Yellow.com

Каждый поиск, просмотр страницы или взаимодействие с приложением генерирует данные.

Эти данные стоят для ИИ‑компаний миллиарды. Но почти всю эту стоимость присваивают себе платформы, которые их собирают.

Новое поколение децентрализованных маркетплейсов данных для ИИ предлагает перевернуть модель — использовать криптовалюту, чтобы платить авторам данных напрямую каждый раз, когда их данные используются для обучения модели машинного обучения.

Механика здесь гораздо глубже, чем простой лозунг «владеете своими данными».

Есть уровни верификации, системы стейкинга, ограничения по приватности и токеномика — и в совокупности именно они определяют, получит ли участник справедливую оплату или не заработает ничего.

Ниже — поэтапный разбор того, как это работает.

Кратко

Децентрализованные маркетплейсы данных для ИИ сводят людей, владеющих «сырыми» данными, с разработчиками ИИ, которым нужны размеченные и проверенные датасеты, а расчёты осуществляют в криптотокенах без доверия к посредникам.

Участники загружают данные, которые проходят проверку ончейн или через децентрализованные оракульные сети; только после этого смарт‑контракт выпускает оплату, исключая централизованную платформу из раздела выручки.

Технологии сохранения приватности — от федеративного обучения до zero‑knowledge‑доказательств — позволяют монетизировать данные, не раскрывая «сырые» записи и не вынося их с устройства пользователя.

Токеномика, включая стейкинг, слэшинг и ончейн‑репутацию, выстраивает стимулы так, чтобы участникам было выгодно отправлять качественные данные, а не «мусор».

Проекты вроде Kled AI в экосистеме Solana — лишь передний край, сама модель уже реализуется на разных блокчейнах и в конкурирующих архитектурах.

Почему ИИ‑моделям нужно столько данных и кто за них платит сейчас

Крупные языковые модели и системы компьютерного зрения потребляют данные в объёмах, которые трудно даже представить.

Один запуск обучения модели переднего края может «съесть» сотни миллиардов текстовых токенов, миллионы размеченных изображений или годы накопленных сигналов о поведении пользователей.

Эти данные должны откуда‑то взяться.

Сегодня основные источники — несколько узких каналов.

Масштабный веб‑скрейпинг собирает публичные тексты. Лицензионные соглашения с платформами дают ИИ‑лабораториям доступ к закрытым базам — такие сделки уже подписали Reddit, крупные медиахолдинги и фотобанки.

Плюс краудсорсинговые платформы для разметки платят людям небольшие суммы за то, чтобы отмечать объекты на картинках, расшифровывать аудио или оценивать ответы ИИ на точность.

Рынок разметки огромен, но построен экстрактивно. Работники на централизованных платформах часто зарабатывают $1–5 в час, в то время как размеченные ими датасеты продаются разработчикам ИИ на порядки дороже за каждую запись.

Проблема носит системный характер. Между владельцем данных и покупателем‑ИИ стоит централизованная платформа, которая забирает львиную долю маржи. Именно она устанавливает цены, задаёт стандарты качества и может в любой момент отключить поставщика данных без объяснений. Децентрализованные маркетплейсы убирают этот слой платформы, заменяя его смарт‑контрактами, открытыми протоколами и платёжной инфраструктурой на токенах.

Что такое децентрализованный маркетплейс данных для ИИ на практике

В основе децентрализованного маркетплейса данных для ИИ — протокол, где спрос и предложение данных встречаются без управляющего посредника.

На стороне спроса — разработчики ИИ или исследовательские команды, которые публикуют «запрос на данные»: тип данных, критерии качества, формат, объём и ставку оплаты за каждый подтверждённый объект.

На стороне предложения — индивидуальные участники или агрегаторы, которые эти запросы закрывают.

Смарт‑контракт работает как уровень эскроу.

Покупатель блокирует средства в контракте при размещении запроса. Как только участник подаёт данные и они проходят верификацию, контракт автоматически разблокирует и отправляет ему оплату.

Ни одна из сторон не обязана доверять другой — обе доверяют коду контракта.

Сами данные, как правило, не хранятся на блокчейне.

Сложить гигабайты размеченных изображений в сеть Ethereum (ETH) или Solana (SOL) экономически бессмысленно.

Вместо этого данные размещаются в децентрализованных хранилищах вроде IPFS или Arweave, а ончейн попадает контент‑хэш — уникальный «отпечаток» файла.

Смарт‑контракт проверяет, что хэш, который подал участник, совпадает с хэшем проверенного, неизменённого файла, прежде чем выпустить платёж.

Контент‑хэш — это короткая строка символов, математически вычисленная из точного содержимого файла. Измените один байт — и хэш полностью поменяется. Это делает невозможным получить оплату за модифицированные или повторно использованные данные задним числом.

Как устроена верификация данных без центрального модератора

Проверка качества — самый сложный элемент схемы. Централизованная платформа может держать штат ревьюеров.

Смарт‑контракт не умеет «смотреть» на картинку или оценивать, верно ли размечен текст; он только исполняет логику. Децентрализованные маркетплейсы решают задачу тремя основными методами, часто в комбинации.

Криптографические доказательства подходят для структурированных данных, где корректность можно проверить математически. Если участник отправляет GPS‑трек, телеметрию датчиков или набор финансовых показателей, zero‑knowledge‑доказательство способно подтвердить, что данные удовлетворяют заданным условиям, были записаны в определённое время, лежат в допустимом диапазоне и поступили с конкретного устройства — при этом сами «сырые» значения при проверке не раскрываются.

Крауд‑валидация используется для субъективных задач разметки. Несколько независимых участников просматривают один и тот же объект и отправляют свои оценки. Контракт сравнивает ответы и платит тем, чьи результаты совпали с большинством, а систематических «диссидентов» штрафует. Это децентрализованный аналог redundant‑разметки, которую централизованные биржи данных применяют для фильтрации ленивых или мошеннических исполнителей.

Стейкинг и слэшинг добавляют экономический слой. Перед тем как получить право загружать данные, участник блокирует в контрактах депозит в нативном токене платформы. Если его загрузки регулярно отклоняются или признаются фейковыми по итогам крауд‑валидации, часть или весь стейк «сжигается» (slashing). Поставлять низкокачественные данные становится финансово невыгодно, и стимулы участника выравниваются с требованиями покупателя к качеству.

Как технологии приватности защищают участников

В этой модели есть очевидное противоречие — приватность. Если пользователь продаёт историю браузера или данные о здоровье разработчику ИИ, ценность высока, но и риск раскрытия тоже. Децентрализованные маркетплейсы решают проблему с помощью двух уже зрелых подходов.

Федеративное обучение полностью оставляет «сырые» данные на устройстве владельца. Вместо того чтобы отправлять данные на сервер, на устройство участника доставляется сама модель. Модель обучается локально, на личных данных, а обратно разработчику уходят только обновлённые веса — абстрактные математические параметры, не раскрывающие исходную выборку. Обновления весов от многих устройств агрегируются и улучшают глобальную модель. При этом сами данные никогда не покидают среду владельца.

Дифференциальная приватность добавляет к датасету контролируемый статистический шум перед тем, как он делится с внешним миром. Это не позволяет по агрегированным данным восстановить записи отдельного человека, но сохраняет те статистические закономерности, ради которых данные и нужны для обучения. Уровень шума настраивается: чем его больше, тем сильнее защита приватности, но тем ниже прикладочная ценность набора.

Эти технологии важны и с регуляторной точки зрения. Законы вроде GDPR в Европе и California Consumer Privacy Act в США жёстко регулируют передачу и использование персональных данных. Маркетплейс, который может доказуемо показать, что «сырые» персональные данные никогда не покидают устройство участника, потенциально имеет гораздо более простой регуляторный маршрут, чем тот, что просто перепродаёт выгруженные базы.

Токеномика, стейкинг и как участники фактически получают выплаты

Конкретная платёжная схема зависит от проекта, но большинство платформ используют собственный утилити‑токен, а не платят напрямую в крупных активах вроде Bitcoin (BTC). У токена сразу несколько функций.

Во‑первых, это единица учёта для запросов данных. Покупатели обозначают ставки в токене, поэтому он улавливает спрос: чем больше запросов, тем выше потребность в токене для их финансирования.

Во‑вторых, стейкинг создаёт «локап» на стороне предложения. Участники должны держать и стейкать токен, чтобы иметь доступ к маркетплейсу, — это уменьшает оборотное предложение и связывает их интересы с устойчивостью сети.

В‑третьих, репутация часто привязана к истории работы с токеном. Участник, который долго стейкает токены, регулярно получает одобрения своих загрузок и ни разу не был подвержен слэшингу, формирует проверяемый ончейн‑трек‑рекорд. Такой профиль репутации позволяет продавать свои данные дороже, чем новичкам, которым покупатели пока не доверяют.

На практике платёжный поток может выглядеть так. Покупатель публикует запрос и вносит, допустим, 500 токенов в эскроу смарт‑контракта. Участник загружает 50 размеченных записей. Слой валидации проверяет и одобряет их. Контракт отправляет 50 токенов участнику, 2 токена валидаторам, которые подтвердили загрузку, а оставшиеся 448 токенов оставляет в эскроу для следующих исполнителей. Как только платёж зафиксирован, покупатель получает доступ к подтверждённой части датасета.

Токеномика работает только тогда, когда есть реальный спрос на данные. Проекты, которые стартуют с высокой… вознаграждения контрибьюторов при отсутствии платёжеспособных AI‑разработчиков по другую сторону маркетплейса создают инфляционное давление на токен, которое в долгосрочной перспективе неустойчиво.

Также читайте: OpenAI откладывает IPO на $1 трлн на фоне волатильности рынка и испытаний амбиций Альтмана

Как Kled AI и схожие проекты реализуют эту модель в экосистеме Solana

Kled AI сегодня фактически задаёт планку для подобных решений на Solana. Протокол позиционирует себя как децентрализованный маркетплейс, где пользователи могут монетизировать свои персональные данные для обучения AI‑моделей. Низкие комиссии и высокая пропускная способность Solana делают возможной экономику частых, мелких транзакций: выплата долей токена за разметку одного изображения здесь экономически оправдана, в отличие от Ethereum mainnet, где комиссия “съедает” сам платёж.

Архитектура Solana критична и с точки зрения скорости. Проверка данных, запускающая выплату, должна финализироваться почти мгновенно. Контрибьютор не станет пользоваться площадкой, где ему приходится ждать подтверждения транзакции часами. Субсекундная финализация в Solana делает UX близким к привычным Web2‑сервисам, сохраняя при этом бездоверенный характер смарт‑контрактов.

Velvet, который сейчас набирает популярность вместе с Kled AI, заходит с другой стороны. Это AI‑поддерживаемый ончейн‑терминал для управления портфелем, интегрирующий спот‑торговлю, перпы и стратегии доходности. Он важен в контексте этой темы, потому что демонстрирует тот же фундаментальный тренд: AI‑системы, работающие на ончейн‑данных и рассчитывающиеся в криптотокенах. Если Kled AI формирует рынок “сырого” обучающего датасета, то Velvet — пример приложения, которое потребляет уже агрегированные и обработанные рыночные данные. Это две крайние точки одного и того же контура “данные → модель → рынок”.

В этой нише также строятся проекты вроде Ocean Protocol, который одним из первых предложил модель токенизированных дата‑ассетов на Ethereum, и Grass, где пользователи получают награду за предоставление неиспользуемой полосы пропускания и данных браузинга в AI‑пайплайны. Архитектурно они различаются, но базовая логика у всех одна: криптографически гарантированные выплаты за верифицированный вклад данными.

Также читайте: Anthropic’s Mythos Freeze Opens The Door For Asian Challengers Sakana AI And 360

Кто на самом деле выигрывает от этой модели и в чём риски

Для частных поставщиков данных ценностное предложение выглядит очевидно: то, что раньше бесплатно извлекалось платформами, теперь можно монетизировать напрямую. Пользователи с крупной аудиторией в соцсетях, нишевой экспертизой или доступом к уникальным типам данных — медицинским записям, профессиональным юридическим документам, контенту на языках, слабо представленных в глобальном интернете, — могут рассчитывать на премию на рынке, где существует реальный спрос со стороны AI‑разработчиков.

Для разработчиков AI децентрализованные маркетплейсы — это источник типов данных, которые сложно масштабно добывать скрейпингом или через классические лицензии. Человеческие предпочтения, аннотации в узких доменных областях, многоязычный контент из недопредставленных регионов — по‑настоящему дефицитный ресурс. Протокол, который умеет массово привлекать и проверять такой массив данных, создаёт ощутимую ценность.

Риски при этом симметричны и для продавцов, и для покупателей. Волатильность токена означает, что контрибьютор, получивший выплату сегодня, может обнаружить, что к моменту конвертации её долларовый эквивалент заметно просел. Для байеров зеркальная проблема: рост цены токена между планированием закупки данных и её исполнением делает фактическую стоимость доступа выше бюджетной.

Качество данных остаётся нерешённой задачей при масштабировании. Механизмы крауд‑валидации и стейкинга снижают уровень мошенничества, но не устраняют его полностью.

Достаточно опытные злоумышленники способны постепенно “прокачивать” репутационные метрики, а разработчики, покупающие датасеты на новом, непроверенном маркетплейсе, берут на себя риск качества, который в гораздо меньшей степени присутствует при работе с крупными аутсорсерами разметки с многолетней историей.

Наибольшая неопределённость — регуляторная. Монетизация персональных данных находится на пересечении законодательства о защите данных, регулирования ценных бумаг (в отношении используемых токенов) и рамок AI‑регулирования, которые всё ещё формируются. Площадка, действующая строго в правовом поле одной юрисдикции, легко может оказаться в серой зоне в другой.

Также читайте: Is Ethereum Headed For $1,000 After Losing Key Support?

Итоги

Децентрализованные AI‑маркетплейсы данных предлагают конкретное, технологически реализуемое решение реальной экономической проблемы: люди, генерирующие обучающие выборки, исторически почти не получали доли создаваемой ими стоимости.

Смарт‑контракты, контент‑адресуемое хранение, федеративное обучение и стейкинг токенов в совокупности формируют систему, в которой эта стоимость может поступать напрямую контрибьюторам — без платформенного посредника, забирающего маржу.

Модель находится на ранней стадии.

Токеномика только выстраивается, системам верификации ещё предстоит доказать масштабируемость до миллионов участников без уязвимостей к манипуляциям, а регуляторный контур вокруг монетизации персональных данных остаётся подвижным.

Но спросовая сторона уравнения никуда не денется.

AI‑разработчикам нужно всё больше данных, всё более разнообразных, чем способны стабильно предоставить централизованные источники.

Именно эта структурная потребность и формирует долгосрочную инвестиционную и технологическую логику децентрализованных дата‑маркетплейсов.

Читайте далее: XRP Risks 30% Drop As Whale Activity And RSI Both Collapse

Децентрализованные маркетплейсы данных для ИИ выходят в продакшн: что это такое и как на них зарабатывать