Каждый поиск, каждый клик в браузере, каждое действие в приложении генерирует данные.
Для ИИ‑компаний эти данные стоят миллиарды долларов. Но почти всю эту стоимость сегодня забирают себе платформы‑сборщики.
Новое поколение децентрализованных маркетплейсов данных для ИИ пытается перевернуть модель — использовать криптотокены, чтобы платить поставщикам данных напрямую в тот момент, когда их данные участвуют в обучении моделей машинного обучения.
Механика здесь куда сложнее, чем простое «владей своими данными».
В эту архитектуру встроены уровни верификации, системы стейкинга, ограничения по приватности и токеномика — и именно от их настройки зависит, будет ли поставщик данных получать справедливое вознаграждение или не получит вообще ничего.
Ниже — разбор этих систем «с нуля».
Кратко
- Децентрализованные маркетплейсы данных для ИИ сводят людей, владеющих «сырыми» данными, с разработчиками ИИ, которым нужны размеченные и проверенные выборки, а расчёты ведут в криптотокенах без доверия к посредникам.
- Поставщики загружают данные, которые проходят верификацию ончейн или через децентрализованные оракулы; только после этого смарт‑контракт разблокирует выплату, исключая платформу‑посредника из раздела выручки.
- Технологии сохранения конфиденциальности — федеративное обучение и доказательства с нулевым раскрытием — позволяют монетизировать данные, не выгружая «сырое» содержимое с устройства пользователя.
- Токеномика со стейкингом, слэшингом и ончейн‑репутацией выстраивает стимулы так, чтобы поставщикам было выгодно отправлять качественные данные, а не мусор.
- Проекты вроде Kled AI в сети Solana — лишь передний край; сама модель масштабируется на разные блокчейны и конкурирующие архитектуры.
Зачем ИИ‑компаниям так много данных и кто за них платит сейчас
Современные языковые модели и системы компьютерного зрения потребляют данные в объёмах, которые сложно вообразить.
Одна обучающая прогонка передовой модели может «съесть» сотни миллиардов текстовых токенов, миллионы размеченных изображений или годы записанных поведенческих сигналов пользователей.
Где‑то эти данные нужно брать.
Сейчас основные источники — несколько крупных каналов.
Масштабный веб‑скрейпинг собирает общедоступные тексты из интернета. Лицензионные сделки с платформами дают ИИ‑лабораториям доступ к закрытым массивам данных — соглашения уже подписали Reddit, новостные издательства, фотобанки.
Плюс существуют краудсорсинговые платформы разметки, где людям платят небольшие суммы за подписи к изображениям, транскрибацию аудио или оценку ответов ИИ‑моделей.
Рынок ручной разметки огромен, но предельно эксплуататорский. Работники централизованных площадок часто получают $1–5 в час, в то время как размеченные ими датасеты продаются разработчикам ИИ в десятки раз дороже за одну запись.
Проблема в самой структуре рынка. Между владельцем данных и покупателем‑разработчиком ИИ стоит централизованная платформа, которая забирает львиную долю маржи. Она диктует цены, сама определяет стандарты качества и может в любой момент исключить исполнителя без реальных способов обжалования. Децентрализованные маркетплейсы убирают этот прослойный слой, заменяя его смарт‑контрактами, открытыми протоколами и платёжной инфраструктурой на токенах.
Читайте также: USDT Briefly Dethrones Ethereum As Crypto’s No. 2 Asset
Что такое децентрализованный маркетплейс данных для ИИ на практике
По сути, децентрализованный маркетплейс данных для ИИ — это протокол, где предложение данных и спрос на них встречаются без управляющего центрального оператора.
Со стороны спроса выступают разработчики ИИ или исследовательские команды, которые публикуют «запрос на данные» — с описанием типа данных, критериев качества, требований к формату и цены за каждую валидацию записи.
Со стороны предложения — индивидуальные поставщики данных или агрегаторы, которые закрывают эти запросы.
Роль смарт‑контракта — быть эскроу‑слоем.
Покупатель блокирует средства в контракте в момент размещения запроса. Когда поставщик данных загружает выборку и та проходит верификацию, контракт автоматически выпускает выплату.
Стороны не обязаны доверять друг другу — они полагаются на код контракта.
Сами данные при этом почти никогда не хранятся ончейн.
Разместить гигабайты размеченных изображений в сети Ethereum (ETH) или Solana (SOL) было бы экономически бессмысленно.
Вместо этого данные отправляются в децентрализованное хранилище вроде IPFS или Arweave, а в блокчейн записывается контент‑хеш — уникальный «отпечаток пальца» файла.
Смарт‑контракт проверяет, что хеш, который подаёт поставщик, совпадает с хешем проверенного, неизменённого файла, прежде чем разблокировать платёж.
Контент‑хеш — это короткая строка символов, математически вычисляемая из точного содержимого файла. Измените один байт — и хеш станет совершенно другим. Это делает невозможной ситуацию, когда кто‑то пытается получить оплату за изменённые или перепроданные данные задним числом.
Читайте также: Techdollar Raises $3M To Let Startup Workers Cash In Without Selling
Как устроена верификация данных без центрального модератора
Верификация качества — самое сложное звено в этой архитектуре. Централизованная платформа может нанимать штат ревьюеров.
Смарт‑контракт не умеет «видеть» картинку и не может оценить, корректно ли размечен текст, он лишь исполняет заложенную логику. Децентрализованные маркетплейсы решают задачу верификации комбинацией трёх подходов.
Криптографические доказательства подходят для структурированных данных, которые можно проверить математически. Если поставщик загружает GPS‑треки, телеметрию сенсоров или финансовые записи, доказательство с нулевым разглашением может подтвердить, что данные удовлетворяют нужным свойствам, получены в определённый момент времени, лежат в допустимом диапазоне, принадлежат конкретному устройству — но без раскрытия самих «сырых» значений.
Крауд‑валидация используется для субъективных задач разметки. Несколько независимых участников проверяют один и тот же фрагмент данных и отправляют свои оценки. Контракт сравнивает ответы и платит тем, чьи результаты совпадают с большинством, одновременно наказывая систематических «выбросов». Это децентрализованный аналог многократной разметки, которую централизованные платформы используют против ленивых или злонамеренных исполнителей.
Стейкинг и слэшинг добавляют экономический слой поверх этого. Поставщики блокируют депозит в нативном токене платформы, прежде чем получить право отправлять данные. Если их данные неоднократно отклоняются или помечаются как мошеннические крауд‑валидацией, их стейк «режут» — частично или полностью конфискуют. Это делает отправку низкокачественных данных финансово убыточной и выравнивает стимулы поставщиков с требованиями покупателей к качеству.
Читайте также: XRP Tests $1 Support As $0.60 Crash Risk Deepens
Как технологии сохранения приватности защищают поставщиков данных
Очевидное напряжение в этой модели — конфиденциальность. Если пользователь продаёт историю браузера или медицинские записи разработчику ИИ, ценность огромна, но и риски раскрытия колоссальны. Децентрализованные маркетплейсы отвечают на эту проблему двумя всё более зрелыми технологиями.
Федеративное обучение оставляет «сырые» данные целиком на устройстве пользователя. Вместо того чтобы отправлять данные на центральный сервер, на устройство загружается сама модель ИИ. Модель обучается локально на исходных данных, и обратно разработчику уходят только обновлённые веса модели — абстрактные числовые параметры, по которым нельзя напрямую восстановить исходную информацию. Обновления весов множества пользователей агрегируются и улучшают общую модель. Обучающие данные физически не покидают среду поставщика.
Дифференциальная приватность добавляет к датасету «калиброванный» статистический шум перед тем, как им делятся, так что по итоговой выборке невозможно восстановить записи конкретного человека, при этом статистические закономерности, полезные для обучения ИИ, сохраняются. Уровень шума можно регулировать: больше шума — сильнее защита, но немного ниже полезность данных.
Эти подходы важны и с регуляторной точки зрения. Законодательства вроде GDPR в ЕС и Калифорнийского закона о защите прав потребителей вводят жёсткие требования к передаче и использованию персональных данных. Маркетплейс, который может убедительно показать, что по его конвейеру никогда не гуляет «сырая» персональная информация, имеет гораздо более предсказуемую и мягкую регуляторную траекторию, чем площадка, просто продающая необработанные выгрузки.
Читайте также: HIVE Just Borrowed $115M At Zero Percent To Bet Against Bitcoin Mining
Токеномика, стейкинг и как на самом деле платят поставщикам данных
Конкретная платёжная логика зависит от платформы, но в большинстве случаев используется собственный утилитарный токен, а не прямые выплаты в крупные активы вроде Bitcoin (BTC). У токена несколько ключевых ролей.
Во‑первых, это единица счёта для заказов данных. Покупатели обозначают свои офферы в токене, и он начинает «впитывать» спрос: чем больше заявок на данные, тем выше потребность в токене для их финансирования.
Во‑вторых, стейкинг создаёт локап на стороне предложения. Поставщики должны держать и стейкать токен, чтобы участвовать в маркетплейсе, тем самым изымая часть циркулирующего объёма и связывая свои интересы с устойчивостью сети.
В‑третьих, репутация часто «прошивается» в историю токена. Поставщик, который долгое время держит стейк, чьи данные стабильно принимаются и который ни разу не попадал под слэшинг, формирует проверяемый ончейн‑трек‑рекорд. Такая репутация позволяет брать премию к цене за свои данные — заказчики доверяют ей больше, чем безымянному новичку без истории.
На практике платёжные потоки выглядят так. Покупатель размещает запрос и депонирует, скажем, 500 токенов в эскроу‑контракт. Поставщик загружает 50 размеченных записей. Верификационный слой проверяет и одобряет их. Контракт автоматически перечисляет 50 токенов поставщику, 2 токена валидаторам, которые подтвердили загрузку, а оставшиеся 448 токенов удерживает для будущих поставщиков по тому же запросу. Покупатель получает доступ к проверенной записи в датасете после подтверждения платежа.
Токеномика работает только там, где есть реальный спрос на данные. Проекты, которые запускают высокую… вознаграждения для контрибуторов при отсутствии реального потока платежей от покупателей — разработчиков ИИ на другой стороне маркетплейса создают инфляционное давление на токен, которое в долгосрочной перспективе неустойчиво.
Также читайте: OpenAI откладывает IPO на $1 трлн на фоне волатильности рынка и испытания амбиций Алтмана
Как Kled AI и похожие проекты реализуют эту модель в экосистеме Solana
Kled AI сегодня является одним из наиболее показательных кейсов на Solana. Протокол позиционирует себя как децентрализованный маркетплейс, где пользователи могут монетизировать свои персональные данные именно как сырьё для обучения моделей ИИ. Благодаря низкой комиссии и высокой пропускной способности Solana делает экономически осмысленными высокочастотные микроплатежи на минимальные суммы: платить доли токена за одну размеченную картинку на Solana рентабельно, тогда как на Ethereum mainnet такая модель практически не работает из‑за комиссий.
Архитектура Solana критична и с точки зрения скорости. Проверка данных, после которой разблокируется платеж, должна проходить быстро. Контрибутор не будет пользоваться площадкой, где нужно ждать подтверждения транзакции часами. Субсекундная финальность Solana делает пользовательский опыт сопоставимым с традиционными платформами при сохранении бездоверенной логики смарт‑контрактов.
Velvet, которая набирает популярность параллельно с Kled AI, заходит с другой стороны: это ончейн‑терминал для управления портфелем на базе ИИ с поддержкой спота, perpetual‑контрактов и стратегий по доходности. Проект важен в контексте этой темы тем, что иллюстрирует тот же базовый принцип: ИИ‑системы, работающие на ончейн‑данных и рассчитывающиеся в криптотокенах. Если Kled AI создаёт рынок «сырого» обучающего датасета, то Velvet — пример приложения ИИ, которое потребляет уже обработанные рыночные данные. По сути, это два полюса одной и той же цепочки создания стоимости в экономике данных.
Схожие решения развивают и другие команды. Ocean Protocol одним из первых предложил концепцию токенизированных дата‑активов на Ethereum, а Grass делает ставку на вознаграждение пользователей за предоставление неиспользуемой полосы пропускания и данных веб‑серфинга в контуры обучения ИИ. Архитектурно подходы различаются, но в основе — одна и та же модель: криптографически гарантированные выплаты за верифицированный вклад в датасет.
Также читайте: Заморозка Mythos от Anthropic открывает окно возможностей для азиатских конкурентов Sakana AI и 360
Кто действительно выигрывает от этой модели и какие риски она несёт
Для частных поставщиков данных ценностное предложение прозрачно: то, что раньше бесплатно изымалось платформами, теперь можно монетизировать напрямую. Владельцы крупной аудитории в соцсетях, носители узкопрофильной экспертизы или обладатели редких типов данных — от медицинских записей и юридических документов до неанглоязычного контента — могут претендовать на ощутимую премию на рынке, где есть реальный спрос со стороны разработчиков ИИ.
Для команд, создающих ИИ‑модели, децентрализованные маркетплейсы — это доступ к данным, которые трудно получить через банальный скрейпинг или классическое лицензирование. Человеческие предпочтения, разметка в нишевых доменах, мультиязычный контент из слабо представленных регионов — по‑настоящему дефицитный ресурс. Протокол, способный масштабно собирать и проверять такие данные, обладает объективной экономической ценностью.
Но и риски немалы с обеих сторон. Волатильность токена означает, что контрибутор, получив сегодня выплату в нативном активе, к моменту фактического расходования средств может обнаружить, что её долларовый эквивалент существенно просел. У покупателей ситуация обратная: запланированные закупки датасета могут резко подорожать, если цена токена вырастет между моментом планирования и фактической сделкой.
Качество данных остаётся нерешённой проблемой на больших масштабах. Механизмы кросс‑проверки сообществом и стейкинг‑модели действительно снижают уровень мошенничества, но не устраняют его полностью. Продвинутые злоумышленники способны постепенно «прокачивать» репутацию и обходить фильтры, а разработчики ИИ, заходящие в новый, ещё не проверенный временем маркетплейс, принимают на себя качественный риск, которого практически нет при работе с устоявшимися вендорами разметки с многолетней историей.
Наибольшей неопределённостью остаётся регуляторный контур. Монетизация персональных данных находится на пересечении законодательства о защите персональной информации, регулирования ценных бумаг применительно к токенам и ещё формирующихся норм в сфере управления ИИ. Платформа, действующая строго в правовом поле в одной юрисдикции, может одновременно находиться в «серой зоне» в другой.
Также читайте: Грозит ли Ethereum падение к $1 000 после потери ключевого уровня поддержки?
Итоги
Децентрализованные дата‑маркетплейсы для ИИ предлагают конкретный, технологически обоснованный ответ на реальный экономический перекос: исторически создатели обучающих данных практически не получали доли создаваемой ими стоимости.
Смарт‑контракты, контент‑адресное хранение, федеративное обучение и стейкинг токенов вместе формируют инфраструктуру, в которой создаваемая ценность может распределяться напрямую в пользу контрибуторов — без централизованной платформы‑посредника, забирающей маржу.
Модель всё ещё на ранней стадии.
Токеномика только проходит фазу взросления, системам верификации ещё предстоит доказать масштабируемость до миллионов участников без потери устойчивости, а нормативная среда вокруг монетизации персональных данных остаётся фрагментарной.
Однако спросовая часть уравнения никуда не исчезнет.
Разработчикам ИИ нужно больше данных и больше разнообразия этих данных, чем способны стабильно предоставить централизованные источники.
Именно эта структурная потребность формирует долгосрочную инвестиционную и технологическую гипотезу в пользу децентрализованных дата‑маркетплейсов.
Читайте далее: XRP рискует упасть ещё на 30% на фоне обвала активности «китов» и индикатора RSI
