Каждый поиск, просмотр страницы или действие в приложении генерируют данные.
Для компаний, создающих системы искусственного интеллекта, эти данные стоят миллиарды. Но почти всю выгоду забирают платформы, которые их собирают.
Новое поколение децентрализованных маркетплейсов данных для AI пытается перевернуть эту модель — использовать криптовалюту, чтобы платить авторам данных напрямую, всякий раз, когда их информация используется для обучения алгоритмов машинного обучения.
Реальная архитектура систем куда сложнее лозунга «владей своими данными».
В ней есть уровни верификации, системы staking, ограничения по приватности и продуманная токеномика — именно от этого набора механизмов зависит, получит ли поставщик данных справедливое вознаграждение или не заработает ничего.
Ниже — разбор, как это работает «с нуля».
Если коротко
- Децентрализованные маркетплейсы данных для AI соединяют владельцев «сырьевых» данных с разработчиками, которым нужны размеченные и проверенные датасеты, а расчеты ведут в криптотокенах, убирая из цепочки доверия посредников.
- Контрибьюторы загружают данные, которые проходят проверку — на блокчейне или через децентрализованные оракулы; только после этого смарт‑контракт автоматически выпускает оплату, устраняя платформу‑посредника из раздела выручки.
- Технологии защиты приватности вроде федеративного обучения и доказательств с нулевым разглашением позволяют монетизировать данные, не передавая «сырые» записи за пределы устройства пользователя.
- Токеномика — staking, slashing и on‑chain‑репутация — выстраивает экономические стимулы так, чтобы участникам было выгодно отправлять точные и полезные данные, а не мусор.
- Проекты вроде Kled AI в экосистеме Solana — лишь передний край, сама модель уже разворачивается на нескольких сетях и конкурирующих архитектурах.
Почему AI‑компаниям нужны гигантские объемы данных и кто за них сейчас платит
Крупные языковые модели и системы компьютерного зрения потребляют данные в масштабах, которые трудно даже интуитивно представить.
Один прогон обучения фронтирной модели может «съедать» сотни миллиардов текстовых токенов, миллионы размеченных изображений или годы записанного поведенческого трафика пользователей.
Эти данные нужно где‑то взять.
Сегодня основные каналы — всего несколько.
Масштабный веб‑скрейпинг собирает общедоступные тексты из интернета. Лицензионные соглашения с платформами дают AI‑лабораториям доступ к проприетарным массивам — свои сделки уже заключили Reddit, медиахолдинги, фотостоки.
Параллельно работает индустрия краудсорсинговой разметки: людям платят небольшие суммы за маркировку изображений, расшифровку аудио, оценку ответов AI на корректность.
Рынок аннотации данных огромен, но предельно эксплуататорский. На централизованных платформах работники часто зарабатывают $1–5 в час, тогда как созданные ими размеченные датасеты продаются разработчикам AI на порядки дороже в перерасчете на одну запись.
Проблема в устройстве рынка: между владельцем данных и покупателем стоит централизованная платформа, которая забирает львиную долю маржи. Она диктует цены, сама задает стандарты качества и может в любой момент отключить исполнителя от доступа без возможности обжалования. Децентрализованные маркетплейсы убирают этот прослойный слой, подменяя его смарт‑контрактами, открытыми протоколами и криптовалютными платежными рельсами.
Читайте также: USDT Briefly Dethrones Ethereum As Crypto’s No. 2 Asset
Что такое децентрализованный маркетплейс данных для AI на практике
По сути, децентрализованный AI‑маркетплейс данных — это протокол, где встречаются спрос и предложение на данные без управляющей компании посередине.
На стороне спроса — разработчики AI и исследовательские команды, размещающие «запрос на данные»: они указывают тип нужной информации, требования к качеству, формат, а также ставку оплаты за один прошедший валидацию объект.
На стороне предложения — частные пользователи и агрегаторы данных, готовые закрыть эти запросы.
Смарт‑контракт выполняет роль эскроу‑слоя.
Покупатель блокирует средства в контракте, публикуя заказ. Когда контрибьютор отправляет данные, которые успешно проходят верификацию, контракт автоматически перечисляет ему оплату.
Стороны не обязаны доверять друг другу — им достаточно доверять коду контракта.
Сами данные, как правило, не хранятся в блокчейне.
Сохранять гигабайты размеченных изображений в сети Ethereum (ETH) или Solana (SOL) экономически нецелесообразно.
Вместо этого файлы отправляются в децентрализованное хранилище вроде IPFS или Arweave, а в блокчейне фиксируется только контент‑хеш — уникальный «отпечаток» файла.
Смарт‑контракт сверяет, что хеш, присланный контрибьютором, соответствует проверенному, не измененному файлу, и лишь после этого выпускает платеж.
Контент‑хеш — это короткая строка символов, математически вычисленная из точного содержимого файла. Достаточно изменить один байт — и хеш полностью изменится. Это делает невозможной попытку задним числом получить оплату за модифицированные или повторно использованные данные.
Читайте также: Techdollar Raises $3M To Let Startup Workers Cash In Without Selling
Как работает проверка данных без централизованного модератора
Верификация — самый сложный элемент конструкции. Централизованные платформы просто нанимают штат контролеров качества.
Смарт‑контракт не умеет «видеть» изображение или оценивать корректность подписи к нему — он лишь исполняет заложенную логику. Децентрализованные маркетплейсы решают задачу комбинацией трех подходов.
Криптографические доказательства подходят для структурированных данных, корректность которых можно проверить математически. Если участник загружает GPS‑трек, телеметрию сенсоров или финансовые записи, zero‑knowledge‑доказательство может подтвердить, что данные обладают нужными свойствами, получены в определенное время, лежат в допустимом диапазоне, пришли с конкретного устройства — не раскрывая при этом сами значения.
Коллективная валидация используется для субъективных задач разметки. Несколько независимых участников оценивают один и тот же объект данных и отправляют свои вердикты. Контракт сравнивает ответы и платит тем, чьи решения совпали с большинством, одновременно штрафуя систематических «диссидентов». Это децентрализованный аналог многократной разметки одной записи, которую применяют централизованные платформы для отсева ленивых или злонамеренных исполнителей.
Staking и slashing добавляют поверх экономический контур. Контрибьюторы обязаны заблокировать депозит в нативном токене площадки, прежде чем получат право отправлять данные. Если их загрузки регулярно отклоняются или признаются мошенническими по результатам коллективной проверки, часть или весь стейк «срезается» (slashing). Поставлять низкокачественный контент становится финансово накладно — стимулы выравниваются с требованиями заказчика к качеству.
Читайте также: XRP Tests $1 Support As $0.60 Crash Risk Deepens
Как технологии приватности защищают поставщиков данных
Ключевое противоречие модели — приватность. Пользователь может заработать на продаже истории браузера или медицинских записей, но риск для конфиденциальности очевиден. Децентрализованные маркетплейсы закрывают этот риск двумя технологиями, которые уже выходят на промышленный уровень.
Федеративное обучение оставляет «сырые» данные на устройстве пользователя. Вместо того чтобы отправлять данные на централизованный сервер, сам AI‑модельный код «приезжает» на машину контрибьютора. Модель обучается локально, используя личные данные, а разработчику возвращаются только обновленные веса — абстрактные числовые параметры, из которых нельзя напрямую восстановить исходную информацию. Обновления весов от множества участников агрегируются — модель улучшается, но тренировочные данные так и не покидают контролируемую пользователем среду.
Дифференциальная приватность добавляет к набору данных строго выверенный статистический шум перед тем, как он будет передан, делая невозможной реконструкцию записей отдельного человека из совокупности, но сохраняя статистические закономерности, которые и нужны для обучения моделей. Уровень шума настраивается: больше шума — выше защита приватности, но немного ниже полезность данных.
Эти методы важны и с регуляторной точки зрения. Такие акты, как GDPR в ЕС и California Consumer Privacy Act в США, жестко регулируют передачу и использование персональной информации. Площадка, которая может убедительно показать, что в ее конвейере обработки никогда не пересылаются «сырые» персональные данные, получает куда более прозрачную регуляторную позицию, чем сервисы, фактически продающие незащищенные выгрузки.
Читайте также: HIVE Just Borrowed $115M At Zero Percent To Bet Against Bitcoin Mining
Токеномика, staking и как именно платят контрибьюторам
Платежные схемы у разных проектов отличаются, но большинство используют собственный утилитарный токен, а не прямые выплаты в крупные активы вроде Bitcoin (BTC). У токена сразу несколько ролей.
Во‑первых, это единица учета для заявок на данные. Покупатели выставляют заказы в нативном токене, поэтому он улавливает спрос: чем больше размещается запросов, тем выше потребность в токене для их финансирования.
Во‑вторых, staking создает эффект блокировки на стороне предложения. Чтобы участвовать на маркетплейсе, контрибьюторы должны держать и стейкать токен, что сокращает оборотное предложение и связывает их интересы со здоровьем сети.
В‑третьих, репутация часто напрямую завязана на историю взаимодействия с токеном. Контрибьютор, который долго держит стейк, регулярно получает одобрения своих загрузок и ни разу не был подвергнут slashing, формирует проверяемый on‑chain‑трек‑рекорд. Такая репутация позволяет продавать свои данные дороже — заказчики охотнее платят за надежного исполнителя с историей, чем за новичка без какого‑либо бэкграунда.
На практике денежный поток выглядит так. Покупатель размещает запрос и вносит, скажем, 500 токенов в эскроу‑контракт. Контрибьютор отправляет 50 размеченных записей. Слой валидации проверяет и подтверждает их. Контракт автоматически распределяет 50 токенов контрибьютору, 2 токена — валидаторам, которые одобрили загрузку, а оставшиеся 448 токенов остаются в эскроу для следующих исполнителей. Покупатель получает доступ к проверенному фрагменту датасета после завершения транзакции.
Токеномика работает только там, где существует реальный рыночный спрос на данные. Проекты, которые стартуют с завышенных ожиданий и спекулятивного интереса к токену, но не могут привлечь устойчивый поток заказчиков на датасеты, в итоге превращаются в очередной краткоживущий DeFi‑эксперимент без фундаментальной ценности. вознаграждения поставщикам данных при отсутствии платёжеспособного спроса со стороны разработчиков ИИ на другой стороне маркетплейса создают инфляционное давление на токен, которое в долгосрочной перспективе неустойчиво.
Также по теме: OpenAI откладывает IPO на $1 трлн на фоне рыночной турбулентности и проверки амбиций Альтмана
Как Kled AI и похожие проекты реализуют эту модель в сети Solana
Kled AI сегодня показывает одно из наиболее продвинутых решений на Solana. Протокол позиционирует себя как децентрализованный маркетплейс, где пользователи могут монетизировать свои персональные данные именно для обучения моделей ИИ. Низкие комиссии и высокая пропускная способность Solana делают реальными высокочастотные микроплатежи малого номинала: выплата долей токена за разметку одного изображения на Solana экономически имеет смысл, тогда как в Ethereum mainnet такая модель попросту не сходится по издержкам.
Архитектура Solana принципиальна и с точки зрения скорости. Проверка данных, которая запускает выплату, должна проходить и финализироваться быстро. Участники не будут пользоваться площадкой, где придётся ждать подтверждения транзакции часами. Субсекундная финализация в Solana делает платёжный опыт почти сопоставимым с традиционными платформами, при этом сохраняя бездоверительный характер расчётов через смарт‑контракты.
Velvet, токен которого растёт в тренде вместе с Kled AI, заходит с другой стороны: это AI‑терминал для ончейн‑портфелей, объединяющий спот‑торговлю, перпетуалы и стратегии доходности. Проект важен в контексте обсуждаемой модели, потому что демонстрирует тот же базовый принцип: системы искусственного интеллекта, работающие на ончейн‑данных и осуществляющие расчёты в криптотокенах. Если Kled AI формирует рынок сырьевых обучающих датасетов, то Velvet — пример приложения ИИ, которое потребляет уже агрегированные и обработанные рыночные данные. Это два крайних звена одной и той же конвейерной цепочки «данные – ИИ – рынок».
Среди других игроков этого сегмента — Ocean Protocol, одним из первых реализовавший идею токенизированных дата‑активов на Ethereum, и Grass, который поощряет пользователей за предоставление неиспользуемой пропускной способности и данных интернет‑серфинга в обучающие пайплайны ИИ. Архитектуры у проектов различаются, но в основе у всех один и тот же принцип: криптографически гарантированные выплаты за верифицированный вклад в данные.
Также по теме: Заморозка Mythos у Anthropic открывает окно возможностей для азиатских конкурентов Sakana AI и 360
Кто на самом деле выигрывает от этой модели и какие риски
Для индивидуальных поставщиков данных ценностное предложение максимально прозрачно: то, что раньше бесплатно извлекалось платформами, теперь может монетизироваться напрямую. Человек с крупной аудиторией в соцсетях, узкопрофильной экспертизой или доступом к редким типам данных — медицинским картам, массивам профессиональных юридических документов, неанглоязычному контенту — способен претендовать на заметную премию в маркетплейсе, где есть реальный спрос со стороны разработчиков ИИ.
Для команд, создающих модели ИИ, децентрализованные маркетплейсы — способ получить доступ к типам данных, которые сложно добыть скрейпингом или через классическое лицензирование. Человеческие предпочтения, разметка нишевых доменов, многоязычный контент из слабо представленных регионов — действительно дефицитные ресурсы. Протокол, который умеет массово собирать и верифицировать такие датасеты, обладает ощутимой фундаментальной ценностью.
Риски при этом симметричны — с обеих сторон. Волатильность токена означает, что участник, получивший вознаграждение в нативном активе сегодня, к моменту конвертации может обнаружить, что его доход в пересчёте на фиат резко просел. Для покупателей, наоборот, риск в том, что курс токена вырастет между планированием закупки данных и фактической сделкой, сделав доступ к нужным датасетам дороже заложенного бюджета.
Качество данных остаётся нерешённой задачей на больших масштабах. Крауд‑валидация и механизмы со стейкингом снижают уровень мошенничества, но не устраняют его полностью.
Достаточно умелые злоумышленники могут постепенно накручивать репутацию и обходить фильтры, а разработчики ИИ, которые выходят за данными на новый, не обкатанный маркетплейс, объективно берут на себя качественный риск, с которым они не сталкиваются при работе с крупными аутсорс‑провайдерами разметки с многолетней историей.
Регуляторная неопределённость — главный «чёрный лебедь». Монетизация персональных данных находится сразу на стыке нескольких режимов: законов о защите информации, регулирования ценных бумаг применительно к используемым токенам и ещё формирующихся рамок говернанса ИИ. Площадка, действующая абсолютно легально в одной юрисдикции, в другой может оказаться в серой зоне.
Также по теме: Угрожает ли Ethereum падение к $1 000 после пробоя ключевой поддержки?
Итоги
Децентрализованные дата‑маркетплейсы для ИИ — это точечный, технологически выверенный ответ на реальный экономический перекос: люди, чьи данные служат топливом для моделей, исторически почти ничего не зарабатывали на создаваемой ими стоимости.
Смарт‑контракты, контент‑адресуемое хранилище, федеративное обучение и стейкинг‑механики вместе формируют инфраструктуру, в которой этот поток стоимости может идти напрямую к поставщикам данных — без традиционного посредника‑платформы, забирающего львиную долю маржи.
Модель всё ещё на ранней стадии.
Токеномика продолжает эволюционировать, системам верификации ещё предстоит доказать устойчивую работу на миллионах участников без возможности массового «гейминга», а правовой контур вокруг монетизации персональной информации пока окончательно не сложился.
Но спросовая часть уравнения никуда не денется.
Разработчикам ИИ нужно всё больше данных, всё более разнообразных типов, чем могут стабильно обеспечить централизованные источники.
Именно этот структурный разрыв и формирует долгосрочную инвестиционную логику в пользу децентрализованных рынков данных.
Читайте далее: XRP рискует упасть ещё на 30% на фоне обвала активности китов и индикатора RSI
