從聯邦學習到去中心化 Agent 網絡：ChainOpera 項目解析

作者： 0xjacobzhao

在 6 月份的研報《 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）這一介於分佈式訓練與去中心化訓練之間的「受控去中心化」方案：其核心是數據本地保留、參數集中聚合，滿足醫療、金融等隱私與合規需求。與此同時，我們在過往多期研報中持續關注智能體（Agent）網絡的興起——其價值在於通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，其分佈式基因、透明激勵、隱私保障與合規實踐為 Agent Network 提供了可直接複用的經驗。FedML 團隊正是沿著這一路徑，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 網絡）。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）或區塊鏈激勵機制構建。

一、聯邦學習與AI Agent技術棧架構

聯邦學習（Federated Learning, FL） 是一種在不集中數據的前提下進行協同訓練的框架，其基本原理是由各參與方在本地訓練模型，僅上傳參數或梯度至協調端進行聚合，從而實現「數據不出域」的隱私合規。經過醫療、金融和移動端等典型場景的實踐，聯邦學習 已進入較為成熟的商用階段，但仍面臨通信開銷大、隱私保護不徹底、設備異構導致收斂效率低等瓶頸。與其他訓練模式相比，分佈式訓練強調算力集中以追求效率與規模，去中心化訓練則通過開放算力網絡實現完全分佈式協作，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協議棧中，我們在之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）:該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（智能體開發與運行框架）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。

• 支持模組：如 Agent DID（去中心身份）、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，是構建智能體系統「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場景。

• Agent Swarm：是協同結構，強調分佈式智能體協作，具備高度自治性、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：構建 Agent 網絡的經濟激勵系統，激發開發者、執行者與驗證者的積極性，為智能體生態提供可持續動力。

• 應用層（Application & Distribution Layer）

• 分發子類：包括Agent Launchpad、Agent Marketplace 和Agent Plugin Network

• 應用子類：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、聯邦學習標杆 FedML 與 TensorOpera 全棧平台

FedML 是最早面向聯邦學習（Federated Learning）與分佈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、跨設備的數據協作訓練工具，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 Web3 AI 等隱私敏感場景中具備較高口碑，被視為 聯邦學習領域的標杆性工具鏈。

TensorOpera是 FedML基於商業化路徑升級為面向企業與開發者的全棧 AI 基礎設施平台：在保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佈式訓練、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，支持跨公有雲、GPU 提供商和獨立貢獻者的資源調用。這一層是 FedML 升級為 TensorOpera 的關鍵轉折，能夠通過智能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，該層的 Share & Earn 模式預留了激勵機制接口，具備與 DePIN 或 Web3 模式兼容的潛力。

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為高層 API 與產品，降低使用門檻，提供即用型 Agent、低代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 升級為面向 AI Agent 的全棧平台，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，實現分佈式模型服務、RAG 優化和混合端雲部署。整體目標是打造 「一個操作系統，一個智能體網絡」，讓開發者、企業與用戶在開放、隱私保護的環境下共建新一代 Agentic AI 生態。

三、ChainOpera AI生態全景：從共創共有者到技術基座

如果說 FedML 是技術內核，提供了聯邦學習與分佈式訓練的開源基因；TensorOpera 將 FedML 的科研成果抽象為可商用的全棧 AI 基礎設施，那麼 ChainOpera 則是將TensorOpera 的平台能力「上鏈」，通過 AI Terminal + Agent Social Network + DePIN 模型與算力層 + AI-Native 區塊鏈 打造一個去中心化的 Agent 網絡生態。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 通過 Model & GPU Platform 與 Agent Platform 為生態共創提供工具鏈、基礎設施與協調層，支持模型訓練、智能體開發、部署與擴展協作。

ChainOpera 生態的共創者涵蓋 AI Agent 開發者（設計與運營智能體）、工具與服務提供方（模板、MCP、數據庫與 API）、模型開發者（訓練與發布模型卡）、GPU 提供方（通過 DePIN 與 Web2 雲夥伴貢獻算力）、數據貢獻者與標註方（上傳與標註多模態數據）。三類核心供給——開發、算力與數據——共同驅動智能體網絡的持續成長。

共有人生態（Co-owners）

ChainOpera 生態還引入 共有人機制，通過合作與參與共同建設網絡。AI Agent 創作者是個人或團隊，通過 Agent Platform 設計與部署新型智能體，負責構建、上線並持續維護，從而推動功能與應用的創新。AI Agent 參與者則來自社群，他們通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，並注重 Web3 場景融合：通過 AI Terminal App 聯合錢包、算法與聚合平台實現智能服務推薦；在 Agent Platform 引入多元框架與零代碼工具，降低開發門檻；依託 TensorOpera AI 進行模型訓練與推理；並與 FedML 建立獨家合作，支持跨機構、跨設備的隱私保護訓練。整體上，形成兼顧 企業級應用 與 Web3 用戶體驗 的開放生態體系。

硬體入口：AI 硬體與合作夥伴（AI Hardware & Partners）

通過 DeAI Phone、可穿戴與 Robot AI 等合作夥伴，ChainOpera 將區塊鏈與 AI 融合進智能終端，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 提供覆蓋 MLOps、Scheduler、Compute 的全棧 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「隨處運行、任意擴展」的能力。

ChainOpera AI 生態體系

四、ChainOpera核心產品及全棧式 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（Model & Compute Network）、以及 CoAI 協議與專用鏈，覆蓋了從用戶入口到底層算力與鏈上激勵的完整閉環。

AI Terminal App 已集成 BNBChain ，支持鏈上交易與 DeFi 場景的 Agent。Agent Creator Center 面向開發者開放，提供 MCP/HUB、知識庫與 RAG 等能力，社群智能體持續入駐；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

作為去中心化 ChatGPT 與 AI 社交入口，AI Terminal 提供多模態協作、數據貢獻激勵、DeFi 工具整合、跨平台助手，並支持 AI Agent 協作與隱私保護（Your Data, Your Agent）。用戶可在移動端直接調用開源大模型 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「智能共創者」，並能在 DeFi、RWA、PayFi、電商等場景中使用專屬智能體網絡。

AI Agent Social Network

定位類似 LinkedIn + Messenger，但面向 AI Agent 群體。通過虛擬工作空間與 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，覆蓋金融、遊戲、電商、研究等應用，並逐步增強記憶與自主性。

AI Agent Developer Platform

為開發者提供「樂高式」創作體驗。支持零代碼與模組化擴展，區塊鏈合約確保所有權，DePIN + 雲基礎設施降低門檻，Marketplace 提供分發與發現渠道。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

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。通過分佈式 GPU、隱私保護的數據訓練、模型與數據市場，以及端到端 MLOps，支持多智能體協作與個性化 AI。其願景是推動從「大廠壟斷」到「社群共建」的基建範式轉移。

五、ChainOpera AI 的路線圖規劃

除去已正式上線全棧 AI Agent平台外， ChainOpera AI 堅信通用人工智能（AGI）來自 多模態、多智能體的協作網絡。因此其遠期路線圖規劃分為四個階段：

• 階段一（Compute → Capital）：構建去中心化基礎設施，包括 GPU DePIN 網絡、聯邦學習與分佈式訓練/推理平台，並引入 模型路由器（Model Router）協調多端推理；通過激勵機制讓算力、模型與數據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；通過 CoAI 協議 連接用戶、開發者與資源提供者，並引入 用戶需求–開發者匹配系統 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 場景與個人數據交換；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，並通過跨子網協議協作，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、航天）。