從聯邦學習到去中心化 Agent 網絡：ChainOpera 項目解析

作者：https://linktr.ee/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 提供了可直接復用的經驗。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。

• 核心模塊：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塊化運行時），為 Agent 的生命周期管理提供核心能力。

• 支持模塊：如 Agent DID（去中心身份）、Agent Wallet \& Abstraction（賬戶抽象與交易執行）、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 生命周期、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，僅營銷驅動。

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 等模塊。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 參與者則來自社區，他們通過獲取和持有訪問單元（Access Units）參與智能體的生命周期，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。

硬件入口：AI 硬件與合作夥伴（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 交互、端側訓練與隱私保護，逐步形成去中心化 AI 硬件生態。

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塊：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，社區智能體持續入駐；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 (https://chat.chainopera.ai/)

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 與社區智能體，交互過程中語言 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 (https://chat.chainopera.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 (https://agent.chainopera.ai/)

為開發者提供"樂高式"創作體驗。支持零代碼與模塊化擴展，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 (https://platform.chainopera.ai/)

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"社區共建"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，推動高頻交互與持續經濟活動。

• 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）。

免責聲明：本路線圖僅供參考，時間表與功能可能因市場環境動態調整，不構成交付保證承諾。

七、代幣激勵與協議治理

目前 ChainOpera 尚未公布完整的代幣激勵計劃，但其 CoAI 協議以"共創與共擁有"為核心，通過區塊鏈與 Proof-of-Intelligence 機制實現透明可驗證的貢獻記錄：開發者、算力、數據與服務提供者的投入按標準化方式計量並獲得回報，用戶使用服務、資源方支撐運行、開發者構建應用，所有參與方共享增長紅利；平台則以 1% 服務費、獎勵分配和流動性支持維持循環，推動開放、公平、協作的去中心化 AI 生態。

Proof-of-Intelligence 學習框架

Proof-of-Intelligence (PoI) 是 ChainOpera 在 CoAI 協議下提出的核心共識機制，旨在為去中心化 AI 構建提供透明、公平且可驗證的激勵與治理體系。其基於Proof-of-Contribution（貢獻證明） 的區塊鏈協作機器學習框架，旨在解決聯邦學習（FL）在實際應用中存在的激勵不足、隱私風險與可驗證性缺失問題。該設計以智能合約為核心，結合去中心化存儲（IPFS）、聚合節點和零知識證明（zkSNARKs），實現了五大目標：① 按貢獻度進行公平獎勵分配，確保訓練者基於實際模型改進獲得激勵；② 保持數據本地化存儲，保障隱私不外洩；③ 引入魯棒性機制，對抗惡意訓練者的投毒或聚合攻擊；④ 通過 ZKP 確保模型聚合、異常檢測與貢獻評估等關鍵計算的可驗證性；⑤ 在效率與通用性上適用於異構數據和不同學習任務。

全棧式 AI 中代幣價值

ChainOpera 的代幣機制圍繞五大價值流（LaunchPad、Agent API、Model Serving、Contribution、Model Training）運作，核心是 服務費、貢獻確認與資源分配，而非投機回報。

• AI 用戶：用代幣訪問服務或訂閱應用，並通過提供/標註/質押數據貢獻生態。

• Agent/應用開發者：使用平台算力與數據進行開發，並因其貢獻的 Agent、應用或數據集獲得協議認可。

• 資源提供者：貢獻算力、數據或模型，獲得透明記錄與激勵。

• 治理參與者（社區 \& DAO）：通過代幣參與投票、機制設計與生態協調。

• 協議層（COAI）：通過服務費維持可持續發展，利用自動化分配機制平衡供需。

• 節點與驗證者：提供驗證、算力與安全服務，確保網絡可靠性。

協議治理

ChainOpera 采用 DAO 治理，通過質押代幣參與提案與投票，確保決策透明與公平。治理機制包括：聲譽系統（驗證並量化貢獻）、社區協作（提案與投票推動生態發展）、參數調整（數據使用、安全與驗證者問責）。整體目標是避免權力集中，保持系統穩定與社區共創。

八、團隊背景及項目融資

ChainOpera項目由在聯邦學習領域具有深厚造詣的 Salman Avestimehr 教授 與 何朝陽（Aiden）博士 共同創立。其他核心團隊成員背景橫跨 UC Berkeley、Stanford、USC、MIT、清華大學 以及 Google、Amazon、Tencent、Meta、Apple 等頂尖學術與科技機構，兼具學術研究與產業實戰能力。截止目前，ChainOpera AI 團隊規模已超過 40 人。

聯合創始人：Salman Avestimehr

Salman Avestimehr 教授是 南加州大學（USC）電氣與計算機工程系的 Dean's Professor，並擔任 USC-Amazon Trusted AI 中心創始主任，同時領導 USC 信息論與機器學習實驗室（vITAL）。他是 FedML 聯合創始人兼 CEO，並在 2022 年共同創立了 TensorOpera/ChainOpera AI。

Salman Avestimehr 教授畢業於 UC Berkeley EECS 博士（最佳論文獎）。作為IEEE Fellow，在信息論、分佈式計算與聯邦學習領域發表高水平論文 300+ 篇，引用數超 30,000，並獲 PECASE、NSF CAREER、IEEE Massey Award 等多項國際榮譽。其主導創建 FedML 開源框架，廣泛應用於醫療、金融和隱私計算，並成為 TensorOpera/ChainOpera AI 的核心技術基石。

聯合創始人：Dr. Aiden Chaoyang He

Dr. Aiden Chaoyang He 是 TensorOpera/ChainOpera AI 聯合創始人兼總裁，南加州大學（USC）計算機科學博士、FedML 原始創建者。其研究方向涵蓋分佈式與聯邦學習、大規模模型訓練、區塊鏈與隱私計算。在創業之前，他曾在 Meta、Amazon、Google、Tencent 從事研發，並在騰訊、百度、華為擔任核心工程與管理崗位，主導多個互聯網級產品與 AI 平台的落地。

學術與產業方面，Aiden 已發表 30 余篇論文，Google Scholar 引用超過 13,000，並獲 Amazon Ph.D. Fellowship、Qualcomm Innovation Fellowship 及 NeurIPS、AAAI 最佳論文獎。他主導開發的 FedML 框架是聯邦學習領域最廣泛使用的開源項目之一，支撐 日均 270 億次請求；並作為核心作者提出 FedNLP 框架、混合模型並行訓練方法，被廣泛應用於Sahara AI等去中心化AI項目。

2024 年 12 月，ChainOpera AI 宣布完成 350 萬美元種子輪融資，累計與 TensorOpera 共計融資1700 萬美元 ，資金將用於構建面向去中心化 AI Agent 的區塊鏈 L1 與 AI 操作系統。本輪融資由 Finality Capital、Road Capital、IDG Capital 领投，跟投方包括 Camford VC、ABCDE Capital、Amber Group、Modular Capital 等，亦獲得 Sparkle Ventures、Plug and Play、USC 以及 EigenLayer 創始人 Sreeram Kannan、BabylonChain 聯合創始人 David Tse 等知名機構和個人投資人支持。團隊表示，此輪融資將加速實現 "AI 資源貢獻者、開發者與用戶共同 co-own 和 co-create 的去中心化 AI 生態" 願景。

九、聯邦學習與AI Agent市場格局分析

聯邦學習框架主要有四個代表：FedML、Flower、TFF、OpenFL。其中，FedML 最全棧，兼具聯邦學習、分佈式大模型訓練與 MLOps，適合產業落地；Flower 輕量易用，社區活躍，偏教學與小規模實驗；TFF 深度依賴 TensorFlow，學術研究價值高，但產業化弱；OpenFL 聚焦醫療/金融，強調隱私合規，生態較封閉。總體而言，FedML 代表工業級全能路徑，Flower 注重易用性與教育，TFF 偏學術實驗，OpenFL 則在垂直行業合規性上具優勢。

在產業化與基礎設施層，TensorOpera（FedML 商業化）的特點在於繼承開源 FedML 的技術積累，提供跨雲 GPU 調度、分佈式訓練、聯邦學習與 MLOps 的一體化能力，目標是橋接學術研究與產業應用，服務開發者、中小企業及 Web3/DePIN 生態。總體來看，TensorOpera 相當於 "開源 FedML 的 Hugging Face + W\&B 合體"，在全棧分佈式訓練和聯邦學習能力上更完整、通用，區別於以社區、工具或單一行業為核心的其他平台。

在創新層代表中，ChainOpera 與 Flock 都嘗試將聯邦學習與 Web3 結合，但方向存在明顯差異。ChainOpera 構建的是 全棧 AI Agent 平台，涵蓋入口、社交、開發和基礎設施四層架構，核心價值在於推動用戶從"消費者"轉變為"共創者"，並通過 AI Terminal 與 Agent Social Network 實現協作式 AGI 與社區共建生態；而 Flock 則更聚焦於 區塊鏈增強型聯邦學習（BAFL），強調在去中心化環境下的隱私保護與激勵機制，主要面向算力和數據層的協作驗證。ChainOpera 更偏向 應用與 Agent 網絡層 的落地，Flock 則偏向 底層訓練與隱私計算 的強化。

在Agent網絡層面，業內最有代表性的項目是Olas Network。ChainOpera 前者源自聯邦學習，構建模型---算力---智能體的全棧閉環，並以 Agent Social Network 為實驗場探索多智能體的交互與社交協作；Olas Network源於 DAO 協作與 DeFi 生態，定位為去中心化自主服務網絡，通過 Pearl推出可直接落地的Defi收益場景，與ChainOpera展現出截然不同的路徑。

十、投資邏輯與潛在風險分析

投資邏輯

ChainOpera 的優勢首先在於其 技術護城河：從 FedML（聯邦學習標杆性開源框架）到 TensorOpera（企業級全棧 AI Infra），再到 ChainOpera（Web3 化 Agent 網絡 + DePIN + Tokenomics），形成了獨特的連續演進路徑，兼具學術積累、產業落地與加密敘事。

在 應用與用戶規模 上，AI Terminal 已形成數十萬日活用戶與千級 Agent 應用生態，並在 BNBChain DApp Bay AI 類目排名第一，具備明確的鏈上用戶增長與真實交易量。其多模態場景覆蓋的加密原生領域有望逐步外溢至更廣泛的 Web2 用戶。

生態合作 方面，ChainOpera 發起 CO-AI Alliance，聯合 io.net、Render、TensorOpera、FedML、MindNetwork 等夥伴，構建 GPU、模型、數據、隱私計算等多邊網絡效應；同時與三星電子合作驗證移動端多模態 GenAI，展示了向硬件和邊緣 AI 擴展的潛力。

在 代幣與經濟模型 上，ChainOpera 基於 Proof-of-Intelligence 共識，圍繞五大價值流（LaunchPad、Agent API、Model Serving、Contribution、Model Training）分配激勵，並通過 1% 平台服務費、激勵分配和流動性支持形成正向循環，避免單一"炒幣"模式，提升了可持續性。

潛在風險

首先，技術落地難度較高。ChainOpera 所提出的五層去中心化架構跨度大，跨層協同（尤其在大模型分佈式推理與隱私訓練方面）仍存在性能與穩定性挑戰，尚未經過大規模應用驗證。

其次，生態用戶黏性仍需觀察。雖然項目已取得初步用戶增長，但 Agent Marketplace 與開發者工具鏈能否長期維持活躍與高質量供給仍有待檢驗。目前上線的 Agent Social Network 主要以 LLM 驅動的文本對話為主，用戶體驗與長期留存仍需進一步提升。若激勵機制設計不夠精細，可能出現短期活躍度高但長期價值不足的現象。

最後，商業模式的可持續性尚待確認。現階段收入主要依賴平台服務費與代幣循環，穩定現金流尚未形成，與 AgentFi或Payment 等更具金融化或生產力屬性的應用相比，當前模式的商業價值仍需進一步驗證；同時，移動端與硬件生態仍在探索階段，市場化前景存在一定不確定性。

免責聲明：本文在創作過程中借助了 ChatGPT-5 的 AI 工具輔助完成，作者已盡力校對並確保信息真實與準確，但仍難免存在疏漏，敬請諒解。需特別提示的是，加密資產市場普遍存在項目基本面與二級市場價格表現背離的情況。本文內容僅用於信息整合與學術/研究交流，不構成任何投資建議，亦不應視為任何代幣的買賣推薦。