在 6 月份的研报《Crypto AI 的圣杯：去中心化训练的前沿探索》中，我们提及联邦学习（Federated Learning）这一介于分布式训练与去中心化训练之间的“受控去中心化”方案：其核心是数据本地保留、参数集中聚合，满足医疗、金融等隐私与合规需求。与此同时，我们在过往多期研报中持续关注智能体（Agent）网络的兴起——其价值在于通过多智能体的自治与分工，协作完成复杂任务，推动“大模型”向“多智能体生态”的演进。

联邦学习以“数据不出本地、按贡献激励”奠定了多方协作的基础，其分布式基因、透明激励、隐私保障与合规实践为 Agent Network 提供了可直接复用的经验。FedML 团队正是沿着这一路径，将开源基因升级为 TensorOpera（AI产业基础设施层），再演进至 ChainOpera（去中心化 Agent 网络）。当然，Agent Network 并非联邦学习的必然延伸，其核心在于多智能体的自治协作与任务分工，也可直接基于多智能体系统（MAS）、强化学习（RL）或区块链激励机制构建。

联邦学习（Federated Learning, FL） 是一种在不集中数据的前提下进行协同训练的框架，其基本原理是由各参与方在本地训练模型，仅上传参数或梯度至协调端进行聚合，从而实现“数据不出域”的隐私合规。经过医疗、金融和移动端等典型场景的实践，联邦学习 已进入较为成熟的商用阶段，但仍面临通信开销大、隐私保护不彻底、设备异构导致收敛效率低等瓶颈。与其他训练模式相比，分布式训练强调算力集中以追求效率与规模，去中心化训练则通过开放算力网络实现完全分布式协作，而联邦学习则处于二者之间，体现为一种 “受控去中心化” 方案：既能满足产业在隐私与合规方面的需求，又提供了跨机构协作的可行路径，更适合工业界过渡性部署架构。

而在整个AI Agent协议栈中，我们在之前的研报中将其划分为三个主要层级，即

• 基础设施层（Agent Infrastructure Layer）:该层为智能体提供最底层的运行支持，是所有 Agent 系统构建的技术根基。

• 核心模块：包括 Agent Framework（智能体开发与运行框架）和 Agent OS（更底层的多任务调度与模块化运行时），为 Agent 的生命周期管理提供核心能力。

• 支持模块：如 Agent DID（去中心身份）、Agent Wallet & Abstraction（账户抽象与交易执行）、Agent Payment/Settlement（支付与结算能力）。

• 协调与调度层（Coordination & Execution Layer）关注多智能体之间的协同、任务调度与系统激励机制，是构建智能体系统“群体智能”的关键。

• Agent Orchestration：是指挥机制，用于统一调度和管理 Agent 生命周期、任务分配和执行流程，适用于有中心控制的工作流场景。

• Agent Swarm：是协同结构，强调分布式智能体协作，具备高度自治性、分工能力和弹性协同，适合应对动态环境中的复杂任务。

• Agent Incentive Layer：构建 Agent 网络的经济激励系统，激发开发者、执行者与验证者的积极性，为智能体生态提供可持续动力。

• 应用层（Application & Distribution Layer）

  • 分发子类：包括Agent Launchpad、Agent Marketplace 和Agent Plugin Network

  • 应用子类：涵盖AgentFi、Agent Native DApp、Agent-as-a-Service等

  • 消费子类：Agent Social / Consumer Agent为主，面向消费者社交等轻量场景

  • Meme：借 Agent 概念炒作，缺乏实际的技术实现和应用落地，仅营销驱动。

FedML 是最早面向联邦学习（Federated Learning）与分布式训练的开源框架之一，起源于学术团队（USC）并逐步公司化成为 TensorOpera AI 的核心产品。它为研究者和开发者提供跨机构、跨设备的数据协作训练工具，在学术界，FedML 因频繁出现在 NeurIPS、ICML、AAAI 等顶会上，已成为联邦学习研究的通用实验平台；在产业界，FedML在医疗、金融、边缘 AI 及 Web3 AI 等隐私敏感场景中具备较高口碑，被视为 联邦学习领域的标杆性工具链。

TensorOpera是 FedML基于商业化路径升级为面向企业与开发者的全栈 AI 基础设施平台：在保持联邦学习能力的同时，扩展至 GPU Marketplace、模型服务与 MLOps，从而切入大模型与 Agent 时代的更大市场。TensorOpera的整体架构可分为Compute Layer（基础层）、Scheduler Layer（调度层）和MLOps Layer（应用层）三个层级：

1. Compute Layer（底层）
Compute 层是 TensorOpera 的技术基底，延续 FedML 的开源基因，核心功能包括 Parameter Server、Distributed Training、Inference Endpoint 与 Aggregation Server。其价值定位在于提供分布式训练、隐私保护的联邦学习以及可扩展的推理引擎，支撑 “Train / Deploy / Federate” 三大核心能力，覆盖从模型训练、部署到跨机构协作的完整链路，是整个平台的基础层。

2. Scheduler Layer（中层）
Scheduler 层相当于算力交易与调度中枢，由 GPU Marketplace、Provision、Master Agent 与 Schedule & Orchestrate 构成，支持跨公有云、GPU 提供商和独立贡献者的资源调用。这一层是 FedML 升级为 TensorOpera 的关键转折，能够通过智能算力调度与任务编排实现更大规模的 AI 训练和推理，涵盖 LLM 与生成式 AI 的典型场景。同时，该层的 Share & Earn 模式预留了激励机制接口，具备与 DePIN 或 Web3 模式兼容的潜力。

3. MLOps Layer（上层）
MLOps 层是平台直接面向开发者与企业的服务接口，包括 Model Serving、AI Agent 与 Studio 等模块。典型应用涵盖 LLM Chatbot、多模态生成式 AI 和开发者 Copilot 工具。其价值在于将底层算力与训练能力抽象为高层 API 与产品，降低使用门槛，提供即用型 Agent、低代码开发环境与可扩展部署能力，定位上对标 Anyscale、Together、Modal 等新一代 AI Infra 平台，充当从基础设施走向应用的桥梁。

2025年3月，TensorOpera 升级为面向 AI Agent 的全栈平台，核心产品涵盖 AgentOpera AI App、Framework 与 Platform。应用层提供类 ChatGPT 的多智能体入口，框架层以图结构多智能体系统和 Orchestrator/Router 演进为“Agentic OS”，平台层则与 TensorOpera 模型平台和 FedML 深度融合，实现分布式模型服务、RAG 优化和混合端云部署。整体目标是打造 “一个操作系统，一个智能体网络”，让开发者、企业与用户在开放、隐私保护的环境下共建新一代 Agentic AI 生态。

如果说 FedML 是技术内核，提供了联邦学习与分布式训练的开源基因；TensorOpera 将 FedML 的科研成果抽象为可商用的全栈 AI 基础设施，那么 ChainOpera 则是将TensorOpera 的平台能力“上链”，通过 AI Terminal + Agent Social Network + DePIN 模型与算力层 + AI-Native 区块链 打造一个去中心化的 Agent 网络生态。其核心转变在于，TensorOpera 仍主要面向企业与开发者，而 ChainOpera 借助 Web3 化的治理与激励机制，把用户、开发者、GPU/数据提供者纳入共建共治，让 AI Agent 不只是“被使用”，而是“被共创与共同拥有”。

共创者生态（Co-creators）

 ChainOpera AI 通过 Model & GPU Platform 与 Agent Platform 为生态共创提供工具链、基础设施与协调层，支持模型训练、智能体开发、部署与扩展协作。

ChainOpera 生态的共创者涵盖 AI Agent 开发者（设计与运营智能体）、工具与服务提供方（模板、MCP、数据库与 API）、模型开发者（训练与发布模型卡）、GPU 提供方（通过 DePIN 与 Web2 云伙伴贡献算力）、数据贡献者与标注方（上传与标注多模态数据）。三类核心供给——开发、算力与数据——共同驱动智能体网络的持续成长。

共有人生态（Co-owners）

ChainOpera 生态还引入 共有人机制，通过合作与参与共同建设网络。AI Agent 创作者是个人或团队，通过 Agent Platform 设计与部署新型智能体，负责构建、上线并持续维护，从而推动功能与应用的创新。AI Agent 参与者则来自社区，他们通过获取和持有访问单元（Access Units）参与智能体的生命周期，在使用与推广过程中支持智能体的成长与活跃度。两类角色分别代表 供给端与需求端，共同形成生态内的价值共享与协同发展模式。

生态合作伙伴：平台与框架

ChainOpera AI 与多方合作，强化平台的可用性与安全性，并注重 Web3 场景融合：通过 AI Terminal App 联合钱包、算法与聚合平台实现智能服务推荐；在 Agent Platform 引入多元框架与零代码工具，降低开发门槛；依托 TensorOpera AI 进行模型训练与推理；并与 FedML 建立独家合作，支持跨机构、跨设备的隐私保护训练。整体上，形成兼顾 企业级应用 与 Web3 用户体验 的开放生态体系。

硬件入口：AI 硬件与合作伙伴（AI Hardware & Partners）
通过 DeAI Phone、可穿戴与 Robot AI 等合作伙伴，ChainOpera 将区块链与 AI 融合进智能终端，实现 dApp 交互、端侧训练与隐私保护，逐步形成去中心化 AI 硬件生态。

中枢平台与技术基座：TensorOpera GenAI & FedML
TensorOpera 提供覆盖 MLOps、Scheduler、Compute 的全栈 GenAI 平台；其子平台 FedML 从学术开源成长为产业化框架，强化了 AI “随处运行、任意扩展” 的能力。

ChainOpera AI 生态体系

2025年6月，ChainOpera正式上线 AI Terminal App 与去中心化技术栈，定位为“去中心化版 OpenAI”，其核心产品涵盖四大模块：应用层（AI Terminal & Agent Network）、开发者层（Agent Creator Center）、模型与 GPU 层（Model & Compute Network）、以及 CoAI 协议与专用链，覆盖了从用户入口到底层算力与链上激励的完整闭环。

AI Terminal App 已集成 BNBChain ，支持链上交易与 DeFi 场景的 Agent。Agent Creator Center 面向开发者开放，提供 MCP/HUB、知识库与 RAG 等能力，社区智能体持续入驻；同时发起 CO-AI Alliance，联动 io.net、Render、TensorOpera、FedML、MindNetwork 等伙伴。

根据BNB DApp Bay 近 30 日的链上数据显示，其独立用户 158.87K，近30日交易量260万，在在 BSC「AI Agent」分类中排名全站第二，显示出强劲的链上活跃度。

Super AI Agent App – AI Terminal (https://chat.chainopera.ai/)
作为去中心化 ChatGPT 与 AI 社交入口，AI Terminal 提供多模态协作、数据贡献激励、DeFi 工具整合、跨平台助手，并支持 AI Agent 协作与隐私保护（Your Data, Your Agent）。用户可在移动端直接调用开源大模型 DeepSeek-R1 与社区智能体，交互过程中语言 Token 与加密 Token 在链上透明流转。其价值在于让用户从“内容消费者”转变为“智能共创者”，并能在 DeFi、RWA、PayFi、电商等场景中使用专属智能体网络。

AI Agent Social Network (https://chat.chainopera.ai/agent-social-network)
定位类似 LinkedIn + Messenger，但面向 AI Agent 群体。通过虚拟工作空间与 Agent-to-Agent 协作机制（MetaGPT、ChatDEV、AutoGEN、Camel），推动单一 Agent 演化为多智能体协作网络，覆盖金融、游戏、电商、研究等应用，并逐步增强记忆与自主性。

AI Agent Developer Platform (https://agent.chainopera.ai/)
为开发者提供“乐高式”创作体验。支持零代码与模块化扩展，区块链合约确保所有权，DePIN + 云基础设施降低门槛，Marketplace 提供分发与发现渠道。其核心在于让开发者快速触达用户，生态贡献可透明记录并获得激励。

AI Model & GPU Platform (https://platform.chainopera.ai/)
作为基础设施层，结合 DePIN 与联邦学习，解决 Web3 AI 依赖中心化算力的痛点。通过分布式 GPU、隐私保护的数据训练、模型与数据市场，以及端到端 MLOps，支持多智能体协作与个性化 AI。其愿景是推动从“大厂垄断”到“社区共建”的基建范式转移。

除去已正式上线全栈 AI Agent平台外， ChainOpera AI 坚信通用人工智能（AGI）来自 多模态、多智能体的协作网络。因此其远期路线图规划分为四个阶段：

• 阶段一（Compute → Capital）：构建去中心化基础设施，包括 GPU DePIN 网络、联邦学习与分布式训练/推理平台，并引入 模型路由器（Model Router）协调多端推理；通过激励机制让算力、模型与数据提供方获得按使用量分配的收益。

• 阶段二（Agentic Apps → Collaborative AI Economy）：推出 AI Terminal、Agent Marketplace 与 Agent Social Network，形成多智能体应用生态；通过 CoAI 协议 连接用户、开发者与资源提供者，并引入 用户需求–开发者匹配系统 与信用体系，推动高频交互与持续经济活动。

• 阶段三（Collaborative AI → Crypto-Native AI）：在 DeFi、RWA、支付、电商等领域落地，同时拓展至 KOL 场景与个人数据交换；开发面向金融/加密的专用 LLM，并推出 Agent-to-Agent 支付与钱包系统，推动“Crypto AGI”场景化应用。

• 阶段四（Ecosystems → Autonomous AI Economies）：逐步演进为自治子网经济，各子网围绕 应用、基础设施、算力、模型与数据 独立治理、代币化运作，并通过跨子网协议协作，形成多子网协同生态；同时从 Agentic AI 迈向 Physical AI（机器人、自动驾驶、航天）。

免责声明：本路线图仅供参考，时间表与功能可能因市场环境动态调整，不构成交付保证承诺。

目前 ChainOpera 尚未公布完整的代币激励计划，但其 CoAI 协议以“共创与共拥有”为核心，通过区块链与 Proof-of-Intelligence 机制实现透明可验证的贡献记录：开发者、算力、数据与服务提供者的投入按标准化方式计量并获得回报，用户使用服务、资源方支撑运行、开发者构建应用，所有参与方共享增长红利；平台则以 1% 服务费、奖励分配和流动性支持维持循环，推动开放、公平、协作的去中心化 AI 生态。

Proof-of-Intelligence 学习框架

Proof-of-Intelligence (PoI) 是 ChainOpera 在 CoAI 协议下提出的核心共识机制，旨在为去中心化 AI 构建提供透明、公平且可验证的激励与治理体系。其基于Proof-of-Contribution（贡献证明） 的区块链协作机器学习框架，旨在解决联邦学习（FL）在实际应用中存在的激励不足、隐私风险与可验证性缺失问题。该设计以智能合约为核心，结合去中心化存储（IPFS）、聚合节点和零知识证明（zkSNARKs），实现了五大目标：① 按贡献度进行公平奖励分配，确保训练者基于实际模型改进获得激励；② 保持数据本地化存储，保障隐私不外泄；③ 引入鲁棒性机制，对抗恶意训练者的投毒或聚合攻击；④ 通过 ZKP 确保模型聚合、异常检测与贡献评估等关键计算的可验证性；⑤ 在效率与通用性上适用于异构数据和不同学习任务。

全栈式 AI 中代币价值
ChainOpera 的代币机制围绕五大价值流（LaunchPad、Agent API、Model Serving、Contribution、Model Training）运作，核心是 服务费、贡献确认与资源分配，而非投机回报。

• AI 用户：用代币访问服务或订阅应用，并通过提供/标注/质押数据贡献生态。

• Agent/应用开发者：使用平台算力与数据进行开发，并因其贡献的 Agent、应用或数据集获得协议认可。

• 资源提供者：贡献算力、数据或模型，获得透明记录与激励。

• 治理参与者（社区 & DAO）：通过代币参与投票、机制设计与生态协调。

• 协议层（COAI）：通过服务费维持可持续发展，利用自动化分配机制平衡供需。

• 节点与验证者：提供验证、算力与安全服务，确保网络可靠性。

协议治理

ChainOpera 采用 DAO 治理，通过质押代币参与提案与投票，确保决策透明与公平。治理机制包括：声誉系统（验证并量化贡献）、社区协作（提案与投票推动生态发展）、参数调整（数据使用、安全与验证者问责）。整体目标是避免权力集中，保持系统稳定与社区共创。

ChainOpera项目由在联邦学习领域具有深厚造诣的 Salman Avestimehr 教授 与 何朝阳（Aiden）博士 共同创立。其他核心团队成员背景横跨 UC Berkeley、Stanford、USC、MIT、清华大学 以及 Google、Amazon、Tencent、Meta、Apple 等顶尖学术与科技机构，兼具学术研究与产业实战能力。截止目前，ChainOpera AI 团队规模已超过 40 人。

联合创始人：Salman Avestimehr

Salman Avestimehr 教授是 南加州大学（USC）电气与计算机工程系的 Dean’s Professor，并担任 USC-Amazon Trusted AI 中心创始主任，同时领导 USC 信息论与机器学习实验室（vITAL）。他是 FedML 联合创始人兼 CEO，并在 2022 年共同创立了 TensorOpera/ChainOpera AI。

Salman Avestimehr 教授毕业于 UC Berkeley EECS 博士（最佳论文奖）。作为IEEE Fellow，在信息论、分布式计算与联邦学习领域发表高水平论文 300+ 篇，引用数超 30,000，并获 PECASE、NSF CAREER、IEEE Massey Award 等多项国际荣誉。其主导创建 FedML 开源框架，广泛应用于医疗、金融和隐私计算，并成为 TensorOpera/ChainOpera AI 的核心技术基石。

联合创始人：Dr. Aiden Chaoyang He

Dr. Aiden Chaoyang He 是 TensorOpera/ChainOpera AI 联合创始人兼总裁，南加州大学（USC）计算机科学博士、FedML 原始创建者。其研究方向涵盖分布式与联邦学习、大规模模型训练、区块链与隐私计算。在创业之前，他曾在 Meta、Amazon、Google、Tencent 从事研发，并在腾讯、百度、华为担任核心工程与管理岗位，主导多个互联网级产品与 AI 平台的落地。

学术与产业方面，Aiden 已发表 30 余篇论文，Google Scholar 引用超过 13,000，并获 Amazon Ph.D. Fellowship、Qualcomm Innovation Fellowship 及 NeurIPS、AAAI 最佳论文奖。他主导开发的 FedML 框架是联邦学习领域最广泛使用的开源项目之一，支撑 日均 270 亿次请求；并作为核心作者提出 FedNLP 框架、混合模型并行训练方法，被广泛应用于Sahara AI等去中心化AI项目。

2024 年 12 月，ChainOpera AI 宣布完成 350 万美元种子轮融资，累计与 TensorOpera 共计融资 1700 万美元，资金将用于构建面向去中心化 AI Agent 的区块链 L1 与 AI 操作系统。本轮融资由 Finality Capital、Road Capital、IDG Capital 领投，跟投方包括 Camford VC、ABCDE Capital、Amber Group、Modular Capital 等，亦获得 Sparkle Ventures、Plug and Play、USC 以及 EigenLayer 创始人 Sreeram Kannan、BabylonChain 联合创始人 David Tse 等知名机构和个人投资人支持。团队表示，此轮融资将加速实现 “AI 资源贡献者、开发者与用户共同 co-own 和 co-create 的去中心化 AI 生态” 愿景。

联邦学习框架主要有四个代表：FedML、Flower、TFF、OpenFL。其中，FedML 最全栈，兼具联邦学习、分布式大模型训练与 MLOps，适合产业落地；Flower 轻量易用，社区活跃，偏教学与小规模实验；TFF 深度依赖 TensorFlow，学术研究价值高，但产业化弱；OpenFL 聚焦医疗/金融，强调隐私合规，生态较封闭。总体而言，FedML 代表工业级全能路径，Flower 注重易用性与教育，TFF 偏学术实验，OpenFL 则在垂直行业合规性上具优势。

在产业化与基础设施层，TensorOpera（FedML 商业化）的特点在于继承开源 FedML 的技术积累，提供跨云 GPU 调度、分布式训练、联邦学习与 MLOps 的一体化能力，目标是桥接学术研究与产业应用，服务开发者、中小企业及 Web3/DePIN 生态。总体来看，TensorOpera 相当于 “开源 FedML 的 Hugging Face + W&B 合体”，在全栈分布式训练和联邦学习能力上更完整、通用，区别于以社区、工具或单一行业为核心的其他平台。

在创新层代表中，ChainOpera 与 Flock 都尝试将联邦学习与 Web3 结合，但方向存在明显差异。ChainOpera 构建的是 全栈 AI Agent 平台，涵盖入口、社交、开发和基础设施四层架构，核心价值在于推动用户从“消费者”转变为“共创者”，并通过 AI Terminal 与 Agent Social Network 实现协作式 AGI 与社区共建生态；而 Flock 则更聚焦于 区块链增强型联邦学习（BAFL），强调在去中心化环境下的隐私保护与激励机制，主要面向算力和数据层的协作验证。ChainOpera 更偏向 应用与 Agent 网络层 的落地，Flock 则偏向 底层训练与隐私计算 的强化。

在Agent网络层面，业内最有代表性的项目是Olas Network。ChainOpera 前者源自联邦学习，构建模型—算力—智能体的全栈闭环，并以 Agent Social Network 为实验场探索多智能体的交互与社交协作；Olas Network源于 DAO 协作与 DeFi 生态，定位为去中心化自主服务网络，通过 Pearl推出可直接落地的Defi收益场景，与ChainOpera展现出截然不同的路径。

投资逻辑

ChainOpera 的优势首先在于其 技术护城河：从 FedML（联邦学习标杆性开源框架）到 TensorOpera（企业级全栈 AI Infra），再到 ChainOpera（Web3 化 Agent 网络 + DePIN + Tokenomics），形成了独特的连续演进路径，兼具学术积累、产业落地与加密叙事。

在 应用与用户规模 上，AI Terminal 已形成数十万日活用户与千级 Agent 应用生态，并在 BNBChain DApp Bay AI 类目排名第一，具备明确的链上用户增长与真实交易量。其多模态场景覆盖的加密原生领域有望逐步外溢至更广泛的 Web2 用户。

生态合作 方面，ChainOpera 发起 CO-AI Alliance，联合 io.net、Render、TensorOpera、FedML、MindNetwork 等伙伴，构建 GPU、模型、数据、隐私计算等多边网络效应；同时与三星电子合作验证移动端多模态 GenAI，展示了向硬件和边缘 AI 扩展的潜力。

在 代币与经济模型 上，ChainOpera 基于 Proof-of-Intelligence 共识，围绕五大价值流（LaunchPad、Agent API、Model Serving、Contribution、Model Training）分配激励，并通过 1% 平台服务费、激励分配和流动性支持形成正向循环，避免单一“炒币”模式，提升了可持续性。

潜在风险

首先，技术落地难度较高。ChainOpera 所提出的五层去中心化架构跨度大，跨层协同（尤其在大模型分布式推理与隐私训练方面）仍存在性能与稳定性挑战，尚未经过大规模应用验证。

其次，生态用户粘性仍需观察。虽然项目已取得初步用户增长，但 Agent Marketplace 与开发者工具链能否长期维持活跃与高质量供给仍有待检验。目前上线的 Agent Social Network 主要以 LLM 驱动的文本对话为主，用户体验与长期留存仍需进一步提升。若激励机制设计不够精细，可能出现短期活跃度高但长期价值不足的现象。

最后，商业模式的可持续性尚待确认。现阶段收入主要依赖平台服务费与代币循环，稳定现金流尚未形成，与 AgentFi或Payment 等更具金融化或生产力属性的应用相比，当前模式的商业价值仍需进一步验证；同时，移动端与硬件生态仍在探索阶段，市场化前景存在一定不确定性。

免责声明：本文在创作过程中借助了 ChatGPT-5 的 AI 工具辅助完成，作者已尽力校对并确保信息真实与准确，但仍难免存在疏漏，敬请谅解。需特别提示的是，加密资产市场普遍存在项目基本面与二级市场价格表现背离的情况。本文内容仅用于信息整合与学术/研究交流，不构成任何投资建议，亦不应视为任何代币的买卖推荐。