В эпоху стремительного развития генеративного ИИ и больших языковых моделей (LLM) вычислительные мощности, алгоритмы и данные широко признаются тремя ключевыми факторами развития отрасли. Однако по мере того, как количество параметров моделей превышает триллионный порог, индустрия ИИ сталкивается с беспрецедентным «узким местом данных» и кризисом доверия. Высококачественные общедоступные данные из интернета почти исчерпаны, а огромные массивы данных, используемые для обучения моделей, сталкиваются с серьезными проблемами на этапах сбора, очистки, разметки и передачи. Среди них непрозрачность процессов, неясность прав на интеллектуальную собственность, отравление данных и нарушения конфиденциальности.
На этом фоне возникло сочетание технологий подтверждения происхождения данных ИИ и инфраструктуры децентрализованного хранения. Недавно Sui Foundation объявил о стратегических инвестициях в размере $30 млн в DATA Network и выбрал Walrus в качестве базового уровня хранения. Это значимое событие для отрасли свидетельствует об углублении интеграции между высокопроизводительными публичными блокчейнами и проверкой прав на данные для ИИ. Инвесторам, ориентированным на искусственный интеллект и новые технологии, необходимо понимать технические механизмы происхождения данных и движения капитала, чтобы оценивать развитие инфраструктуры ИИ нового поколения. В этой статье с точки зрения искусственного интеллекта и базовых технологий всесторонне и подробно рассматриваются ключевые принципы и прорывы экосистемы в области подтверждения происхождения данных ИИ.
Основные выводы
-
Рассмотрение масштабных проблем и технической необходимости качества данных, подтверждения авторских прав и защиты от изменений в эпоху ИИ
-
Системный анализ стратегических целей инвестиций Sui Foundation в DATA Network и выбора Walrus в качестве базового уровня хранения
-
Анализ того, как децентрализованное хранение может обеспечить неизменяемую и проверяемую сквозную цепочку происхождения данных для обучения моделей ИИ
-
Подробное объяснение того, как суверенитет данных, защита конфиденциальности и ончейн-экономические стимулы могут сочетаться при разработке крупных моделей
-
Рациональный взгляд на распределение активов в сфере новых технологий через спотовую экосистему крупных торговых платформ, таких как Gate
Кризис происхождения данных в эпоху ИИ и роль децентрализованного хранения в его решении
Чтобы понять, почему индустрия ИИ остро нуждается в подтверждении происхождения данных, сначала необходимо рассмотреть уязвимости традиционных централизованных цепочек поставки данных. В рамках текущих коммерческих моделей разработки ИИ поставщики крупных моделей часто собирают огромные объемы текстовых, графических и видеоданных со всего интернета. При этом первоначальный источник данных, факт их возможного злонамеренного изменения, нарушение прав интеллектуальной собственности авторов, а также наличие предвзятых или вредоносных «отравленных данных», внедренных в процессе обучения, зависят от непрозрачных операций централизованных поставщиков. Это не только вызвало волну судебных разбирательств по авторским правам во всем мире, но и существенно подорвало безопасность и объяснимость моделей ИИ.
Основная цель подтверждения происхождения данных ИИ состоит в создании публичной, прозрачной и неизменяемой «цифровой идентичности» для каждого фрагмента данных, используемого при обучении крупных моделей. Начиная с источника сбора данных, хеш-отпечатки данных, время сбора, записи о разрешениях и все последующие записи об очистке и передаче должны полностью фиксироваться в децентрализованном реестре.
Однако обеспечение отслеживания происхождения огромных объемов данных для обучения ИИ в реальном времени создает для традиционных архитектур блокчейн-хранения проблемы высоких затрат и ограниченной пропускной способности. Именно в ответ на этот отраслевой вызов высокопроизводительный публичный блокчейн Sui, а также децентрализованные сети хранения и данных в его экосистеме получили историческую возможность. Недавние стратегические инвестиции Sui Foundation в размере $30 млн в DATA Network и назначение высокопроизводительного протокола децентрализованного хранения Walrus базовым уровнем хранения отражают прорывной потенциал этого технологического сочетания для решения задач массовой пропускной способности и проверяемого происхождения данных ИИ.
Развитие экосистемы Sui: технологическая синергия Walrus и DATA Network
При активной поддержке Sui Foundation сочетание Walrus и DATA Network создало готовую к использованию инфраструктуру промышленного уровня для подтверждения происхождения данных ИИ. Walrus, децентрализованный протокол хранения, разработанный для эффективного хранения крупных файлов и неструктурированных данных, способен размещать массивные наборы данных для обучения ИИ с очень низкими затратами. DATA Network, в свою очередь, сосредоточена на создании проверяемого уровня передачи данных и верификации их происхождения, обеспечивая целостность данных и безопасность конфиденциальной информации при хранении и передаче.
Сила этой технической архитектуры заключается в преодолении традиционного ограничения, согласно которому «блокчейны не могут эффективно обрабатывать большие файлы». Разработчики ИИ могут хранить крупные мультимодальные наборы данных в Walrus, одновременно записывая криптографические доказательства и метаданные происхождения этих наборов в высокопроизводительный публичный блокчейн Sui. Во время обучения моделей ИИ система может автоматически проверять законность источников обучающих данных и уровень их качества через смарт-контракты.
Эта модель «разделения хранения и верификации с эффективной координацией ончейн- и офчейн-процессов» не только решает давние риски соответствия требованиям, с которыми сталкиваются поставщики крупных моделей, но и открывает новые экономические возможности для поставщиков данных по всему миру. Частные лица или организации, предоставляющие высококачественные наборы данных с подтвержденным происхождением, могут получать прозрачные токен-стимулы через смарт-контракты. Это способствует формированию децентрализованной экономики данных ИИ с положительной обратной связью в глобальном масштабе.
Конфиденциальные вычисления и доказательства с нулевым разглашением: ключ к решению проблем соответствия данных для обучения ИИ требованиям
По мере развития крупных моделей ИИ в направлении отраслевых и корпоративных приложений соблюдение требований к данным и защита конфиденциальности часто становятся ключевыми вопросами для разработчиков. С одной стороны, строгие нормы защиты данных, такие как GDPR Европейского союза, устанавливают высокие юридические требования к сбору и использованию персональных данных. С другой стороны, крупные финансовые учреждения, организации здравоохранения и предприятия располагают значительными объемами ценных специализированных наборов данных высокой точности, но не решаются делиться ими из-за опасений раскрытия коммерческой тайны или нарушения норм конфиденциальности. Этот структурный конфликт между «богатыми данными ресурсами, которые невозможно монетизировать» и «крупными моделями, неизбирательно ищущими данные» серьезно ограничивает дальнейшее развитие индустрии ИИ.
Тесное сотрудничество между ончейн-экосистемой Sui и DATA Network предлагает криптографическое решение этой проблемы благодаря интеграции доказательств с нулевым разглашением (ZKP) с децентрализованным хранением. В этой архитектуре владельцам данных не требуется напрямую раскрывать данные в открытом виде поставщикам крупных моделей или сторонним узлам обучения. Вместо этого они могут создавать на уровне хранения Walrus математически строгие и неподделываемые доказательства соответствия требованиям и качества с помощью доказательств с нулевым разглашением. Когда разработчики ИИ используют эти конфиденциальные наборы данных для дообучения крупных моделей или федеративного обучения, система проверяет только действительность доказательств, не получая доступа к конкретному приватному содержимому.
Этот инновационный механизм, при котором «данные доступны, но не видимы, а право собственности и право использования полностью разделены», не только принципиально устраняет давние юридические риски соответствия требованиям, с которыми сталкиваются поставщики ИИ, но и открывает беспрецедентный рынок конфиденциальных данных в децентрализованных сетях. Научно-исследовательские учреждения, больницы и предприятия могут упаковывать свои частные данные в виде зашифрованных активов и безопасно поддерживать обучение ИИ, сохраняя полную конфиденциальность. Сочетание передовой криптографии и подтверждения происхождения данных ИИ не только значительно расширяет сферу применения высокопроизводительного публичного блокчейна Sui, но и закладывает основу для безопасного и соответствующего требованиям размещения институционального капитала в инфраструктуре ИИ нового поколения.
Анализ активов в контексте технологического нарратива и синергия со спотовой экосистемой Gate
По мере развития двойного нарратива «ИИ + децентрализованное хранение и подтверждение происхождения данных» этот межотраслевой сегмент постепенно становится областью, за которой внимательно следят на вторичном рынке криптоактивов. В отличие от краткосрочных трендов, движимых исключительно рыночными настроениями, стратегическое развитие экосистемой Sui инфраструктуры данных ИИ опирается на существенное повышение производительности в сфере искусственного интеллекта и прорывы в базовых технологиях. Это демонстрирует высокую устойчивость в различных рыночных циклах и долгосрочную инвестиционную ценность.
Однако при работе с быстро развивающимися активами новых технологий инвесторам часто необходимо учитывать глубину ликвидности, соответствие активов требованиям и удобство операций. Крупные платформы для торговли криптоактивами играют в этом процессе незаменимую связующую роль. Например, пользователи, которые отслеживают и распределяют средства между связанными активами в сфере новых технологий и экосистем высокопроизводительных публичных блокчейнов на Gate, фактически получают удобный доступ к будущей экономике интеллектуальных данных.
Благодаря удобным услугам спотовой торговли и управления активами, предоставляемым Gate, пользователи могут участвовать в создании стоимости в секторах новых технологий с низким порогом входа. Распределение средств между высокопроизводительными инфраструктурными активами или отслеживание долгосрочного потенциала роста на пересечении децентрализованного хранения и ИИ позволяет сочетать «удобство централизованной торговли» с «децентрализованными технологическими инновациями». Это предоставляет обычным пользователям эффективный путь для более устойчивой навигации по рыночным циклам и участия в преимуществах глобальных технологических инноваций. По мере дальнейшего развития платформы, такие как Gate, обеспечивающие глубокую ликвидность и безопасное хранение активов, будут оставаться надежными мостами, содействуя более качественному развитию всей инновационной экосистемы.
Часто задаваемые вопросы
Что такое подтверждение происхождения данных ИИ и почему оно необходимо для крупных моделей?
Подтверждение происхождения данных ИИ означает отслеживание и проверку полного жизненного цикла данных, используемых для обучения моделей искусственного интеллекта. Оно помогает гарантировать законность источников данных, отсутствие споров об авторских правах и злонамеренных изменений, включая отравление данных. Это основополагающий элемент для обеспечения безопасности, соответствия требованиям и объяснимости крупных моделей.
Что означают стратегические инвестиции Sui Foundation в DATA Network и Walrus?
Это указывает на то, что экосистема Sui ускоряет расширение в сфере инфраструктуры ИИ и децентрализованного хранения. Используя Walrus в качестве базового уровня хранения в сочетании с DATA Network, Sui может предоставлять недорогие, высокопроизводительные и проверяемые ончейн-решения для подтверждения происхождения огромных объемов данных для обучения ИИ.
Как частные инвесторы могут участвовать в этом секторе новых технологий на Gate?
Инвесторы могут удобно покупать и продавать связанные активы высокопроизводительных публичных блокчейнов и базовой инфраструктуры через рынок спотовой торговли Gate. Благодаря безопасному хранению активов и глубокой ликвидности платформы они могут участвовать в долгосрочном потенциале роста технологий, эффективно управляя операционными рисками.
