ตลาดซื้อขายข้อมูลสำหรับปัญญาประดิษฐ์เริ่มเปิดให้บริการจริงแล้ว นักลงทุนควรรู้อะไรบ้าง

ทุกครั้งที่คุณค้นหา ท่องเว็บ หรือใช้งานแอป คุณกำลังสร้าง “ข้อมูล” ขึ้นมาตลอดเวลา

และข้อมูลเหล่านี้มีมูลค่าระดับหลายพันล้านดอลลาร์สำหรับบริษัท AI ขณะที่แพลตฟอร์มผู้เก็บรวบรวมกลับกวาดส่วนแบ่งมูลค่าไปเกือบทั้งหมด

รุ่นใหม่ของ “ตลาดซื้อขายข้อมูล AI แบบกระจายศูนย์” กำลังพยายามพลิกเกมนี้ โดยใช้คริปโตมาชำระค่าตอบแทนให้ผู้ให้ข้อมูลโดยตรง ทุกครั้งที่ข้อมูลของพวกเขาถูกนำไปใช้ฝึกโมเดลแมชชีนเลิร์นนิง

โมเดลนี้ซับซ้อนกว่าคำโปรยสวยหรูอย่าง “เป็นเจ้าของข้อมูลของคุณเอง” มาก

ใต้ฝากระโปรงมีทั้งชั้นการยืนยันข้อมูล กลไก staking เงื่อนไขด้านความเป็นส่วนตัว และโทเคนโนมิกส์ ซึ่งทั้งหมดจะเป็นตัวชี้ขาดว่าเจ้าของข้อมูลจะได้ส่วนแบ่งที่ยุติธรรมหรือแทบไม่ได้อะไรเลย

บทความนี้จะไล่เรียงโครงสร้างดังกล่าวจากฐานรากขึ้นมา

สรุปสั้น ๆ (TL;DR)

• ตลาดข้อมูล AI แบบกระจายศูนย์ทำหน้าที่จับคู่ “เจ้าของข้อมูลดิบ” กับ “ผู้พัฒนา AI ที่ต้องการชุดข้อมูลฝึกที่ผ่านการตรวจสอบ” โดยใช้โทเคนคริปโตจัดการการชำระเงินแบบไม่ต้องพึ่งตัวกลาง
• ผู้มีส่วนร่วมส่งข้อมูลเข้าแพลตฟอร์ม ข้อมูลจะถูกตรวจสอบบนบล็อกเชนหรือผ่านเครือข่ายออราเคิลแบบกระจายศูนย์ก่อนปล่อยการชำระเงิน ตัดแพลตฟอร์มตัวกลางออกจากส่วนแบ่งรายได้
• เทคโนโลยีรักษาความเป็นส่วนตัว เช่น federated learning และ zero-knowledge proofs ช่วยให้สามารถสร้างรายได้จากข้อมูลได้ โดยไม่ต้องให้ “ข้อมูลดิบ” หลุดออกจากอุปกรณ์ของเจ้าของข้อมูล
• โทเคนโนมิกส์ที่ผูกกับ staking, slashing และระบบให้คะแนนชื่อเสียง ช่วยจัดแรงจูงใจให้ผู้มีส่วนร่วมส่งข้อมูลคุณภาพจริง ไม่ใช่สแปมหรือข้อมูลขยะ
• โปรเจกต์อย่าง Kled AI บน Solana เป็นแนวหน้าที่เริ่มนำโมเดลนี้มาใช้จริง แต่โมเดลดังกล่าวกำลังกระจายตัวไปหลายเชนและหลากหลายสถาปัตยกรรมที่แข่งกัน

ทำไมบริษัท AI ต้องใช้ข้อมูลมหาศาล และวันนี้ใครคือคนจ่ายจริง

โมเดลภาษาขนาดใหญ่ (LLM) และระบบรู้จำภาพสเกลใหญ่เป็น “เครื่องกินข้อมูล” โดยแท้

การเทรนโมเดลระดับแนวหน้าหนึ่งครั้งอาจต้องใช้โทเคนข้อความระดับหลายแสนล้านตัว รูปภาพที่ติดป้ายกำกับนับล้านไฟล์ หรือสัญญาณพฤติกรรมมนุษย์ที่บันทึกต่อเนื่องยาวหลายปี

คำถามคือ ข้อมูลเหล่านี้มาจากไหน

ปัจจุบันเส้นทางหลัก ๆ มีอยู่ไม่กี่แบบ

การสแกนเก็บข้อมูลจากเว็บ (web scraping) ดึงเนื้อหาสาธารณะจำนวนมหาศาล ข้อตกลงลิขสิทธิ์กับแพลตฟอร์มต่าง ๆ เปิดทางให้ห้องทดลอง AI เข้าถึงชุดข้อมูลปิด — ไม่ว่าจะเป็น Reddit สื่อกระแสหลัก หรือเอเจนซีภาพสต็อก

อีกด้านคือแพลตฟอร์ม crowdsourcing ที่จ้างแรงงานมนุษย์ทำงานติดป้ายกำกับภาพ แปลงเสียงเป็นข้อความ หรือให้คะแนนคำตอบของ AI แลกค่าตอบแทนเล็กน้อย

ตลาดรับจ้างติดป้ายกำกับข้อมูลมีขนาดใหญ่ แต่มัก “ดูดค่า” จากแรงงานอย่างหนัก คนทำงานบนแพลตฟอร์มรวมศูนย์จำนวนมากได้เงินเฉลี่ยเพียง 1–5 ดอลลาร์ต่อชั่วโมง ขณะที่ชุดข้อมูลที่พวกเขาสร้างขึ้นถูกขายต่อให้ผู้พัฒนา AI ในระดับราคาต่อเรคคอร์ดที่สูงกว่ามาก

ปัญหานี้เป็นปัญหาเชิงโครงสร้าง แพลตฟอร์มรวมศูนย์ที่ยืนอยู่ระหว่าง “เจ้าของข้อมูล” กับ “ผู้ซื้อข้อมูล” จะกินส่วนต่างไปเกือบทั้งหมด เป็นคนตั้งราคา กำหนดมาตรฐานคุณภาพเอง และมีสิทธิ์ถอดผู้ให้ข้อมูลออกจากระบบได้โดยไม่มีช่องทางอุทธรณ์

ตลาดข้อมูลแบบกระจายศูนย์พยายามแทนที่เลเยอร์แพลตฟอร์มนี้ด้วยสมาร์ตคอนแทร็กต์ โปรโตคอลเปิด และรางการชำระเงินผ่านโทเคนคริปโต

อ่านเพิ่มเติม: USDT แซง Ethereum นั่งเบอร์ 2 ตลาดคริปโตชั่วคราว

ตลาดข้อมูล AI แบบกระจายศูนย์คืออะไรในเชิงโครงสร้าง

แก่นของ “ตลาดข้อมูล AI แบบกระจายศูนย์” คือโปรโตคอลที่ทำให้ฝั่ง “อุปทานข้อมูล” และ “อุปสงค์ข้อมูล” เจอกันโดยไม่มีตัวกลางควบคุม

ฝั่งผู้ซื้อคือกลุ่มนักพัฒนา AI หรือทีมนักวิจัยที่มาโพสต์ “คำขอข้อมูล” (data request) ระบุประเภทข้อมูล มาตรฐานคุณภาพ รูปแบบไฟล์ และราคาต่อเรคคอร์ดที่ผ่านการตรวจสอบ

ฝั่งผู้ขายคือบุคคลทั่วไปหรือผู้รวบรวมข้อมูลรายใหญ่ที่เข้ามาตอบโจทย์คำขอเหล่านี้

สมาร์ตคอนแทร็กต์ทำหน้าที่เป็นเลเยอร์ escrow

ทันทีที่ผู้ซื้อโพสต์คำขอข้อมูล จะต้องล็อกเงินทุนไว้ในคอนแทร็กต์ เมื่อผู้มีส่วนร่วมส่งข้อมูลและผ่านขั้นตอนตรวจสอบแล้ว คอนแทร็กต์จะปล่อยการชำระเงินโดยอัตโนมัติ

ทั้งสองฝ่ายไม่จำเป็นต้อง “ไว้ใจกันและกัน” แต่ต่างฝ่ายต่างไว้ใจโค้ดของคอนแทร็กต์

ตัว “ข้อมูล” เองโดยทั่วไปจะไม่ถูกเก็บไว้บนเชน

การเก็บข้อมูลขนาดกิกะไบต์ของรูปภาพที่ติดป้ายกำกับบน Ethereum (ETH) หรือ Solana (SOL) นั้นต้นทุนสูงเกินรับไหว

ทางออกคือเก็บข้อมูลไว้ในเครือข่ายจัดเก็บแบบกระจายศูนย์อย่าง IPFS หรือ Arweave แล้วนำเพียง “แฮชของเนื้อหา” หรือ content-addressed hash ซึ่งเป็นลายนิ้วมือดิจิทัลของไฟล์ มาเขียนไว้บนเชนแทน

สมาร์ตคอนแทร็กต์จะตรวจสอบว่าแฮชที่ผู้มีส่วนร่วมส่งมาตรงกับไฟล์ที่ผ่านการยืนยันและไม่ได้ถูกแก้ไข ก่อนปล่อยการชำระเงิน

แฮชของเนื้อหา คือสตริงตัวอักษรสั้น ๆ ที่คำนวณมาจาก “เนื้อหาไฟล์ทั้งก้อน” แบบคณิตศาสตร์ หากเปลี่ยนข้อมูลเพียง 1 ไบต์ แฮชจะเปลี่ยนไปโดยสิ้นเชิง ทำให้แทบเป็นไปไม่ได้ที่จะอ้างสิทธิ์ขอชำระเงินจากข้อมูลที่ถูกแก้ไขหรือรีไซเคิลในภายหลัง

อ่านเพิ่มเติม: Techdollar ระดมทุน 3 ล้านดอลลาร์ เปิดทางพนักงานสตาร์ตอัปแปลงหุ้นเป็นเงินสด

กลไกตรวจสอบข้อมูลโดยไม่ต้องมี “คนเฝ้าประตู” ส่วนกลาง

การตรวจสอบข้อมูลคือโจทย์ยากที่สุดของดีไซน์นี้ แพลตฟอร์มรวมศูนย์สามารถจ้างทีมรีวิวคุณภาพได้

แต่สมาร์ตคอนแทร็กต์อ่านภาพไม่เป็น และบอกไม่ได้ว่าข้อความถูกติดป้ายกำกับถูกหรือผิด มันทำได้แค่รันลอจิกแบบที่โปรแกรมไว้ ตลาดแบบกระจายศูนย์จึงแก้ปัญหานี้ผ่านสามแนวทางหลัก ซึ่งมักใช้ผสมกัน

พิสูจน์เชิงคริปโต (cryptographic proofs) ใช้ได้ดีสำหรับข้อมูลเชิงโครงสร้างที่สามารถตรวจสอบความถูกต้องด้วยคณิตศาสตร์ หากผู้ใช้ส่งข้อมูลเช่นเส้นทาง GPS ค่าจากเซนเซอร์ หรือข้อมูลการเงิน สามารถใช้ zero-knowledge proof ยืนยันได้ว่าข้อมูลมีคุณสมบัติบางอย่างตามเงื่อนไข เกิดขึ้นในช่วงเวลาที่ระบุ อยู่ในช่วงค่าที่เป็นไปได้จริง หรือถูกสร้างจากอุปกรณ์เฉพาะ โดยไม่ต้องเปิดเผยค่าดิบ

การตรวจสอบแบบฝูงชน (crowd validation) เหมาะกับงานติดป้ายกำกับที่มีดุลยพินิจ เช่น ให้คะแนนคุณภาพคำตอบ, ตีความอารมณ์ Multiple ผู้มีส่วนร่วมที่เป็นอิสระต่อกันจะได้รับงานชิ้นเดียวกันและส่งคำตอบเข้าไป คอนแทร็กต์จะเทียบคำตอบ และจ่ายรางวัลให้คนที่ตอบสอดคล้องกับเสียงส่วนใหญ่ พร้อมลงโทษผู้ที่เบี่ยงเบนผิดปกติซ้ำ ๆ วิธีนี้คือเวอร์ชันกระจายศูนย์ของเทคนิค “ติดป้ายกำกับซ้ำหลายคน” ที่แพลตฟอร์มรวมศูนย์ใช้กันอยู่แล้วเพื่อกันแรงงานขี้เกียจหรือจงใจป่วน

staking และ slashing เพิ่มมิติทางเศรษฐศาสตร์เข้าไป ผู้ส่งข้อมูลต้องล็อกโทเคนเนทีฟของแพลตฟอร์มเป็นหลักประกันก่อนถึงจะมีสิทธิ์ส่งข้อมูล หากข้อมูลถูกปฏิเสธซ้ำ ๆ หรือถูก crowd validation แจ้งว่าเป็นข้อมูลปลอมหรือคุณภาพต่ำ หลักประกันของคน ๆ นั้นจะถูก “slashed” หรือถูกหักทิ้งบางส่วนหรือทั้งหมด ทำให้การส่งข้อมูลขยะมีต้นทุนจริง ผูกแรงจูงใจของผู้ส่งข้อมูลให้สอดคล้องกับข้อกำหนดคุณภาพของผู้ซื้อ

อ่านเพิ่มเติม: XRP ทดสอบแนวรับ 1 ดอลลาร์ ขณะความเสี่ยงร่วงลึกสู่ 0.60 ดอลลาร์เพิ่มขึ้น

เทคโนโลยีรักษาความเป็นส่วนตัวปกป้องผู้ขายข้อมูลอย่างไร

แรงตึงเครียดสำคัญของโมเดลนี้คือ “ความเป็นส่วนตัว” หากผู้ใช้ขายประวัติการท่องเว็บหรือข้อมูลสุขภาพให้ผู้พัฒนา AI มูลค่าเชิงเศรษฐกิจมีจริง แต่ความเสี่ยงการเปิดเผยตัวก็มหาศาล ตลาดข้อมูลแบบกระจายศูนย์จึงเริ่มพึ่งสองเทคนิคหลักที่เริ่มสุกงอม

Federated learning ทำให้ “ข้อมูลดิบไม่ต้องออกจากอุปกรณ์” เลย แทนที่จะส่งข้อมูลไปที่เซิร์ฟเวอร์กลาง ฝั่งผู้พัฒนาจะส่งโมเดลไปที่อุปกรณ์ของผู้ใช้ โมเดลจะเทรนบนข้อมูลดิบแบบ local แล้วส่งกลับมาเฉพาะ “น้ำหนักโมเดลที่อัปเดตแล้ว” ซึ่งเป็นพารามิเตอร์ทางคณิตศาสตร์ที่ย้อนกลับไปหาเงื่อนไขข้อมูลดิบได้ยากมาก จากนั้นจึงรวม (aggregate) การอัปเดตจากผู้ใช้หลายรายเข้าด้วยกันเพื่อทำให้โมเดลดีขึ้น ข้อมูลฝึกไม่เคยออกนอกสภาพแวดล้อมของเจ้าของข้อมูลเลย

Differential privacy คือการเติม “สัญญาณรบกวนทางสถิติ” ให้กับชุดข้อมูลก่อนแชร์ ทำให้ไม่สามารถย้อนแกะหาข้อมูลของบุคคลใดบุคคลหนึ่งจากสถิติรวมได้ แต่ยังรักษาแพตเทิร์นเชิงสถิติที่จำเป็นต่อการฝึกโมเดลไว้ได้ ระดับของ noise ปรับได้ — ยิ่งสูงก็ยิ่งปลอดภัย แต่ความแม่นยำของข้อมูลสำหรับการเทรนอาจลดลงเล็กน้อย

เทคโนโลยีเหล่านี้ยังสำคัญในเชิงกฎระเบียบด้วย กฎหมายอย่าง GDPR ในยุโรป หรือ CCPA ในสหรัฐฯ ตั้งข้อกำหนดเข้มงวดต่อการโอนและใช้งานข้อมูลส่วนบุคคล แพลตฟอร์มที่พิสูจน์ได้อย่างน่าเชื่อถือว่า “ท่อข้อมูล” ของตนไม่เคยส่งข้อมูลส่วนบุคคลดิบออกไปเลย อาจเดินเกมด้านกำกับดูแลง่ายกว่ามาก เมื่อเทียบกับโมเดลที่เน้นส่งออก “ข้อมูลดิบ” ไปขายตรง

อ่านเพิ่มเติม: HIVE กู้ 115 ล้านดอลลาร์ดอกเบี้ยศูนย์ หันไปเดิมพันธุรกิจ AI แทนขุดบิตคอยน์

โทเคนโนมิกส์ กลไก staking และวิธีที่ผู้ให้ข้อมูลได้เงินจริง

กลไกการจ่ายค่าตอบแทนแตกต่างกันไปในแต่ละแพลตฟอร์ม แต่ส่วนใหญ่เลือกใช้ “โทเคนเนทีฟ” แทนการจ่ายตรงด้วยสินทรัพย์หลักอย่าง Bitcoin (BTC) โดยให้โทเคนตัวเดียวทำหน้าที่หลายอย่างพร้อมกัน

หนึ่ง โทเคนคือ “หน่วยบัญชี” ของคำขอข้อมูล ผู้ซื้อจะระบุราคาข้อมูลในรูปโทเคน ทำให้มูลค่าของโทเคนผูกกับ “ฝั่งดีมานด์” ยิ่งมีคำขอข้อมูลโพสต์มาก ความต้องการใช้โทเคนเพื่อเติมทุนคำขอก็ยิ่งสูง

สอง staking สร้างการล็อกซัพพลายฝั่งผู้ขาย ผู้มีส่วนร่วมต้องถือและนำโทเคนมา stake เพื่อมีสิทธิ์ทำงานในตลาด ส่งผลให้ซัพพลายหมุนเวียนลดลง และผูกผลประโยชน์ของผู้ขายเข้ากับสุขภาพของเครือข่าย

สาม ชื่อเสียง (reputation) มักผูกกับประวัติการใช้โทเคน ผู้มีส่วนร่วมที่ stake ต่อเนื่อง ส่งงานแล้วถูกอนุมัติสม่ำเสมอ และไม่เคยถูก slashed จะสร้างประวัติที่ตรวจสอบได้บนเชน คะแนนชื่อเสียงนี้สามารถแปลงเป็น “พรีเมียมราคา” ของข้อมูลที่ตัวเองขายได้ เพราะผู้ซื้อจะเชื่อถือผู้เล่นที่มีประวัติยาวนานมากกว่าผู้เล่นหน้าใหม่ที่ไม่มีประวัติเลย

หากดูในทางปฏิบัติ โฟลว์การชำระเงินอาจหน้าตาแบบนี้ ผู้ซื้อโพสต์คำขอข้อมูลพร้อมฝากโทเคน 500 เหรียญไว้ใน escrow ของคอนแทร็กต์ ผู้มีส่วนร่วมส่งข้อมูลที่ติดป้ายกำกับมา 50 เรคคอร์ด เลเยอร์ตรวจสอบยืนยันว่าใช้ได้ คอนแทร็กต์จึงปล่อยโทเคน 50 เหรียญไปยังผู้มีส่วนร่วม อีก 2 เหรียญให้ผู้ตรวจสอบข้อมูลที่อนุมัติงาน และเก็บโทเคนที่เหลือ 448 เหรียญไว้สำหรับผู้มีส่วนร่วมรายถัดไป ฝั่งผู้ซื้อจะได้รับสิทธิ์เข้าถึงชุดข้อมูลที่ผ่านการตรวจสอบ เมื่อการชำระเงินถูกยืนยันเรียบร้อย

โทเคนโนมิกส์จะเวิร์กเฉพาะเมื่อมี “ดีมานด์ข้อมูลจริง” รองรับ โปรเจกต์ที่เปิดตัวด้วยมูลค่าโทเคนสูงแต่ไม่มีผู้ซื้อข้อมูลตัวจริงรองรับ ท้ายที่สุดมักจะไม่สามารถสร้างรายได้ยั่งยืนให้ผู้ให้ข้อมูลได้ แรงจูงใจฝั่งผู้ให้ข้อมูล (contributor rewards) แต่ไม่มี “ผู้ซื้อ” ฝั่งนักพัฒนา AI ที่จ่ายเงินจริงอยู่ปลายอีกด้านของมาร์เก็ตเพลส กำลังสร้างแรงกดดันเชิงเงินเฟ้อต่อโทเคน ซึ่งท้ายที่สุดไม่ใช่โมเดลที่อยู่รอดได้ในระยะยาว

อ่านเพิ่มเติม: OpenAI เลื่อนแผน IPO มูลค่า 1 ล้านล้านดอลลาร์ ท่ามกลางความผันผวน กดดันวิสัยทัศน์ Altman

โมเดลของ Kled AI และโปรเจกต์ลักษณะเดียวกันบน Solana ทำงานอย่างไร

Kled AI เป็นตัวอย่างที่สะท้อนภาพรวมของโมเดลนี้บนเครือข่าย Solana ได้อย่างชัดเจน โปรโตคอลวางตัวเองเป็นมาร์เก็ตเพลสกระจายศูนย์ ที่เปิดให้บุคคลทั่วไปนำ “ข้อมูลส่วนบุคคล” มาปล่อยเช่าเพื่อใช้เทรนโมเดล AI โดยตรง จุดแข็งของ Solana คือค่าธรรมเนียมถูกและรองรับทรานส์แซกชันปริมาณสูง ทำให้ “ไมโครเพย์เมนต์” มูลค่าเล็กมากเกิดขึ้นได้จริง การจ่ายเพียงเศษเสี้ยวของโทเคนสำหรับรูปภาพที่ติดฉลากหนึ่งภาพบน Solana จึงคุ้มค่าในเชิงเศรษฐศาสตร์ ซึ่งแทบเป็นไปไม่ได้บน Ethereum เมนเน็ต

สถาปัตยกรรมของ Solana ยังมีนัยสำคัญด้านความเร็ว การตรวจสอบข้อมูลที่เป็นทริกเกอร์ให้ปล่อยจ่ายเงินจำเป็นต้อง “ปิดดีล” ได้เร็ว ผู้ให้ข้อมูลไม่มีใครอยากใช้แพลตฟอร์มที่ต้องรอคอนเฟิร์มการจ่ายเงินเป็นชั่วโมง Finality ระดับเสี้ยววินาทีของ Solana ทำให้ประสบการณ์การรับเงินใกล้เคียงแพลตฟอร์ม Web2 แบบดั้งเดิม แต่ยังคงคุณสมบัติ trustless ของสมาร์ตคอนแทรกต์เอาไว้

Velvet ซึ่งกำลังมาแรงคู่กับ Kled AI เลือกเดินคนละมุม มันคือเทอร์มินัลพอร์ตโฟลิโอออนเชนที่ขับเคลื่อนด้วย AI รวมทั้งสปอตเทรดดิ้ง ฟิวเจอร์สแบบ perpetual และกลยุทธ์สร้างยีลด์ จุดเชื่อมโยงกับธีมนี้คือ Velvet แสดงให้เห็น “ธีมเดียวกันใต้ผิวน้ำ” คือ ระบบ AI ที่ทำงานบนข้อมูลออนเชน และเคลียร์ธุรกรรมด้วยคริปโตโทเคน หาก Kled AI สร้างตลาดสำหรับ “ดาต้าดิบ” เพื่อเทรนโมเดล Velvet คือแอปพลิเคชัน AI ที่นำข้อมูลตลาดที่ผ่านการประมวลผลแล้วไปใช้ต่อ ทั้งสองจึงเปรียบเสมือนปลายต้นน้ำ–ปลายน้ำของห่วงโซ่อีโคโนมีข้อมูลเดียวกัน

โปรเจกต์อื่นในแนวเดียวกัน เช่น Ocean Protocol ที่เป็นผู้บุกเบิกแนวคิด “สินทรัพย์ข้อมูลแบบโทเคไนซ์” บน Ethereum และ Grass ที่เน้นให้รางวัลผู้ใช้ที่แบ่งปันแบนด์วิดท์เหลือใช้และพฤติกรรมการท่องเว็บเข้ามาอยู่ในสายพานการเทรน AI แต่ละโปรเจกต์แตกต่างกันด้านสถาปัตยกรรม ทว่ามีแกนกลางเหมือนกันคือ การจ่ายผลตอบแทนด้วยโทเคนภายใต้เงื่อนไขการยืนยันข้อมูลที่เข้มงวดด้วยกลไกคริปโต

อ่านเพิ่มเติม: ดีล Anthropic สะดุด “Mythos Freeze” เปิดช่องให้ Sakana AI และ 360 จากเอเชียขึ้นท้าชิง

ใครได้ประโยชน์ และความเสี่ยงของโมเดลนี้คืออะไร

สำหรับผู้ให้ข้อมูลรายบุคคล เสน่ห์ของโมเดลนี้ตรงไปตรงมา: มูลค่าที่ถูกแพลตฟอร์มส่วนกลางดูดไปใช้ฟรีในอดีต เริ่มไหลกลับมาหาเจ้าของข้อมูลโดยตรง คนที่มีฐานผู้ติดตามขนาดใหญ่บนโซเชียล มีความเชี่ยวชาญเฉพาะด้าน หรือเข้าถึงดาต้าหายาก เช่น เวชระเบียน เอกสารกฎหมายระดับมืออาชีพ หรือคอนเทนต์ภาษาที่ไม่ใช่อังกฤษ สามารถตั้งราคาในตลาดได้สูงกว่าค่าเฉลี่ย หากอีกฝั่งมีดีมานด์จากนักพัฒนา AI จริง

ฝั่งนักพัฒนา AI เอง มาร์เก็ตเพลสกระจายศูนย์เปิดโอกาสให้เข้าถึงดาต้าประเภทที่หาไม่ได้จากการสแครปหรือการซื้อไลเซนส์แบบเดิม เนื้อหาที่สะท้อน “ความชอบของมนุษย์” ข้อมูลการติดฉลากในนิชมาร์เก็ต และคอนเทนต์หลายภาษาจากภูมิภาคที่มักถูกมองข้าม ล้วนเป็นทรัพยากรที่ขาดแคลนอย่างแท้จริง โปรโตคอลใดที่สามารถจัดหาและยืนยันดาต้าเหล่านี้ในสเกลใหญ่ได้ ย่อมสร้างมูลค่าที่จับต้องได้

แต่ความเสี่ยงก็มีอย่างเป็นรูปธรรม ทั้งสองฝั่ง ความผันผวนของราคาโทเคนหมายความว่า ผู้ให้ข้อมูลที่รับค่าตอบแทนเป็นโทเคนวันนี้ อาจพบว่ามูลค่าจริงในสกุลเงินเฟียตลดลงมากเมื่อถึงเวลานำไปใช้จ่าย ขณะที่ฝั่งผู้ซื้อก็เผชิญความเสี่ยงตรงข้าม หากราคาโทเคนพุ่งขึ้นระหว่างช่วงวางแผนซื้อข้อมูลกับช่วงเวลาที่ดีลจริงจะเกิด ทำให้ต้นทุนจัดหาดาต้าสูงกว่างบที่ตั้งไว้

คุณภาพของข้อมูลยังเป็นปัญหาที่ยังไม่มีคำตอบชัดในระดับแมส กลไกยืนยันแบบ crowd-validation และระบบสเตกกิงช่วยลดการฉ้อโกง แต่ไม่สามารถกำจัดได้หมด ผู้ไม่หวังดีที่มีความซับซ้อนสามารถปั่นคะแนนชื่อเสียงทีละนิดในระยะยาว และนักพัฒนา AI ที่เข้าไปซื้อดาต้าจากมาร์เก็ตเพลสเกิดใหม่ซึ่งยังไม่มีประวัติผลงานที่พิสูจน์ได้ ก็ต้องรับความเสี่ยงด้านคุณภาพที่ไม่เจอเมื่อซื้อจากผู้ให้บริการอนโนเตชันรายใหญ่ที่มีชื่อเสียงยาวนาน

ด้านกฎระเบียบคือความไม่แน่นอนที่ใหญ่ที่สุด โมเดล “หารายได้จากข้อมูลส่วนบุคคล” อยู่ในจุดตัดระหว่างกฎหมายคุ้มครองข้อมูลส่วนบุคคล กฎเกณฑ์ด้านหลักทรัพย์ที่กำกับดูแลโทเคนที่ใช้ และกรอบกำกับดูแล AI ที่ยังอยู่ระหว่างร่างกติกา มาร์เก็ตเพลสที่ดำเนินงานอย่างถูกกฎหมายในหนึ่งเขตอำนาจศาล อาจกลายเป็นพื้นที่สีเทาทางกฎหมายในอีกประเทศหนึ่งได้ทันที

อ่านเพิ่มเติม: Ethereum เสี่ยงรูดแตะ 1,000 ดอลลาร์ หลังหลุดแนวรับสำคัญ

มุมมองท้ายบทความ

มาร์เก็ตเพลสข้อมูล AI แบบกระจายศูนย์คือคำตอบเชิงเทคนิคที่ชัดเจนต่อปัญหาเชิงโครงสร้าง: ผู้สร้างดาต้าที่ใช้เทรนโมเดล แทบไม่เคยได้ส่วนแบ่งมูลค่าทางเศรษฐกิจกลับมาเลยในอดีต

การผนวกสมาร์ตคอนแทรกต์ ระบบจัดเก็บแบบ content-addressed เฟเดอเรเต็ดเลิร์นนิง และโทเคนสเตกกิง เข้าด้วยกัน ทำให้เกิดระบบที่มูลค่าจากข้อมูลสามารถไหลกลับไปหาผู้ให้ข้อมูลโดยตรง โดยไม่ต้องให้แพลตฟอร์มตัวกลางมาช่วงชิงส่วนต่างกำไร

อย่างไรก็ตาม โมเดลนี้ยังอยู่ในช่วงตั้งไข่

โทเคโนมิกส์ยังอยู่ระหว่างปรับจูน ระบบยืนยันข้อมูลต้องพิสูจน์ว่ารับมือผู้ใช้หลักล้านได้โดยไม่ถูกเกม และกรอบกฎระเบียบเกี่ยวกับการทำเงินจากข้อมูลส่วนบุคคลยังไม่นิ่ง

แต่ฝั่งดีมานด์ไม่น่าจะหายไปไหน

นักพัฒนา AI ต้องการ “ดาต้ามากขึ้น และหลากหลายขึ้น” เกินกว่าที่แหล่งข้อมูลแบบรวมศูนย์จะจัดหาได้อย่างน่าเชื่อถือ

ความต้องการเชิงโครงสร้างนี้เอง ที่เป็นแกนหลักของวิทยานิพนธ์ระยะยาวสำหรับมาร์เก็ตเพลสข้อมูลแบบกระจายศูนย์

อ่านต่อ: XRP เสี่ยงร่วงอีก 30% หลังวาฬเงียบหาย–RSI ดิ่งลงแรง