Del aprendizaje federado a la red descentralizada de agentes: análisis del proyecto ChainOpera

Autor: 0xjacobzhao

En el informe de junio “ El Santo Grial de Crypto AI: Exploración de la frontera del entrenamiento descentralizado ”, mencionamos el aprendizaje federado (Federated Learning) como una solución de “descentralización controlada” que se sitúa entre el entrenamiento distribuido y el entrenamiento descentralizado: su núcleo es la retención local de datos y la agregación centralizada de parámetros, satisfaciendo las necesidades de privacidad y cumplimiento en sectores como la salud y las finanzas. Al mismo tiempo, hemos seguido de cerca en varios informes anteriores el auge de las redes de agentes (Agent Network), cuyo valor radica en la colaboración autónoma y la división del trabajo entre múltiples agentes para completar tareas complejas, impulsando la evolución de los “grandes modelos” hacia un “ecosistema de múltiples agentes”.

El aprendizaje federado, con su principio de “los datos no salen del lugar de origen y las recompensas se otorgan según la contribución”, sienta las bases para la colaboración multipartita. Su naturaleza distribuida, incentivos transparentes, protección de la privacidad y prácticas de cumplimiento ofrecen experiencias directamente reutilizables para las Agent Network. El equipo de FedML sigue este camino, evolucionando su ADN open source hacia TensorOpera (capa de infraestructura industrial de IA) y luego hacia ChainOpera (red descentralizada de agentes). Por supuesto, la Agent Network no es una extensión inevitable del aprendizaje federado; su núcleo reside en la colaboración autónoma y la división de tareas entre múltiples agentes, y también puede construirse directamente sobre sistemas multiagente (MAS), aprendizaje por refuerzo (RL) o mecanismos de incentivos basados en blockchain.

I. Aprendizaje federado y arquitectura del stack tecnológico de AI Agent

El aprendizaje federado (Federated Learning, FL) es un marco de entrenamiento colaborativo que no requiere la centralización de datos. Su principio básico es que cada participante entrena el modelo localmente y solo sube los parámetros o gradientes a un coordinador central para su agregación, logrando así la privacidad y el cumplimiento al mantener los datos dentro de su dominio. Tras su aplicación en escenarios típicos como salud, finanzas y dispositivos móviles, el aprendizaje federado ha alcanzado una etapa comercial relativamente madura, aunque sigue enfrentando cuellos de botella como altos costos de comunicación, protección de privacidad incompleta y baja eficiencia de convergencia debido a la heterogeneidad de los dispositivos. En comparación con otros modos de entrenamiento, el entrenamiento distribuido enfatiza la concentración de poder de cómputo para buscar eficiencia y escala, el entrenamiento descentralizado logra colaboración completamente distribuida a través de redes abiertas de cómputo, mientras que el aprendizaje federado se sitúa entre ambos, representando una “descentralización controlada”: satisface las necesidades de privacidad y cumplimiento de la industria y ofrece una vía factible para la colaboración interinstitucional, siendo más adecuado para despliegues transitorios en la industria.

En todo el stack de protocolos de AI Agent, en informes anteriores lo hemos dividido en tres niveles principales, a saber:

• Capa de infraestructura (Agent Infrastructure Layer): Esta capa proporciona el soporte operativo más básico para los agentes, siendo la base tecnológica de todos los sistemas de agentes.

• Módulos centrales: Incluyen el Agent Framework (marco de desarrollo y operación de agentes) y el Agent OS (sistema operativo de bajo nivel para multitarea y ejecución modular), proporcionando capacidades clave para la gestión del ciclo de vida de los agentes.

• Módulos de soporte: Como Agent DID (identidad descentralizada), Agent Wallet & Abstraction (abstracción de cuentas y ejecución de transacciones), Agent Payment/Settlement (capacidades de pago y liquidación).

• Capa de coordinación y ejecución (Coordination & Execution Layer)se enfoca en la colaboración entre múltiples agentes, la programación de tareas y los mecanismos de incentivos del sistema, siendo clave para construir la “inteligencia colectiva” de los sistemas de agentes.

• Agent Orchestration: Es el mecanismo de dirección, utilizado para la programación y gestión unificada del ciclo de vida de los agentes, la asignación de tareas y los flujos de ejecución, adecuado para escenarios de flujo de trabajo con control centralizado.

• Agent Swarm: Es una estructura colaborativa que enfatiza la cooperación distribuida entre agentes, con alta autonomía, capacidad de división del trabajo y colaboración flexible, ideal para tareas complejas en entornos dinámicos.

• Agent Incentive Layer: Construye el sistema de incentivos económicos de la red de agentes, motivando a desarrolladores, ejecutores y validadores, y proporcionando un motor sostenible para el ecosistema de agentes.

• Capa de aplicación (Application & Distribution Layer)

• Subcategoría de distribución:Incluye Agent Launchpad, Agent Marketplace y Agent Plugin Network

• Subcategoría de aplicación:Cubre AgentFi, Agent Native DApp, Agent-as-a-Service, etc.

• Subcategoría de consumo:Principalmente Agent Social / Consumer Agent, orientado a escenarios ligeros de consumo y socialización

• Meme:Explotación del concepto de Agent sin implementación técnica real ni aplicaciones aterrizadas, impulsado solo por marketing.

II. FedML como referente en aprendizaje federado y la plataforma full-stack TensorOpera

FedML es uno de los primeros marcos open source orientados al aprendizaje federado (Federated Learning) y entrenamiento distribuido, originado en un equipo académico (USC) y gradualmente comercializado como el producto central de TensorOpera AI. Proporciona herramientas de entrenamiento colaborativo de datos entre instituciones y dispositivos para investigadores y desarrolladores. En el ámbito académico, FedML es un estándar experimental común en aprendizaje federado, apareciendo frecuentemente en conferencias como NeurIPS, ICML y AAAI; en la industria, FedML goza de buena reputación en escenarios sensibles a la privacidad como salud, finanzas, edge AI y Web3 AI, siendo considerado la herramienta de referencia en el campo del aprendizaje federado.

TensorOpera es la evolución comercial de FedML hacia una plataforma full-stack de infraestructura de IA para empresas y desarrolladores: manteniendo las capacidades de aprendizaje federado, se expande hacia GPU Marketplace, servicios de modelos y MLOps, accediendo así a un mercado más amplio en la era de los grandes modelos y los agentes. La arquitectura general de TensorOpera se divide en tres capas: Compute Layer (infraestructura), Scheduler Layer (programación) y MLOps Layer (aplicaciones):

1. Compute Layer (infraestructura)

La capa Compute es la base tecnológica de TensorOpera, continuando el ADN open source de FedML. Sus funciones principales incluyen Parameter Server, Distributed Training, Inference Endpoint y Aggregation Server. Su valor radica en proporcionar entrenamiento distribuido, aprendizaje federado con protección de privacidad y un motor de inferencia escalable, soportando las tres capacidades clave de “Train / Deploy / Federate”, cubriendo toda la cadena desde el entrenamiento y despliegue de modelos hasta la colaboración interinstitucional, siendo la base de toda la plataforma.

2. Scheduler Layer (capa intermedia)

La capa Scheduler funciona como el centro de transacciones y programación de cómputo, compuesta por GPU Marketplace, Provision, Master Agent y Schedule & Orchestrate, soportando la utilización de recursos entre nubes públicas, proveedores de GPU y contribuyentes independientes. Esta capa es el punto de inflexión clave en la evolución de FedML a TensorOpera, permitiendo entrenamiento e inferencia de IA a gran escala mediante programación inteligente de recursos y orquestación de tareas, cubriendo escenarios típicos de LLM y AI generativa. Además, el modelo Share & Earn de esta capa reserva interfaces de incentivos, con potencial de compatibilidad con DePIN o modelos Web3.

3. MLOps Layer (capa superior)

La capa MLOps es la interfaz de servicio directa para desarrolladores y empresas, incluyendo módulos como Model Serving, AI Agent y Studio. Las aplicaciones típicas incluyen chatbots LLM, AI generativa multimodal y herramientas Copilot para desarrolladores. Su valor radica en abstraer el poder de cómputo y las capacidades de entrenamiento subyacentes en APIs y productos de alto nivel, reduciendo la barrera de entrada, proporcionando agentes listos para usar, entornos de desarrollo low-code y capacidades de despliegue escalables. Su posicionamiento es comparable a plataformas de nueva generación de AI Infra como Anyscale, Together y Modal, sirviendo de puente entre la infraestructura y las aplicaciones.

En marzo de 2025, TensorOpera se actualiza a una plataforma full-stack orientada a AI Agent, con productos principales que incluyen AgentOpera AI App, Framework y Platform. La capa de aplicación ofrece una entrada multiagente tipo ChatGPT, la capa de framework evoluciona hacia un “Agentic OS” basado en sistemas multiagente con estructura de grafo y Orchestrator/Router, y la capa de plataforma se integra profundamente con la plataforma de modelos TensorOpera y FedML, logrando servicios de modelos distribuidos, optimización RAG y despliegue híbrido edge-cloud. El objetivo general es construir “un sistema operativo, una red de agentes”, permitiendo que desarrolladores, empresas y usuarios co-construyan la nueva generación del ecosistema Agentic AI en un entorno abierto y protegido para la privacidad.

III. Panorama del ecosistema ChainOpera AI:de co-creadores y co-propietarios a la base tecnológica

Si FedML es el núcleo tecnológico que proporciona el ADN open source del aprendizaje federado y el entrenamiento distribuido; TensorOpera abstrae los logros científicos de FedML en infraestructura de IA full-stack comercializable, entonces ChainOpera es la “versión on-chain” de las capacidades de plataforma de TensorOpera, construyendo un ecosistema de red de agentes descentralizada a través de AI Terminal + Agent Social Network + modelo y capa de cómputo DePIN + blockchain AI-Native. El cambio clave es que TensorOpera sigue orientado principalmente a empresas y desarrolladores, mientras que ChainOpera, gracias a la gobernanza e incentivos Web3, integra a usuarios, desarrolladores y proveedores de GPU/datos en la co-construcción y co-gobernanza, haciendo que los AI Agent no solo sean “utilizados”, sino también “co-creados y co-propiedad”.

Ecosistema de co-creadores (Co-creators)

ChainOpera AI, a través de Model & GPU Platform y Agent Platform, proporciona herramientas, infraestructura y capa de coordinación para la co-creación del ecosistema, soportando entrenamiento de modelos, desarrollo de agentes, despliegue y colaboración ampliada.

Los co-creadores del ecosistema ChainOpera incluyen desarrolladores de AI Agent (diseño y operación de agentes),proveedores de herramientas y servicios (plantillas, MCP, bases de datos y API),desarrolladores de modelos (entrenamiento y publicación de model cards),proveedores de GPU (aportando cómputo a través de DePIN y socios cloud Web2),contribuyentes y etiquetadores de datos (subida y etiquetado de datos multimodales). Los tres suministros clave —desarrollo, cómputo y datos— impulsan conjuntamente el crecimiento continuo de la red de agentes.

Ecosistema de co-propietarios (Co-owners)

El ecosistema ChainOpera también introduce el mecanismo de co-propiedad, construyendo la red a través de la cooperación y la participación.Los creadores de AI Agent son individuos o equipos que diseñan y despliegan nuevos agentes a través de la Agent Platform, siendo responsables de construir, lanzar y mantener continuamente, impulsando la innovación funcional y de aplicaciones.Los participantes de AI Agent provienen de la comunidad, participando en el ciclo de vida de los agentes mediante la adquisición y tenencia de Access Units, apoyando el crecimiento y la actividad de los agentes durante el uso y la promoción. Ambos roles representan el lado de la oferta y el lado de la demanda, formando conjuntamente un modelo de compartición de valor y desarrollo colaborativo dentro del ecosistema.

Socios del ecosistema: plataformas y frameworks

ChainOpera AI coopera con múltiples partes para fortalecer la usabilidad y seguridad de la plataforma, y se enfoca en la integración con escenarios Web3: a través de AI Terminal App integra billeteras, algoritmos y plataformas de agregación para recomendaciones de servicios inteligentes; en Agent Platform introduce frameworks diversos y herramientas sin código para reducir la barrera de desarrollo; se apoya en TensorOpera AI para entrenamiento e inferencia de modelos; y establece una colaboración exclusiva con FedML para soportar entrenamiento privado entre instituciones y dispositivos. En conjunto, se forma un ecosistema abierto que equilibra aplicaciones empresariales y experiencia de usuario Web3.

Entrada de hardware: AI Hardware & Partners

A través de socios como DeAI Phone, wearables y Robot AI, ChainOpera integra blockchain e IA en terminales inteligentes, logrando interacción con dApps, entrenamiento en el dispositivo y protección de la privacidad, formando gradualmente un ecosistema descentralizado de hardware de IA.

Plataforma central y base tecnológica: TensorOpera GenAI & FedML

TensorOpera proporciona una plataforma GenAI full-stack que cubre MLOps, Scheduler y Compute; su subplataforma FedML ha evolucionado de open source académico a framework industrial, fortaleciendo la capacidad de “IA en cualquier lugar, expansión ilimitada”.

Sistema ecológico ChainOpera AI

IV. Productos principales de ChainOpera y la infraestructura full-stack de AI Agent

En junio de 2025, ChainOpera lanza oficialmente AI Terminal App y su stack tecnológico descentralizado, posicionándose como la “versión descentralizada de OpenAI”. Sus productos principales abarcan cuatro módulos: capa de aplicación (AI Terminal & Agent Network), capa de desarrollador (Agent Creator Center), capa de modelos y GPU (Model & Compute Network), y el protocolo CoAI y cadena dedicada, cubriendo el ciclo completo desde la entrada del usuario hasta la infraestructura de cómputo y los incentivos on-chain.

AI Terminal App ya integra BNBChain, soportando agentes para transacciones on-chain y escenarios DeFi. Agent Creator Center está abierto a desarrolladores, ofreciendo capacidades como MCP/HUB, base de conocimientos y RAG, con agentes comunitarios incorporándose continuamente; además, lanza la CO-AI Alliance, conectando a socios como io.net, Render, TensorOpera, FedML, MindNetwork, entre otros.

SegúnBNB DApp Bay, los datos on-chain de los últimos 30 días muestran 158.87K usuarios únicos y 2.6 millones de transacciones, ocupando el segundo lugar en la categoría “AI Agent” de BSC, lo que demuestra una fuerte actividad on-chain.

Super AI Agent App – AI Terminal

Como entrada descentralizada de ChatGPT y AI social, AI Terminal ofrece colaboración multimodal, incentivos por contribución de datos, integración de herramientas DeFi, asistente multiplataforma y soporte para colaboración de AI Agent y protección de privacidad (Your Data, Your Agent). Los usuarios pueden acceder directamente en dispositivos móviles a grandes modelos open source como DeepSeek-R1 y agentes comunitarios, con tokens de lenguaje y tokens cripto fluyendo de forma transparente on-chain durante la interacción. Su valor radica en transformar al usuario de “consumidor de contenido” a “co-creador inteligente”, pudiendo utilizar la red de agentes personalizada en escenarios como DeFi, RWA, PayFi y e-commerce.

AI Agent Social Network

Posicionado como LinkedIn + Messenger, pero orientado a grupos de AI Agent. A través de espacios de trabajo virtuales y mecanismos de colaboración Agent-to-Agent (MetaGPT, ChatDEV, AutoGEN, Camel), impulsa la evolución de agentes individuales hacia redes colaborativas multiagente, cubriendo aplicaciones en finanzas, gaming, e-commerce, investigación, y mejorando gradualmente la memoria y autonomía.

AI Agent Developer Platform

Ofrece a los desarrolladores una experiencia de creación tipo “Lego”. Soporta desarrollo sin código y expansión modular, contratos blockchain aseguran la propiedad, DePIN + infraestructura cloud reducen barreras, y el Marketplace proporciona canales de distribución y descubrimiento. Su núcleo es permitir a los desarrolladores llegar rápidamente a los usuarios, con contribuciones al ecosistema registradas de forma transparente y recompensadas.

AI Model & GPU Platform

Como capa de infraestructura, combina DePIN y aprendizaje federado para resolver la dependencia de Web3 AI en cómputo centralizado. Mediante GPU distribuidas, entrenamiento de datos con protección de privacidad, mercado de modelos y datos, y MLOps de extremo a extremo, soporta la colaboración multiagente y la IA personalizada. Su visión es impulsar el cambio de paradigma de “monopolio de grandes empresas” a “infraestructura construida por la comunidad”.

V. Hoja de ruta de ChainOpera AI

Además de haber lanzado oficialmente la plataforma full-stack AI Agent, ChainOpera AI está convencido de que la inteligencia artificial general (AGI) proviene de redes colaborativas multimodales y multiagente. Por ello, su hoja de ruta a largo plazo se divide en cuatro etapas:

• Etapa uno (Compute → Capital): Construcción de infraestructura descentralizada, incluyendo red GPU DePIN, plataformas de aprendizaje federado y entrenamiento/inferencia distribuida, e introducción de Model Router para coordinar inferencia multi-dispositivo; mediante incentivos, los proveedores de cómputo, modelos y datos reciben ingresos proporcionales al uso.

• Etapa dos (Agentic Apps → Collaborative AI Economy): Lanzamiento de AI Terminal, Agent Marketplace y Agent Social Network, formando un ecosistema de aplicaciones multiagente; mediante el protocolo CoAI se conecta a usuarios, desarrolladores y proveedores de recursos, e introducción de sistemas de matching usuario-desarrollador y sistemas de crédito, promoviendo la interacción frecuente y la actividad económica continua.

• Etapa tres (Collaborative AI → Crypto-Native AI): Implementación en DeFi, RWA, pagos, e-commerce y expansión a escenarios KOL e intercambio de datos personales; desarrollo de LLMs especializados en finanzas/cripto y lanzamiento de sistemas de pago y billetera Agent-to-Agent, impulsando aplicaciones “Crypto AGI”.

• Etapa cuatro (Ecosystems → Autonomous AI Economies): Evolución gradual hacia economías de subredes autónomas, donde cada subred gestiona y tokeniza de forma independiente aplicaciones, infraestructura, cómputo, modelos y datos, colaborando mediante protocolos inter-subred, formando un ecosistema colaborativo de múltiples subredes; avanzando de Agentic AI hacia Physical AI (robótica, conducción autónoma, aeroespacial).