От федеративного обучения к децентрализованной сети агентов: анализ проекта ChainOpera

Автор: 0xjacobzhao

В июньском исследовательском отчёте « Святой Грааль Crypto AI: передовые исследования децентрализованного обучения » мы упоминали федеративное обучение (Federated Learning) как «контролируемое децентрализованное» решение, находящееся между распределённым и децентрализованным обучением: его суть заключается в локальном хранении данных и централизованной агрегации параметров, что соответствует требованиям к приватности и комплаенсу в таких сферах, как медицина и финансы. Одновременно мы в предыдущих отчётах постоянно следили за развитием сетей агентов (Agent Network) — их ценность заключается в том, что с помощью автономии и разделения труда между множеством агентов можно совместно выполнять сложные задачи, способствуя эволюции «больших моделей» в сторону «экосистемы мультиагентов».

Федеративное обучение, основывающееся на принципах «данные не покидают локальное устройство, вознаграждение согласно вкладу», закладывает фундамент для многостороннего сотрудничества; его распределённая природа, прозрачная система мотивации, защита приватности и комплаенс предоставляют Agent Network опыт, который можно напрямую использовать. Команда FedML движется по этому пути, развивая открытый исходный код до уровня TensorOpera (инфраструктурный слой AI-индустрии), а затем эволюционируя до ChainOpera (децентрализованная сеть агентов). Конечно, Agent Network не обязательно является прямым продолжением федеративного обучения; её ядро — это автономное сотрудничество и разделение задач между множеством агентов, и она может быть построена напрямую на основе мультиагентных систем (MAS), обучения с подкреплением (RL) или блокчейн-инцентивов.

I. Архитектура технологического стека федеративного обучения и AI Agent

Федеративное обучение (Federated Learning, FL) — это фреймворк для совместного обучения без централизации данных. Его основной принцип — каждая сторона обучает модель локально и отправляет только параметры или градиенты на координационный сервер для агрегации, тем самым достигая приватности и комплаенса «данные не покидают домен». После применения в медицине, финансах и мобильных сценариях федеративное обучение достигло достаточно зрелой коммерциализации, но всё ещё сталкивается с такими узкими местами, как большие издержки на коммуникацию, неполная защита приватности и низкая эффективность сходимости из-за гетерогенности устройств. По сравнению с другими режимами обучения, распределённое обучение делает упор на концентрацию вычислительных ресурсов ради эффективности и масштаба, децентрализованное обучение реализует полностью распределённое сотрудничество через открытые вычислительные сети, а федеративное обучение занимает промежуточное положение, выступая как «контролируемое децентрализованное» решение: оно удовлетворяет требованиям индустрии по приватности и комплаенсу, а также предоставляет жизнеспособный путь для межинституционального сотрудничества, что делает его более подходящим для переходных промышленных архитектур.

В технологическом стеке AI Agent мы ранее делили его на три основных уровня, а именно:

• Инфраструктурный слой (Agent Infrastructure Layer): этот слой обеспечивает базовую поддержку для агентов и является технологическим фундаментом для построения всех агентных систем.

• Ключевые модули: включают Agent Framework (фреймворк для разработки и запуска агентов) и Agent OS (более низкоуровневый многозадачный диспетчер и модульный рантайм), предоставляя основные возможности для управления жизненным циклом агентов.

• Вспомогательные модули: такие как Agent DID (децентрализованная идентификация), Agent Wallet & Abstraction (абстракция аккаунтов и выполнение транзакций), Agent Payment/Settlement (возможности оплаты и расчётов).

• Координационный и исполнительный слой (Coordination & Execution Layer)фокусируется на координации между агентами, диспетчеризации задач и системе мотивации — это ключ к построению «коллективного интеллекта» агентных систем.

• Agent Orchestration: механизм управления, отвечающий за централизованное управление жизненным циклом агентов, распределение задач и выполнение процессов, подходит для сценариев с централизованным контролем рабочих процессов.

• Agent Swarm: кооперативная структура, акцентирующая распределённое сотрудничество агентов, обладающая высокой автономией, способностью к разделению труда и гибкой координацией, подходит для сложных задач в динамических средах.

• Agent Incentive Layer: строит экономическую систему мотивации для агентной сети, стимулируя разработчиков, исполнителей и валидаторов, обеспечивая устойчивое развитие экосистемы агентов.

• Прикладной слой (Application & Distribution Layer)

• Категория дистрибуции: включает Agent Launchpad, Agent Marketplace и Agent Plugin Network

• Категория приложений: охватывает AgentFi, Agent Native DApp, Agent-as-a-Service и др.

• Категория потребления: в основном Agent Social / Consumer Agent, ориентированные на лёгкие потребительские и социальные сценарии

• Meme: спекуляция на концепции Agent без реальных технических решений и приложений, исключительно маркетинговый драйв.

II. Эталон федеративного обучения FedML и полнофункциональная платформа TensorOpera

FedML — одна из первых open-source платформ для федеративного обучения (Federated Learning) и распределённого обучения, возникшая из академической среды (USC) и постепенно превратившаяся в основной продукт компании TensorOpera AI. Она предоставляет исследователям и разработчикам инструменты для совместного обучения данных между организациями и устройствами. В академии FedML часто упоминается на ведущих конференциях, таких как NeurIPS, ICML, AAAI, и стал универсальной экспериментальной платформой для исследований в области федеративного обучения; в индустрии FedML пользуется высокой репутацией в медицинских, финансовых, edge AI и Web3 AI сценариях с повышенными требованиями к приватности, и считается эталонным инструментарием в области федеративного обучения.

TensorOpera — это коммерческое развитие FedML, превращённое в полнофункциональную AI-инфраструктурную платформу для предприятий и разработчиков: сохраняя возможности федеративного обучения, она расширяется на GPU Marketplace, сервисы моделей и MLOps, выходя на более широкий рынок эпохи больших моделей и агентов. Архитектура TensorOpera делится на три уровня: Compute Layer (базовый слой), Scheduler Layer (слой диспетчеризации) и MLOps Layer (прикладной слой):

1. Compute Layer (базовый слой)

Compute Layer — технологическая основа TensorOpera, продолжающая open-source традиции FedML, основные функции включают Parameter Server, Distributed Training, Inference Endpoint и Aggregation Server. Его ценность — предоставление распределённого обучения, федеративного обучения с защитой приватности и масштабируемого inference-движка, поддерживая три ключевые возможности: «Train / Deploy / Federate», охватывая полный цикл от обучения модели и деплоя до межинституционального сотрудничества — это фундаментальный слой всей платформы.

2. Scheduler Layer (средний слой)

Scheduler Layer — это центр торговли и диспетчеризации вычислительных ресурсов, включающий GPU Marketplace, Provision, Master Agent и Schedule & Orchestrate, поддерживает вызов ресурсов между публичными облаками, GPU-провайдерами и независимыми участниками. Этот слой — ключевой этап эволюции FedML в TensorOpera, позволяющий с помощью интеллектуального диспетчеризации вычислений и оркестрации задач реализовать масштабное AI-обучение и inference, охватывая типичные сценарии LLM и генеративного AI. Модель Share & Earn предусматривает интерфейс для системы мотивации, что даёт потенциал совместимости с DePIN или Web3-моделями.

3. MLOps Layer (верхний слой)

MLOps Layer — сервисный интерфейс платформы для разработчиков и предприятий, включает Model Serving, AI Agent и Studio. Типичные приложения — LLM Chatbot, мультимодальный генеративный AI и инструменты Copilot для разработчиков. Его ценность — абстрагирование вычислительных и обучающих возможностей в высокоуровневые API и продукты, снижение порога входа, предоставление готовых агентов, low-code среды и масштабируемого деплоя, по позиционированию сопоставим с Anyscale, Together, Modal и другими новыми AI Infra платформами, выступая мостом от инфраструктуры к приложениям.

В марте 2025 года TensorOpera обновится до полнофункциональной платформы для AI Agent, основные продукты включают AgentOpera AI App, Framework и Platform. Прикладной слой предоставляет мультиагентный интерфейс, аналогичный ChatGPT; слой фреймворка эволюционирует в «Agentic OS» на основе графовой мультиагентной системы и Orchestrator/Router; платформенный слой глубоко интегрируется с TensorOpera и FedML, реализуя распределённые сервисы моделей, RAG-оптимизацию и гибридный деплой на облаке и устройствах. Общая цель — создать «одну операционную систему, одну сеть агентов», чтобы разработчики, предприятия и пользователи совместно строили новое поколение Agentic AI-экосистемы в открытой и приватной среде.

III. Экосистема ChainOpera AI: от со-творцов и совладельцев до технологического фундамента

Если FedML — это технологическое ядро, предоставляющее open-source федеративное и распределённое обучение, TensorOpera абстрагирует научные достижения FedML в коммерческую AI-инфраструктуру, то ChainOpera «поднимает» возможности TensorOpera на блокчейн, создавая децентрализованную сеть агентов через AI Terminal + Agent Social Network + DePIN модель и вычислительный слой + AI-Native блокчейн. Ключевое отличие — TensorOpera ориентирован в основном на предприятия и разработчиков, а ChainOpera с помощью Web3-управления и мотивации вовлекает пользователей, разработчиков, GPU/поставщиков данных в совместное управление и развитие, делая AI Agent не только «используемыми», но и «совместно создаваемыми и принадлежащими».

Экосистема со-творцов (Co-creators)

ChainOpera AI через Model & GPU Platform и Agent Platform предоставляет инструментарий, инфраструктуру и координационный слой для совместного создания экосистемы, поддерживая обучение моделей, разработку агентов, деплой и расширенное сотрудничество.

Со-творцы ChainOpera включают разработчиков AI Agent (дизайн и управление агентами),поставщиков инструментов и сервисов (шаблоны, MCP, базы данных и API),разработчиков моделей (обучение и публикация model cards),поставщиков GPU (вклад вычислений через DePIN и Web2-облака),поставщиков и аннотаторов данных (загрузка и аннотирование мультимодальных данных). Три основных источника — разработка, вычисления и данные — совместно обеспечивают устойчивый рост сети агентов.

Экосистема совладельцев (Co-owners)

ChainOpera также вводит механизм совладельцев через совместное участие в строительстве сети.Создатели AI Agent — это индивидуальные лица или команды, которые проектируют и деплоят новые агенты через Agent Platform, отвечая за разработку, запуск и постоянную поддержку, способствуя инновациям функций и приложений.Участники AI Agent — это члены сообщества, которые участвуют в жизненном цикле агентов через приобретение и владение Access Units, поддерживая рост и активность агентов в процессе использования и продвижения. Эти две роли представляют сторону предложения и спроса, совместно формируя модель совместного создания ценности и координированного развития внутри экосистемы.

Партнёры экосистемы: платформы и фреймворки

ChainOpera AI сотрудничает с различными партнёрами для повышения удобства и безопасности платформы, а также интеграции с Web3-сценариями: через AI Terminal App объединяет кошельки, алгоритмы и агрегаторы для интеллектуальных сервисов; в Agent Platform внедряет различные фреймворки и no-code инструменты для снижения порога разработки; опирается на TensorOpera AI для обучения и inference моделей; и устанавливает эксклюзивное партнёрство с FedML для поддержки приватного обучения между организациями и устройствами. В целом формируется открытая экосистема, сочетающая корпоративные приложения и Web3 пользовательский опыт.

Аппаратные входы: AI Hardware & Partners

С помощью DeAI Phone, носимых устройств и Robot AI, ChainOpera интегрирует блокчейн и AI в интеллектуальные терминалы, реализуя dApp-взаимодействие, локальное обучение и защиту приватности, постепенно формируя децентрализованную AI-аппаратную экосистему.

Центральная платформа и технологический фундамент: TensorOpera GenAI & FedML

TensorOpera предоставляет полнофункциональную GenAI-платформу, охватывающую MLOps, Scheduler и Compute; её дочерняя платформа FedML выросла из академического open-source в индустриальный фреймворк, усилив способность AI «работать везде и масштабироваться как угодно».

Экосистема ChainOpera AI

IV. Ключевые продукты ChainOpera и полнофункциональная инфраструктура AI Agent

В июне 2025 года ChainOpera официально запускает AI Terminal App и децентрализованный технологический стек, позиционируя себя как «децентрализованный OpenAI». Ключевые продукты включают четыре модуля: прикладной слой (AI Terminal & Agent Network), слой разработчика (Agent Creator Center), слой моделей и GPU (Model & Compute Network), а также протокол CoAI и специализированную цепочку, охватывая полный цикл от пользовательского интерфейса до вычислительных ресурсов и ончейн-мотивации.

AI Terminal App уже интегрирован с BNBChain, поддерживает ончейн-транзакции и сценарии DeFi для агентов. Agent Creator Center открыт для разработчиков, предоставляя возможности MCP/HUB, базы знаний и RAG, в экосистему постоянно добавляются новые агенты; также инициирован CO-AI Alliance, объединяющий io.net, Render, TensorOpera, FedML, MindNetwork и других партнёров.

СогласноBNB DApp Bay за последние 30 дней, уникальных пользователей — 158,87K, количество транзакций за 30 дней — 2.6 миллионов, занимает второе место в категории «AI Agent» на BSC, демонстрируя высокую ончейн-активность.

Super AI Agent App – AI Terminal

Как децентрализованный ChatGPT и AI-социальный вход, AI Terminal предоставляет мультимодальное сотрудничество, мотивацию за вклад данных, интеграцию DeFi-инструментов, кроссплатформенных ассистентов, а также поддерживает сотрудничество агентов и защиту приватности (Your Data, Your Agent). Пользователи могут напрямую вызывать open-source большие модели DeepSeek-R1 и агентов сообщества на мобильных устройствах, а токены языка и криптотокены прозрачно циркулируют на блокчейне в процессе взаимодействия. Его ценность — превращение пользователя из «потребителя контента» в «интеллектуального со-творца», а также возможность использовать собственную сеть агентов в DeFi, RWA, PayFi, e-commerce и других сценариях.

AI Agent Social Network

Позиционируется как LinkedIn + Messenger, но для AI Agent. Через виртуальные рабочие пространства и механизмы сотрудничества Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel) способствует эволюции одиночного агента в мультиагентную кооперативную сеть, охватывая финансы, игры, e-commerce, исследования и другие приложения, постепенно усиливая память и автономию.

AI Agent Developer Platform

Предоставляет разработчикам «лего-стиль» создания. Поддерживает no-code и модульное расширение, блокчейн-контракты обеспечивают право собственности, DePIN + облачная инфраструктура снижают порог входа, Marketplace предоставляет каналы для дистрибуции и обнаружения. Ключевая идея — быстрое достижение пользователей и прозрачная фиксация вклада в экосистему с возможностью мотивации.

AI Model & GPU Platform

Как инфраструктурный слой, сочетает DePIN и федеративное обучение, решая проблему зависимости Web3 AI от централизованных вычислений. Через распределённые GPU, приватное обучение данных, рынок моделей и данных, а также end-to-end MLOps поддерживает сотрудничество агентов и персонализированный AI. Его видение — переход от «монополии крупных компаний» к «совместному строительству сообществом» в инфраструктуре.

V. Дорожная карта развития ChainOpera AI

Помимо уже запущенной полнофункциональной AI Agent платформы, ChainOpera AI убеждена, что искусственный общий интеллект (AGI) рождается из мультимодальной и мультиагентной кооперативной сети. Поэтому долгосрочная дорожная карта делится на четыре этапа:

• Этап первый (Compute → Capital): создание децентрализованной инфраструктуры, включая GPU DePIN сеть, платформу федеративного и распределённого обучения/inference, а также внедрение Model Router для координации inference на разных устройствах; через систему мотивации вычислительные ресурсы, модели и поставщики данных получают доход, распределяемый по использованию.

• Этап второй (Agentic Apps → Collaborative AI Economy): запуск AI Terminal, Agent Marketplace и Agent Social Network, формирование экосистемы мультиагентных приложений; через CoAI Protocol соединяются пользователи, разработчики и поставщики ресурсов, внедряются система сопоставления пользовательских запросов и разработчиков, а также кредитная система, стимулируя частое взаимодействие и устойчивую экономическую активность.

• Этап третий (Collaborative AI → Crypto-Native AI): внедрение в DeFi, RWA, платежи, e-commerce и другие сферы, а также расширение на KOL-сценарии и обмен персональными данными; разработка специализированных LLM для финансов/крипто и запуск системы Agent-to-Agent платежей и кошельков, продвигая прикладные сценарии «Crypto AGI».

• Этап четвёртый (Ecosystems → Autonomous AI Economies): постепенное развитие в автономные субсетевые экономики, где каждая сеть независимо управляет приложениями, инфраструктурой, вычислениями, моделями и данными, работает в токенизированном режиме и сотрудничает через межсетевые протоколы, формируя кооперативную мультисетевую экосистему; параллельно Agentic AI эволюционирует в Physical AI (роботы, автопилот, космос).