調算力集中以追求效率與規模，去中心化訓練則透過開放算力網路實現完全分散式協作，而聯邦學習則處於二者之間，體現為一種「受控去中心化」 方案：既能滿足產業在隱私與合規方面的需求，又提供了跨機構協作的可行路徑，更適合工業界過渡性部署架構。
而在整個AI Agent 協定堆疊中，我們在先前的研報中將其劃分為三個主要層級，即
基礎設施層（Agent Infrastructure Layer）:此層為智能體提供最底層的運行支持，是所有Agent 系統構建的技術根基。
核心模組：包括Agent Framework（智慧體開發與運行框架）和Agent OS（更底層的多任務調度與模組化運行時），為Agent 的生命週期管理提供核心能力。
支援模組：如Agent DID（去中心身分）、Agent Wallet & Abstraction（帳戶抽象與交易執行）、Agent Payment/Settlement（支付與結算能力）。
協調與調度層（Coordination & Execution Layer）關注多智能體之間的協同、任務調度與系統激勵機制，是建構智能體系統「群體智能」的關鍵。
Agent Orchestration：是指揮機制，用於統一調度和管理Agent 生命週期、任務分配和執行流程，適用於有中心控制的工作流程場景。
Agent Swarm：是協同結構，強調分散式智能體協作，具備高度自主性、分工能力和彈性協同，適合應對動態環境中的複雜任務。
Agent Incentive Layer：建構Agent 網路的經濟激勵系統，激發開發者、執行者與驗證者的積極性，為智慧體生態提供永續動力。
應用層（Application & Distribution Layer）
分發子類別：包括Agent Launchpad、Agent Marketplace 和Agent Plugin Network
應用子類別：涵蓋AgentFi、Agent Native DApp、Agent-as-a-Service 等
消費子類：Agent Social / Consumer Agent 為主，面向消費者社交等輕量場景
Meme：借Agent 概念炒作，缺乏實際的技術實現和應用落地，僅行銷驅動。
二、聯邦學習標竿FedML 與TensorOpera 全端平台
FedML 是最早針對聯邦學習（Federated Learning）與分散式訓練的開源框架之一，起源於學術團隊（USC）並逐步公司化成為TensorOpera AI 的核心產品。它為研究者和開發者提供跨機構、跨設備的資料協作訓練工具，在學術界，FedML 因頻繁出現在NeurIPS、ICML、AAAI 等頂會上，已成為聯邦學習研究的通用實驗平台；在產業界，FedML 在醫療、金融、邊緣AI 及Web33 等隱私場景中具備 AI 等隱私場景中口碑，被視為聯邦學習領域的標竿性工具。
TensorOpera 是FedML 基於商業化路徑升級為面向企業與開發者的全端AI 基礎設施平台：在維持聯邦學習能力的同時，擴展至GPU Marketplace、模型服務與MLOps，從而切入大模型與Agent 時代的更大市場。 TensorOpera 的整體架構可分為Compute Layer（基礎層）、Scheduler Layer（調度層）和MLOps Layer（應用層）三個層級：
1. Compute Layer（底層）
Compute 層是TensorOpera 的技術基底，延續FedML 的開源基因，核心功能包括Parameter Server、Distributed Training、Inference Endpoint 與Aggregation Server。其價值定位在於提供分散式訓練、隱私保護的聯邦學習以及可擴展的推理引擎，支撐「Train / Deploy / Federate」 三大核心能力，覆蓋從模型訓練、部署到跨機構協作的完整鏈路，是整個平台的基礎層。
2. Scheduler Layer（中層）
Scheduler 層相當於算力交易與調度中樞，由GPU Marketplace、Provision、Master Agent 與Schedule & Orchestrate 構成，支援跨公有雲、GPU 提供者和獨立貢獻者的資源呼叫。這一層是FedML 升級為TensorOpera 的關鍵轉折，能夠透過智慧算力調度與任務編排實現更大規模的AI 訓練和推理，涵蓋LLM 與生成式AI 的典型場景。同時，此層的Share & Earn 模式預留了激勵機制接口，具備與DePIN 或Web3 模式相容的潛力。
3. MLOps Layer（上層）
MLOps 層是平台直接面向開發者與企業的服務接口，包括Model Serving、AI Agent 與Studio 等模組。典型應用涵蓋LLM Chatbot、多模態生成式AI 和開發者Copilot 工具。其價值在於將底層算力與訓練能力抽象化為高層API 與產品，降低使用門檻，提供即用型Agent、低程式碼開發環境與可擴展部署能力，定位上對標Anyscale、Together、Modal 等新一代AI Infra 平台，充當從基礎設施走向應用的橋樑。
2025 年3 月，TensorOpera 升級為以AI Agent 導向的全端平台，核心產品涵蓋AgentOpera AI App、Framework 與Platform。應用層提供類ChatGPT 的多智能體入口，框架層以圖結構多智能體系統和Orchestrator/Router 演進為“Agentic OS”，平台層則與TensorOpera 模型平台和FedML 深度融合，實現分散式模型服務、RAG 優化和混合端雲部署。整體目標是打造「一個作業系統，一個智慧體網路」，讓開發者、企業與使用者在開放、隱私保護的環境下共建新一代Agentic AI 生態。
三、ChainOpera AI 生態全景：從共創共有者到科技基座
如果說FedML 是技術內核，提供了聯邦學習與分散式訓練的開源基因；TensorOpera 將FedML 的科研成果抽象化為可商用的全端AI 基礎設施，那麼ChainOpera 則是將TensorOpera 的平台能力「上鍊」，透過AI Terminal + Agent Social Network + DePative 機構將建立一個生態層的生態系統化模型與一個生態層模型 來打造網路模型。其核心轉變在於，TensorOpera 仍主要面向企業與開發者，而ChainOpera 借助Web3 化的治理與激勵機制，把用戶、開發者、GPU/ 數據提供者納入共建共治，讓AI Agent 不只是「被使用」，而是「被共創與共同擁有」。
共創者生態（Co-creators）
ChainOpera AI 透過Model & GPU Platform 與Agent Platform 為生態共創提供工具鏈、基礎架構與協調層，支援模型訓練、智慧體開發、部署與擴充協作。
ChainOpera 生態的共創者涵蓋AI Agent 開發者（設計與營運智能體）、工具與服務提供者（模板、MCP、資料庫與API）、模型開發者（訓練與發布模型卡）、GPU 提供者（透過DePIN 與Web2 雲端夥伴貢獻式計算力）、資料貢獻者與標註方（標註多模式資料）。三類核心供給－開發、算力與資料－共同驅動智能體網路的持續成長。
共有人生態（Co-owners）
ChainOpera 生態也引進共有人機制，透過合作與參與共同建構網絡。 AI Agent 創作者是個人或團隊，透過Agent Platform 設計與部署新型智能體，負責建置、上線並持續維護，從而推動功能與應用的創新。 AI Agent 參與者則來自社區，他們透過獲取和持有訪問單元（Access Units）參與智能體的生命週期，在使用與推廣過程中支持智能體的成長與活躍度。兩類角色分別代表供給端與需求端，共同形成生態內的價值共享與協同發展模式。
生態合作夥伴：平台與框架
ChainOpera AI 與多方合作，強化平台的可用性與安全性，並著重於Web3 場景融合：透過AI Terminal App 聯合錢包、演算法與聚合平台實現智慧服務推薦；在Agent Platform 引入多元框架與零程式碼工具，降低開發門檻；依托TensorOpera AI 進行模型訓練與推理；並與FedML 建立獨家設備；整體上，形成兼顧企業級應用與Web3 使用者體驗的開放生態體系。
硬體入口：AI 硬體與合作夥伴（AI Hardware & Partners）
透過DeAI Phone、穿戴式與Robot AI 等合作夥伴，ChainOpera 將區塊鏈與AI 融合進智慧終端，實現dApp 互動、端側訓練與隱私保護，逐步形成去中心化AI 硬體生態。
中樞平台與技術基座：TensorOpera GenAI & FedML
TensorOpera 提供涵蓋MLOps、Scheduler、Compute 的全端GenAI 平台；其子平台FedML 從學術開源成長為產業化框架，強化了AI 「隨處運作、任意擴展」 的能力。
ChainOpera AI 生態體系
四、ChainOpera 核心產品及全端式AI Agent 基礎設施
2025 年6 月，ChainOpera 正式上線AI Terminal App 與去中心化技術棧，定位為“去中心化版OpenAI”，其核心產品涵蓋四大模組：應用層（AI Terminal & Agent Network）、開發者層（Agent Creator Center）、模型與GPU 層閉層（Model & Compute Network）、開發者層（Agent Creator Center）、模型與GPU 層閉層（Model & Compute Network）、開發者層（Agent Creator Center）、模型與GPU 層閉層（Model & Compute Network）、以及CoAI 組件
AI Terminal App 已整合BNBChain ，支援鏈上交易與DeFi 場景的Agent。 Agent Creator Center 對開發者開放，提供MCP/HUB、知識庫與RAG 等能力，社區智能體持續進駐；同時發起CO-AI Alliance，聯動io.net、Render、TensorOpera、FedML、MindNetwork 等夥伴。
根據BNB DApp Bay 近30 日的鏈上數據顯示，其獨立用戶158.87K，近30 日交易量260 萬，在在BSC“AI Agent”分類中排名全站第二，顯示出強勁的鏈上活躍度。
Super AI Agent App – AI Terminal (https://chat.chainopera.ai/)
作為去中心化ChatGPT 與AI 社交入口，AI Terminal 提供多模態協作、資料貢獻激勵、DeFi 工具整合、跨平台助手，並支援AI Agent 協作與隱私保護（Your Data, Your Agent）。使用者可在行動端直接呼叫開源大模型DeepSeek-R1 與社群智能體，互動過程中語言Token 與加密Token 在鏈上透明流轉。其價值在於讓用戶從「內容消費者」轉變為「智慧共創者」，並能在DeFi、RWA、PayFi、電商等場景中使用專屬智能體網路。
AI Agent Social Network (https://chat.chainopera.ai/agent-social-network)
定位類似LinkedIn + Messenger，但面向AI Agent 群體。透過虛擬工作空間與Agent-to-Agent 協作機制（MetaGPT、ChatDEV、AutoGEN、Camel），推動單一Agent 演化為多智能體協作網絡，涵蓋金融、遊戲、電商、研究等應用，逐步增強記憶與自主性。
AI Agent Developer Platform (https://agent.chainopera.ai/)
為開發者提供「樂高式」創作體驗。支援零代碼與模組化擴展，區塊鏈合約確保所有權，DePIN + 雲端基礎設施降低門檻，Marketplace 提供分發與發現管道。其核心在於讓開發者快速觸達用戶，生態貢獻可透明記錄並獲得激勵。
AI Model & GPU Platform (https://platform.chainopera.ai/)
作為基礎設施層，結合DePIN 與聯邦學習，解決Web3 AI 依賴中心化算力的痛點。透過分散式GPU、隱私保護的資料訓練、模型與資料市場，以及端對端MLOps，支援多智能體協作與個人化AI。其願景是推動從「大廠壟斷」到「社區共建」的基建範式轉移。
五、ChainOpera AI 的路線圖規劃
除去已正式上線全端AI Agent 平台外， ChainOpera AI 堅信通用人工智慧（AGI）來自多模態、多智能體的協作網路。因此其遠期路線圖規劃分為四個階段：
提供方獲得按使用量分配的收益。
階段二（Agentic Apps → Collaborative AI Economy）：推出AI Terminal、Agent Marketplace 與Agent Social Network，形成多智能體應用生態；透過CoAI 協定連結使用者、開發者與資源提供者，並引入使用者需求–開發者配對系統與信用體系，推動高頻互動與持續經濟活動。
階段三（Collaborative AI → Crypto-Native AI）：在DeFi、RWA、支付、電商等領域落地，同時拓展至KOL 場景與個人資料交換；開發面向金融/ 加密的專用LLM，並推出Agent-to-Agent 支付與錢包系統，推動「Crypto AGI」場景化應用。
階段四（Ecosystems → Autonomous AI Economies）：逐步演進為自治子網經濟，各子網圍繞應用、基礎設施、算力、模型與數據獨立治理、代幣化運作，並透過跨子網協議協作，形成多子網協同生態；同時從Agentic AI 邁向Physical AI（機器人、自動駕駛航太、）。
免責聲明：本路線圖僅供參考，時間表與功能可能因市場環境動態調整，不構成交付保證承諾。
七、代幣激勵與協議治理
目前ChainOpera 尚未公佈完整的代幣激勵計劃，但其CoAI 協議以「共創與共擁有」為核心，透過區塊鏈與Proof-of-Intelligence 機制實現透明可驗證的貢獻記錄：開發者、算力、數據與服務提供者的投入標準化方式計量並獲得回報，用戶使用服務、資源支撐服務費、獎勵分配和流動性支持維持循環，推動開放、公平、協作的去中心化AI 生態。
Proof-of-Intelligence 學習框架
Proof-of-Intelligence (PoI) 是ChainOpera 在CoAI 協議下提出的核心共識機制，旨在為去中心化AI 建構提供透明、公平且可驗證的激勵與治理體系。其基於Proof-of-Contribution（貢獻證明） 的區塊鏈協作機器學習框架，旨在解決聯邦學習（FL）在實際應用中存在的激勵不足、隱私風險與可驗證性缺失問題。設計以智慧合約為核心，結合去中心化存儲（IPFS）、聚合節點和零知識證明（zkSNARKs），實現了五大目標：① 按貢獻度進行公平獎勵分配，確保訓練者基於實際模型改進獲得激勵；② 保持數據本地化存儲，保障隱私不外洩；③ 引入魯棒性機制，對抗惡意訓練者的數據本地化存儲，保障隱私不外洩；③ 引入魯棒性機制，對抗惡意訓練者的數據本地化存儲；確保模型聚合、異常檢測與貢獻評估等關鍵計算的可驗證性；⑤ 在效率與通用性上適用於異質資料和不同學習任務。
全端式AI 中代幣價值
ChainOpera 的代幣機制圍繞著五大價值流（LaunchPad、Agent API、Model Serving、Contribution、Model Training）運作，核心是服務費、貢獻確認與資源分配，而非投機回報。
AI 用戶：以代幣存取服務或訂閱應用，並透過提供/ 標註/ 質押資料貢獻生態。
Agent/ 應用程式開發者：使用平台算力與資料進行開發，並因其貢獻的Agent、應用或資料集獲得協議認可。
資源提供者：貢獻算力、數據或模型，獲得透明記錄與激勵。
治理參與者（社群& DAO）：透過代幣參與投票、機制設計與生態協調。
協議層（COAI）：透過服務費維持永續發展，利用自動化分配機制平衡供需。
節點與驗證者：提供驗證、算力與安全服務，確保網路可靠性。
協議治理
ChainOpera 採用DAO 治理，透過質押代幣參與提案與投票，確保決策透明與公平。治理機制包括：聲譽系統（驗證並量化貢獻）、社群協作（提案與投票推動生態發展）、參數調整（資料使用、安全與驗證者問責）。整體目標是避免權力集中，保持系統穩定與社區共創。
八、團隊背景及專案融資
ChainOpera 計畫由在聯邦學習領域具有深厚造詣的Salman Avestimehr 教授與何朝陽（Aiden）博士共同創立。其他核心團隊成員背景橫跨UC Berkeley、Stanford、USC、MIT、清華大學以及Google、Amazon、Tencent、Meta、Apple 等頂尖學術與科技機構，兼具學術研究與產業實戰能力。截止目前，ChainOpera AI 團隊規模已超過40 人。
共同創辦人：Salman Avestimehr
Salman Avestimehr 教授是南加州大學（USC）電機與電腦工程系的Dean‘s Professor，並擔任USC-Amazon Trusted AI 中心創始主任，同時領導USC 資訊理論與機器學習實驗室（vITAL）。他是FedML 聯合創始人兼CEO，並在2022 年共同創立了TensorOpera/ChainOpera AI。
Salman Avestimehr 教授畢業於UC Berkeley EECS 博士（最佳論文獎）。作為IEEE Fellow，在資訊理論、分散式運算與聯邦學習領域發表高水準論文300+ 篇，引用數超30,000，並獲PECASE、NSF CAREER、IEEE Massey Award 等多項國際榮譽。其主導創建FedML 開源框架，廣泛應用於醫療、金融和隱私運算，並成為TensorOpera/ChainOpera AI 的核心技術基石。
共同創辦人：Dr. Aiden Chaoyang He
Aiden Chaoyang He 博士是TensorOpera/ChainOpera AI 聯合創始人兼總裁，南加州大學（USC）計算機科學博士、FedML 原始創建者。其研究方向涵蓋分散式與聯邦學習、大規模模型訓練、區塊鏈與隱私計算。在創業之前，他曾在Meta、Amazon、Google、Tencent 從事研發，並在騰訊、百度、華為擔任核心工程與管理職位，主導多個網路級產品與AI 平台的落地。
學術與產業方面，Aiden 已發表30 餘篇論文，Google Scholar 引用超過13,000，並獲Amazon Ph.D. Fellowship、Qualcomm Innovation Fellowship 及NeurIPS、AAAI 最佳論文獎。他主導開發的FedML 框架是聯邦學習領域最廣泛使用的開源專案之一，支撐日均270 億次請求；並作為核心作者提出FedNLP 框架、混合模型並行訓練方法，被廣泛應用於Sahara AI 等去中心化AI 專案。
2024 年12 月，ChainOpera AI 宣布完成350 萬美元種子輪融資，累計與TensorOpera 共融資1,700 萬美元，資金將用於建構面向去中心化AI Agent 的區塊鏈L1 與AI 作業系統。本輪融資由Finality Capital、Road Capital、IDG Capital 領投，跟投方包括Camford VC、ABCDE Capital、Amber Group、Modular Capital 等，亦可獲得Sparkle Ventures、Plug and Play、USC 以及EigenLayer 創辦人Sreeram Kannan、BabylonChain 共同創辦人David Tse 等知名機構和個人投資人支持。團隊表示，此輪融資將加速實現「AI 資源貢獻者、開發者與用戶共同co-own 和co-create 的去中心化AI 生態」 願景。
九、聯邦學習與AI Agent 市場格局分析
聯邦學習架構主要有四個代表：FedML、Flower、TFF、OpenFL。其中，FedML 最全棧，兼具聯邦學習、分散式大模型訓練與MLOps，適合產業落地；Flower 輕量易用，社區活躍，偏教學與小規模實驗；TFF 深度依賴TensorFlow，學術研究價值高，但產業化弱；OpenFL 聚焦醫療/金融，強調隱私合規，生態較封閉。整體而言，FedML 代表工業級全能路徑，Flower 注重易用性與教育，TFF 偏學術實驗，OpenFL 則在垂直產業合規性上具有優勢。
在產業化與基礎設施層，TensorOpera（FedML 商業化）的特點在於繼承開源FedML 的技術積累，提供跨雲GPU 調度、分散式訓練、聯邦學習與MLOps 的一體化能力，目標是橋接學術研究與產業應用，服務開發者、中小企業及Web3/DePIN 生態。整體來看，TensorOpera 相當於「開源FedML 的Hugging Face + W&B 合體」，在全端分散式訓練和聯邦學習能力上更完整、通用，區別於以社區、工具或單一行業為核心的其他平台。
在創新層代表中，ChainOpera 與Flock 都試圖將聯邦學習與Web3 結合，但方向有顯著差異。 ChainOpera 建構的是全端AI Agent 平台，涵蓋入口、社交、開發和基礎設施四層架構，核心價值在於推動用戶從「消費者」轉變為「共創者」，並透過AI Terminal 與Agent Social Network 實現協作式AGI 與社區共建生態；而Flock 則更聚焦於區塊資料鏈增強型聯邦學習（FLBA鏈增強型聯邦學習），強調在空間ChainOpera 則偏向應用與Agent 網路層的落地，Flock 則偏向底層訓練與隱私運算的強化。
在Agent 網路層面，業界最具代表性的項目是Olas Network。 ChainOpera 前者源自聯邦學習，建構模型—算力—智能體的全端閉環，並以Agent Social Network 為實驗場探索多智能體的交互與社交協作；Olas Network 源自DAO 協作與DeFi 生態，定位為去中心化自主服務網絡，透過Pearl 推出可直接落地的Defi 收益場景，與ChainOpera 展現出截然不同的路徑。
十、投資邏輯與潛在風險分析
投資邏輯
ChainOpera 的優勢首先在於其技術護城河：從FedML（聯邦學習標竿性開源框架）到TensorOpera（企業級全端AI Infra），再到ChainOpera（Web3 化Agent 網路+ DePIN + Tokenomics），形成了獨特的連續演進路徑，兼具學術敘事累積、產業落地與學術敘事。
在應用程式與用戶規模上，AI Terminal 已形成數十萬日活用戶與千級Agent 應用生態，並在BNBChain DApp Bay AI 類目排名第一，具備明確的鏈上用戶增長與真實交易量。其多模態場景涵蓋的加密原生領域預計將逐步外溢至更廣泛的Web2 使用者。
生態合作方面，ChainOpera 發起CO-AI Alliance，聯合io.net、Render、TensorOpera、FedML、MindNetwork 等夥伴，建構GPU、模型、資料、隱私運算等多邊網路效應；同時與三星電子合作驗證行動端多模態GenAI，展現了向硬體與邊緣GenAI 擴充的潛力。
在代幣與經濟模型上，ChainOpera 基於Proof-of-Intelligence 共識，圍繞五大價值流（LaunchPad、Agent API、Model Serving、Contribution、Model Training）分配激勵，並透過1% 平台服務費、激勵分配和流動性支持形成正向循環，避免單一「炒幣」模式，提升了可持續性。
潛在風險
首先，技術落地難度較高。 ChainOpera 所提出的五層去中心化架構跨度大，跨層協同（尤其在大模型分散式推理與隱私訓練方面）仍存在性能與穩定性挑戰，尚未經過大規模應用驗證。
其次，生態用戶黏性仍需觀察。雖然專案已取得初步用戶成長，但Agent Marketplace 與開發者工具鏈能否長期維持活躍與高品質供給仍有待檢驗。目前上線的Agent Social Network 主要以LLM 驅動的文字對話為主，使用者體驗與長期留存仍需進一步提升。若激勵機制設計不夠精細，可能出現短期活躍度高但長期價值不足的現象。
最後，商業模式的可持續性尚待確認。現階段收入主要依賴平台服務費與代幣循環，穩定現金流尚未形成，與AgentFi 或Payment 等更具金融化或生產力屬性的應用相比，當前模式的商業價值仍需進一步驗證；同時，行動端與硬體生態仍在探索階段，市場化前景存在一定不確定性。
