Dall'apprendimento federato alle reti di agenti decentralizzate: analisi del progetto ChainOpera

Autore: 0xjacobzhao

Nella relazione di giugno “ Il Santo Graal della Crypto AI: Esplorazione all’avanguardia dell’addestramento decentralizzato ”, abbiamo menzionato il Federated Learning, una soluzione di “decentralizzazione controllata” che si colloca tra l’addestramento distribuito e quello decentralizzato: il suo nucleo consiste nel mantenere i dati localmente e aggregare i parametri centralmente, soddisfacendo le esigenze di privacy e conformità in settori come la sanità e la finanza. Nel frattempo, nei nostri precedenti report, abbiamo continuato a seguire l’ascesa delle reti di agenti (Agent Network): il loro valore risiede nell’autonomia e nella divisione del lavoro tra più agenti, che collaborano per completare compiti complessi e promuovere l’evoluzione dai “grandi modelli” verso un “ecosistema multi-agente”.

Il Federated Learning, con il principio “i dati non lasciano il locale, incentivi in base al contributo”, ha posto le basi per la collaborazione multiparte; il suo DNA distribuito, incentivi trasparenti, garanzia di privacy e pratiche di conformità offrono esperienze direttamente riutilizzabili per le Agent Network. Il team FedML sta seguendo questa strada, aggiornando il DNA open source a TensorOpera (livello infrastrutturale dell’industria AI), evolvendo poi verso ChainOpera (rete decentralizzata di agenti). Naturalmente, la Agent Network non è un’estensione inevitabile del Federated Learning: il suo nucleo risiede nella collaborazione autonoma e nella divisione dei compiti tra più agenti, e può essere costruita anche direttamente su sistemi multi-agente (MAS), reinforcement learning (RL) o meccanismi di incentivazione blockchain.

I. Federated Learning e architettura dello stack tecnologico AI Agent

Il Federated Learning (FL) è un framework che consente l’addestramento collaborativo senza centralizzare i dati; il principio di base è che ogni partecipante addestra il modello localmente e carica solo i parametri o i gradienti al coordinatore per l’aggregazione, realizzando così la privacy e la conformità “i dati non escono dal dominio”. Dopo la pratica in scenari tipici come sanità, finanza e dispositivi mobili, il Federated Learning è entrato in una fase commerciale relativamente matura, ma affronta ancora colli di bottiglia come l’elevato costo di comunicazione, la protezione della privacy non completa e l’eterogeneità dei dispositivi che porta a una bassa efficienza di convergenza. Rispetto ad altri modelli di addestramento, l’addestramento distribuito enfatizza la concentrazione della potenza di calcolo per efficienza e scala, mentre l’addestramento decentralizzato realizza la collaborazione completamente distribuita tramite reti di potenza di calcolo aperte; il Federated Learning si colloca tra i due, rappresentando una “decentralizzazione controllata”: soddisfa le esigenze industriali di privacy e conformità e offre un percorso praticabile per la collaborazione interistituzionale, risultando più adatto come architettura di transizione per l’industria.

Nell’intero protocol stack degli AI Agent, nei nostri precedenti report lo abbiamo suddiviso in tre livelli principali, ovvero

• Livello infrastrutturale (Agent Infrastructure Layer): questo livello fornisce il supporto operativo di base per gli agenti, costituendo la base tecnica di tutti i sistemi Agent.

• Moduli core: includono Agent Framework (framework di sviluppo e runtime degli agenti) e Agent OS (sistema operativo di scheduling multitasking e runtime modulare), fornendo capacità chiave per la gestione del ciclo di vita degli agenti.

• Moduli di supporto: come Agent DID (identità decentralizzata), Agent Wallet & Abstraction (astrazione account ed esecuzione transazioni), Agent Payment/Settlement (capacità di pagamento e regolamento).

• Livello di coordinamento e scheduling (Coordination & Execution Layer)si concentra sulla collaborazione tra agenti, scheduling dei compiti e meccanismi di incentivazione del sistema, essendo la chiave per costruire “intelligenza collettiva” nei sistemi di agenti.

• Agent Orchestration: meccanismo di comando per la gestione unificata del ciclo di vita degli agenti, assegnazione dei compiti e flussi di esecuzione, adatto a scenari di workflow con controllo centrale.

• Agent Swarm: struttura collaborativa che enfatizza la cooperazione distribuita tra agenti, con elevata autonomia, capacità di divisione del lavoro e collaborazione elastica, adatta a compiti complessi in ambienti dinamici.

• Agent Incentive Layer: costruisce il sistema di incentivi economici della rete di agenti, stimolando sviluppatori, esecutori e validatori, fornendo una forza motrice sostenibile all’ecosistema degli agenti.

• Livello applicativo (Application & Distribution Layer)

• Sottoclasse di distribuzione: include Agent Launchpad, Agent Marketplace e Agent Plugin Network

• Sottoclasse applicativa: copre AgentFi, Agent Native DApp, Agent-as-a-Service, ecc.

• Sottoclasse consumer: principalmente Agent Social / Consumer Agent, orientata a scenari sociali consumer leggeri

• Meme: sfrutta il concetto di Agent per il marketing, ma manca di reali implementazioni tecniche e applicazioni, guidato solo dal marketing.

II. Il modello FedML e la piattaforma full-stack TensorOpera

FedML è uno dei primi framework open source per Federated Learning e addestramento distribuito, nato da un team accademico (USC) e gradualmente evoluto in prodotto core di TensorOpera AI. Offre a ricercatori e sviluppatori strumenti di collaborazione per l’addestramento dati tra istituzioni e dispositivi; nel mondo accademico, FedML è spesso presente in conferenze top come NeurIPS, ICML, AAAI, diventando la piattaforma sperimentale standard per la ricerca sul Federated Learning; nell’industria, FedML gode di ottima reputazione in scenari sensibili alla privacy come sanità, finanza, edge AI e Web3 AI, ed è considerato la toolchain di riferimento nel campo del Federated Learning.

TensorOpera è l’evoluzione commerciale di FedML in una piattaforma full-stack di infrastruttura AI per aziende e sviluppatori: mantenendo le capacità di Federated Learning, si espande a GPU Marketplace, servizi di modelli e MLOps, entrando così nel mercato più ampio dell’era dei grandi modelli e degli agenti. L’architettura di TensorOpera si suddivide in tre livelli: Compute Layer (base), Scheduler Layer (intermedio) e MLOps Layer (applicativo):

1. Compute Layer (livello base)

Il livello Compute è la base tecnica di TensorOpera, eredita il DNA open source di FedML e le sue funzioni core includono Parameter Server, Distributed Training, Inference Endpoint e Aggregation Server. Il suo valore sta nel fornire addestramento distribuito, Federated Learning con protezione della privacy e un motore di inferenza scalabile, supportando le tre capacità chiave “Train / Deploy / Federate”, coprendo l’intera catena dal training, al deployment, alla collaborazione interistituzionale, costituendo il livello fondamentale della piattaforma.

2. Scheduler Layer (livello intermedio)

Il livello Scheduler funge da centro di scambio e scheduling della potenza di calcolo, composto da GPU Marketplace, Provision, Master Agent e Schedule & Orchestrate, supportando l’accesso a risorse da cloud pubblici, fornitori di GPU e contributori indipendenti. Questo livello rappresenta la svolta chiave nell’evoluzione di FedML in TensorOpera, consentendo, tramite scheduling intelligente e orchestrazione dei compiti, addestramento e inferenza AI su larga scala, coprendo scenari tipici di LLM e AI generativa. Inoltre, la modalità Share & Earn di questo livello prevede interfacce di incentivazione, con potenziale compatibilità con DePIN o modelli Web3.

3. MLOps Layer (livello superiore)

Il livello MLOps è l’interfaccia di servizio diretta per sviluppatori e aziende, includendo moduli come Model Serving, AI Agent e Studio. Le applicazioni tipiche coprono chatbot LLM, AI generativa multimodale e strumenti Copilot per sviluppatori. Il suo valore sta nell’astrarre la potenza di calcolo e le capacità di training di base in API e prodotti di alto livello, abbassando la soglia d’uso e offrendo agenti pronti all’uso, ambienti di sviluppo low-code e capacità di deployment scalabile, posizionandosi come ponte tra infrastruttura e applicazione, in linea con piattaforme AI Infra di nuova generazione come Anyscale, Together, Modal.

Nel marzo 2025, TensorOpera si aggiorna a piattaforma full-stack per AI Agent, con prodotti core che includono AgentOpera AI App, Framework e Platform. Il livello applicativo offre un ingresso multi-agente simile a ChatGPT, il livello framework evolve verso un “Agentic OS” basato su sistemi multi-agente a struttura grafica e Orchestrator/Router, mentre il livello piattaforma si integra profondamente con la piattaforma modelli TensorOpera e FedML, realizzando servizi di modelli distribuiti, ottimizzazione RAG e deployment ibrido edge-cloud. L’obiettivo generale è costruire “un sistema operativo, una rete di agenti”, consentendo a sviluppatori, aziende e utenti di co-creare la nuova generazione di ecosistemi Agentic AI in un ambiente aperto e protetto dalla privacy.

III. Panoramica dell’ecosistema ChainOpera AI: dalla co-creazione e co-possessione alla base tecnologica

Se FedML è il nucleo tecnico, fornendo il DNA open source per Federated Learning e addestramento distribuito; TensorOpera astrae i risultati della ricerca FedML in un’infrastruttura AI full-stack commerciabile, allora ChainOpera porta le capacità di piattaforma di TensorOpera “on-chain”, costruendo un ecosistema di rete di agenti decentralizzata tramite AI Terminal + Agent Social Network + modello e livello di calcolo DePIN + blockchain AI-Native. Il cambiamento chiave è che TensorOpera si rivolge ancora principalmente ad aziende e sviluppatori, mentre ChainOpera, grazie a governance e incentivi Web3, coinvolge utenti, sviluppatori, fornitori di GPU/dati nella co-creazione e co-governo, facendo sì che gli AI Agent non siano solo “utilizzati”, ma anche “co-creati e co-posseduti”.

Ecosistema dei co-creatori (Co-creators)

ChainOpera AI, tramite Model & GPU Platform e Agent Platform, fornisce toolchain, infrastruttura e livello di coordinamento per la co-creazione dell’ecosistema, supportando training di modelli, sviluppo di agenti, deployment e collaborazione estesa.

I co-creatori dell’ecosistema ChainOpera includono sviluppatori di AI Agent (progettazione e gestione di agenti),fornitori di strumenti e servizi (template, MCP, database e API),sviluppatori di modelli (training e pubblicazione di model card),fornitori di GPU (contributo di potenza tramite DePIN e partner cloud Web2),contributori e annotatori di dati (upload e annotazione di dati multimodali). Le tre forniture core – sviluppo, potenza di calcolo e dati – guidano insieme la crescita continua della rete di agenti.

Ecosistema dei co-proprietari (Co-owners)

L’ecosistema ChainOpera introduce anche il meccanismo di co-possessione, costruendo la rete tramite collaborazione e partecipazione. Gli AI Agent creator sono individui o team che progettano e distribuiscono nuovi agenti tramite Agent Platform, responsabili della costruzione, messa online e manutenzione continua, promuovendo innovazione funzionale e applicativa. Gli AI Agent participant provengono dalla comunità e partecipano al ciclo di vita degli agenti acquisendo e detenendo Access Units, supportando la crescita e l’attività degli agenti durante l’uso e la promozione. I due ruoli rappresentano rispettivamente lato offerta e lato domanda, formando insieme un modello di condivisione del valore e sviluppo collaborativo nell’ecosistema.

Partner dell’ecosistema: piattaforme e framework

ChainOpera AI collabora con molteplici partner per rafforzare usabilità e sicurezza della piattaforma, con attenzione all’integrazione di scenari Web3: tramite AI Terminal App integra wallet, algoritmi e piattaforme di aggregazione per raccomandazioni di servizi intelligenti; su Agent Platform introduce framework diversificati e strumenti zero-code per abbassare la soglia di sviluppo; si affida a TensorOpera AI per training e inferenza dei modelli; e stabilisce una partnership esclusiva con FedML per supportare training privacy-preserving cross-institution e cross-device. Nel complesso, si forma un ecosistema aperto che bilancia applicazioni enterprise e esperienza utente Web3.

Ingresso hardware: AI Hardware & Partners

Tramite partner come DeAI Phone, wearable e Robot AI, ChainOpera integra blockchain e AI nei terminali intelligenti, realizzando interazione dApp, training on-device e protezione della privacy, formando gradualmente un ecosistema hardware AI decentralizzato.

Piattaforma centrale e base tecnologica: TensorOpera GenAI & FedML

TensorOpera offre una piattaforma GenAI full-stack che copre MLOps, Scheduler e Compute; la sua sub-piattaforma FedML, cresciuta dall’open source accademico a framework industriale, rafforza la capacità dell’AI di “funzionare ovunque, espandersi liberamente”.

Ecosistema ChainOpera AI

IV. Prodotti core ChainOpera e infrastruttura full-stack AI Agent

Nel giugno 2025, ChainOpera lancia ufficialmente AI Terminal App e lo stack tecnologico decentralizzato, posizionandosi come “OpenAI decentralizzato”; i suoi prodotti core coprono quattro moduli: livello applicativo (AI Terminal & Agent Network), livello sviluppatore (Agent Creator Center), livello modello e GPU (Model & Compute Network), e protocollo CoAI con chain dedicata, coprendo l’intero ciclo dall’ingresso utente alla potenza di calcolo di base e incentivi on-chain.

AI Terminal App ha già integrato BNBChain, supportando agenti per transazioni on-chain e scenari DeFi. Agent Creator Center è aperto agli sviluppatori, offrendo capacità MCP/HUB, knowledge base e RAG, con agenti comunitari in continuo ingresso; inoltre, lancia la CO-AI Alliance, collaborando con io.net, Render, TensorOpera, FedML, MindNetwork e altri partner.

Secondo i dati on-chain degli ultimi 30 giorni diBNB DApp Bay, gli utenti unici sono 158.87K, con 2.6 milioni di transazioni negli ultimi 30 giorni, classificandosi al secondo posto nella categoria “AI Agent” su BSC, mostrando una forte attività on-chain.

Super AI Agent App – AI Terminal

Come ChatGPT decentralizzato e ingresso social AI, AI Terminal offre collaborazione multimodale, incentivi per il contributo dati, integrazione di strumenti DeFi, assistente cross-platform e supporta collaborazione tra AI Agent e protezione della privacy (Your Data, Your Agent). Gli utenti possono accedere direttamente su mobile a grandi modelli open source come DeepSeek-R1 e agenti comunitari; durante l’interazione, i token linguistici e i token crypto fluiscono on-chain in modo trasparente. Il suo valore sta nel trasformare l’utente da “consumatore di contenuti” a “co-creatore intelligente”, utilizzando la rete di agenti dedicata in scenari DeFi, RWA, PayFi, e-commerce e altro.

AI Agent Social Network

Posizionato come LinkedIn + Messenger, ma per gruppi di AI Agent. Attraverso spazi di lavoro virtuali e meccanismi di collaborazione Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel), promuove l’evoluzione da agenti singoli a reti collaborative multi-agente, coprendo applicazioni in finanza, gaming, e-commerce, ricerca e altro, migliorando progressivamente memoria e autonomia.

Piattaforma sviluppatori AI Agent

Offre agli sviluppatori un’esperienza creativa “stile Lego”. Supporta zero-code e modularità, i contratti blockchain garantiscono la proprietà, DePIN + infrastruttura cloud abbassano la soglia, il Marketplace offre canali di distribuzione e scoperta. Il suo nucleo è consentire agli sviluppatori di raggiungere rapidamente gli utenti, con contributi all’ecosistema registrati in modo trasparente e incentivati.

Piattaforma AI Model & GPU

Come livello infrastrutturale, combina DePIN e Federated Learning per risolvere il problema della dipendenza dell’AI Web3 dalla potenza di calcolo centralizzata. Attraverso GPU distribuite, training dati privacy-preserving, mercato di modelli e dati, e MLOps end-to-end, supporta collaborazione multi-agente e AI personalizzata. La sua visione è promuovere il passaggio dal “monopolio delle big tech” alla “costruzione comunitaria” dell’infrastruttura.

V. Roadmap di ChainOpera AI

Oltre alla piattaforma full-stack AI Agent già lanciata, ChainOpera AI è convinta che l’intelligenza artificiale generale (AGI) derivi da reti collaborative multi-modali e multi-agente. Pertanto, la sua roadmap a lungo termine è suddivisa in quattro fasi:

• Fase uno (Compute → Capital): costruzione di infrastruttura decentralizzata, inclusa rete GPU DePIN, piattaforma di Federated Learning e addestramento/inferenza distribuito, introducendo Model Router per coordinare l’inferenza multi-end; tramite meccanismi di incentivazione, fornitori di potenza, modelli e dati ricevono ricompense in base all’utilizzo.

• Fase due (Agentic Apps → Collaborative AI Economy): lancio di AI Terminal, Agent Marketplace e Agent Social Network, formando un ecosistema applicativo multi-agente; tramite protocollo CoAI si collegano utenti, sviluppatori e fornitori di risorse, introducendo sistema di matching domanda-offerta e sistema di credito, promuovendo interazioni frequenti e attività economica continua.

• Fase tre (Collaborative AI → Crypto-Native AI): implementazione in DeFi, RWA, pagamenti, e-commerce e altro, espansione a scenari KOL e scambio dati personali; sviluppo di LLM dedicati a finanza/crypto e lancio di sistemi di pagamento Agent-to-Agent e wallet, promuovendo applicazioni “Crypto AGI”.

• Fase quattro (Ecosystems → Autonomous AI Economies): evoluzione graduale in economie subnet autonome, con subnet che gestiscono in modo indipendente applicazioni, infrastruttura, potenza di calcolo, modelli e dati, operando tramite tokenizzazione e collaborando tramite protocolli cross-subnet, formando un ecosistema multi-subnet; contemporaneamente, passaggio da Agentic AI a Physical AI (robotica, guida autonoma, aerospazio).