你每次上網搜尋、滑App、點擊或輸入內容，其實都不斷產生數據。
這些數據對AI公司而言值幾十億美元，但現階段，大部分價值都被平台獨吞。
新一代去中心化AI數據市集，想用加密貨幣重新分配這盤數，把錢直接付給真正提供數據的人，只要你的數據被用來訓練機器學習模型，就可以獲得報酬。
背後機制，遠遠唔只一句「擁有你的數據」咁簡單。
當中涉及多層驗證機制、質押制度、私隱保護約束，以及代幣經濟設計——這幾個環節加埋，最終決定數據貢獻者係被「公平出糧」，定係完全收唔到錢。
以下由基礎開始，拆解整個系統點樣運作。
重點速覽
- 去中心化AI數據市集，將持有原始數據的人，直接同需要標註、驗證訓練數據的AI開發者撮合，並用加密代幣，以無需信任的方式處理支付。
- 數據貢獻者提交數據後，會經鏈上或去中心化預言機網絡驗證，通過先至放款，將原本由平台抽走的利潤還給供應者。
- 聯邦學習、零知識證明等隱私技術，令數據可以變現，而底層原始資料可以一直留喺貢獻者裝置之內。
- 包括質押、懲罰（slashing）及聲譽評分在內的代幣經濟設計，將獎懲機制同準確度掛鈎，鼓勵供應高質數據，而唔係垃圾訊息。
- 例如建基於 Solana 的 Kled AI 等項目，代表現時前沿，但整個模式已跨多條公鏈及多種架構競爭。
為何AI公司要「食」咁多數據？而家由邊個埋單？
大型語言模型（LLM）同影像識別系統，對數據嘅渴求程度，幾乎難以誇大。
一次前沿模型訓練，可以耗用數千億個文字token、數以百萬計已標註影像，甚至以「年」計的人類行為紀錄。
呢啲數據，總要有來源。
目前，主要有幾條渠道：
網絡爬蟲大規模抓取公開文本；平台授權交易，令AI實驗室可以使用私有數據集——例如 Reddit、新聞出版商、圖片庫平台，都同AI公司簽過合約。
另外，眾包標註平台會支付小額工資，請人手幫手標記圖片、轉錄音頻、或評分AI回答準確度。
標註市場規模龐大，但高度「剝削」。集中式平台上嘅工人，通常每小時只賺1至5美元，但他們做出來的數據集，轉售給AI開發者時，每條記錄的售價往往高出幾個數量級。
結構問題出在中間層：一間中心化平台，坐喺數據擁有人與AI買家之間，攞走大部分利潤。由佢訂價、由佢定義質素標準，亦可以隨時封殺貢獻者，幾乎冇申訴空間。去中心化市集則以智能合約、開放協議同代幣結算網路，取代呢個平台中介。
延伸閱讀： USDT Briefly Dethrones Ethereum As Crypto’s No. 2 Asset
乜嘢先叫「去中心化AI數據市集」？
核心概念係：一套協議，令數據供應同數據需求，可以喺冇中心化控制者嘅情況下直接對接。
買方通常係AI開發團隊或研究機構，會發出「數據需求」——清楚列明所需數據類型、質素標準、格式要求，以及每條通過驗證數據願意支付幾多。
賣方可以係個人用戶，亦可以係數據匯集商，負責按需求供貨。
智能合約就係當中嘅「第三方信託」。
買家發出需求時，先將資金鎖入合約；當貢獻者提交嘅數據通過驗證，合約就自動放款。
雙方無需互相信任，只需要信任合約嘅程式碼。
需要留意，數據本身通常唔會上鏈。
將幾GB標註圖片直接寫入 Ethereum (ETH) 或 Solana (SOL) 成本高得離譜。
一般做法係：數據儲存喺 IPFS、Arweave 等去中心化存儲網絡；上鏈嘅，係一個「內容雜湊值」——即該檔案的獨一無二指紋。
智能合約會檢查貢獻者提交的雜湊值，是否對應一份經驗證、未被篡改的檔案，再決定是否放款。
「內容雜湊」係由檔案內容數學計算出來的一串短字串。只要改動檔案任何一個byte，雜湊值就完全唔同。呢點令事後想用「改圖」、「翻炒舊數據」去呃錢，幾乎冇可能。
延伸閱讀： Techdollar Raises $3M To Let Startup Workers Cash In Without Selling
冇「總編審」之下，點樣驗證數據？
驗證其實係成個設計中最難一關。中心化平台可以請審核員逐單check；
但智能合約唔識睇相、唔識判斷文字標註是否正確，只識執行邏輯。去中心化市集通常結合三種方法解決：
密碼學證明：適用於可用數學驗證正確性的結構化數據。例如GPS軌跡、感應器讀數、財務紀錄等，可用零知識證明（ZK proof）確認數據符合某些性質——例如在某段時間內產生、數值落在合理範圍、來自指定裝置——但無需曝光具體原始數值。
群眾驗證：適用於主觀標註工作。多名獨立貢獻者會審視同一組數據，再提交各自判斷。合約會比較結果，向與多數意見一致者派發報酬，同時懲罰經常「唱反調」的異常帳戶。呢個係集中式平台「重複標註」機制的去中心化版本，用以篩走偷懶或惡意標註者。
質押與懲罰（staking & slashing）：係經濟激勵層面再加一重。貢獻者要先用平台原生代幣作按金質押，先有資格提交數據；如果佢的提交屢次被驗證層拒絕，或被群眾驗證判定為欺詐，按金就會被削減（slashed），甚至全數沒收。提交垃圾數據會變成一件「要付學費」的事，自然令供應者嘅行為同買家的質素要求拉齊。
延伸閱讀： XRP Tests $1 Support As $0.60 Crash Risk Deepens
私隱點樣保障？將數據賣畀AI會「出事」嗎？
呢個模式最大隱憂就係私隱風險。用戶如果將瀏覽紀錄、健康數據賣畀AI開發者，回報的確真金白銀，但「走光」風險同樣真實。去中心化市集，主要靠兩類已日漸成熟的技術應對：
聯邦學習（Federated Learning）：原始數據完全留喺用戶裝置上。唔係將數據送去中央伺服器，而係將AI模型派到用戶端，本地用原始數據進行訓練；完成後，只會將更新後的模型權重，即一組高度抽象的數學參數，傳回開發者端。多個用戶的權重更新再被聚合，提升模型表現。訓練數據從頭到尾唔離開用戶環境。
差分隱私（Differential Privacy）：喺共享數據前，以嚴謹統計方法加入「校準噪音」，令任何人幾乎不可能從聚合數據中，倒推任何一個個體的具體紀錄，同時保持數據整體統計結構，仍然對AI訓練有用。噪音多啲，私隱保護越強，但可用性會略為下降，兩者可以調節。
呢啲技術，亦係監管層面嘅關鍵。歐盟GDPR、美國加州《消費者私隱法》（CCPA）等，都對個人數據傳輸與用途設下嚴格要求。能夠可信地證明，整個數據流程從來無傳輸原始個人資料的市集，往往比單純賣「原始資料包」的平台，更容易過監管關。
延伸閱讀： HIVE Just Borrowed $115M At Zero Percent To Bet Against Bitcoin Mining
代幣經濟、質押機制，同實際點出糧？
各平台支付路徑有別，但大多數會用原生實用代幣，而唔係直接用 Bitcoin (BTC) 等主流資產。原因在於代幣可以一幣多用：
第一，作為數據需求的「計價單位」。買家用平台代幣標價，愈多需求單湧現，需要用嚟支付的代幣就愈多，代幣自然承接需求端價值。
第二，質押帶來供給端鎖倉效應。貢獻者要持有並質押代幣先可以參與市集，減少流通供應，同時將自身利益同網絡健康綁定。
第三，聲譽通常同代幣歷史掛鈎。長期有質押、提交紀錄穩定被接受、從未被削押金的貢獻者，會在鏈上建立一套可驗證履歷。呢個聲譽分可以令佢哋的數據收取溢價，因為買家會比起「新號」更信得過。
實務上，資金流大約係咁運作：假設買家發布一個需求，並預先向合約存入500枚代幣作保證。某貢獻者提交了50條已標註紀錄；驗證層審核通過後，合約自動派發50枚代幣畀該貢獻者、2枚代幣作獎勵分給協力驗證者，其餘448枚則繼續留在合約，等待下一批合資格貢獻者。買家在支付確認後，獲得對應已驗證數據的存取權。
代幣經濟要站得住腳，有一個前提：數據必須有真實需求。只靠發幣炒作、沒有真正AI買家願意長期付費的項目，很難維持。 在這個市場結構下，只有向數據貢獻者派發獎勵，卻欠缺真正付費購買數據的 AI 開發者，最終只會造成代幣持續通脹壓力，難以長期維持。
延伸閱讀：OpenAI 延遲 1 兆美元 IPO，上市計劃暫按 Altman 雄心遇上震盪市考驗
Kled AI 與類似項目如何在 Solana 上落地這套模式
在 Solana 生態之中，Kled AI 算是現時這類模型的代表性項目之一。協議將自己定位為一個去中心化數據市場，讓個人可以把自身數據「變現」，專門供 AI 模型訓練之用。由於 Solana 手續費低、處理速度快，非常適合高頻且金額極細的微支付場景——例如就一張已標註圖片支付極小數量代幣，在 Solana 上經濟上行得通，但在 Ethereum 主網則難以實現。
Solana 的架構在速度上同樣關鍵。觸發付款的數據驗證必須快速完成結算，沒有人會接受在一個市場內賣數據，要等幾小時才看到款項確認。Solana 具備接近秒級最終確認（sub‑second finality），令整個收款體驗接近傳統網上平台，同時仍保留智能合約的去信任特性。
與 Kled AI 一同走紅的 Velvet 則走另一條路：它是一個 AI 驅動的鏈上投資組合終端平台，整合了現貨交易、永續合約以及各類收益策略。它與本文主題相關，因為同樣體現了同一底層趨勢——AI 系統直接利用鏈上數據運作，並以加密代幣作為結算媒介。Kled AI 著重打造原始訓練數據市場，而 Velvet 則是消耗經處理市場數據的 AI 應用，兩者可視為同一數據經濟管道的前端與後端。
同一領域的其他項目還包括 Ocean Protocol，這個在 Ethereum 上率先提出「數據代幣化資產」概念的協議，以及 Grass，專門獎勵用戶貢獻閒置頻寬及瀏覽數據，餵給 AI 訓練管線。各個項目的技術架構各異，但核心模式一致：透過加密機制與智能合約，為經驗證的數據貢獻安排自動化支付。
延伸閱讀：Anthropic「Mythos 凍結」為亞洲挑戰者 Sakana AI 和 360 打開缺口
誰真正受惠？風險又在哪裏？
對個人數據貢獻者而言，吸引力非常直接：過去免費被平台拿走的價值，現在可以直接變成個人收入。擁有龐大社交媒體影響力、特定領域專業知識，或能提供稀缺數據類型（如醫療紀錄、專業法律文件、非英語內容）的人，在一個確實存在 AI 開發者需求的市場中，理論上可以拿到可觀溢價。
對 AI 開發者來說，去中心化數據市場則提供了難以靠爬蟲或傳統授權方式取得的數據：例如人類偏好標註、極小眾專業領域的標註數據，或來自長期被忽視地區的多語言內容。若有協議能在大規模條件下可靠搜集並驗證這些數據，其本身就具備實質價值。
但風險同樣不容忽視，而且是買賣雙方都要面對的。代幣價格波動意味著：今天收到原生代幣酬勞的貢獻者，等到實際消費時，代幣折算成法幣價值可能已經大幅縮水；相反，買方亦可能在預算買數據時，遇上代幣突然抽升，令實際採購成本遠高於預期。
數據質素則仍然是大規模運營下難以徹底解決的痛點。群眾驗證（crowd‑validation）及押注／質押機制可以壓低欺詐行為比例，但無法完全杜絕。熟練的惡意參與者可以長時間經營聲譽帳號，再伺機套利；而 AI 開發者若向一個新成立、尚未建立信譽的市場購買數據，所承受的質素風險，遠高於向有多年紀錄的傳統標註服務商買貨。
監管風險則是最大變數。個人數據變現剛好踩在多條監管紅線交界：一方面牽涉數據私隱法規，另一方面代幣本身可能觸及證券監管，同時還有各地仍在起草中的 AI 治理框架。某個市場在一個司法管轄區可能完全合規，在另一地區卻隨時跌入法律灰色地帶。
延伸閱讀：以太幣失守關鍵支持位後，價格會否回落至 1,000 美元？
結語
去中心化 AI 數據市場，其實是針對一個真實存在的經濟問題，給出了一個技術上可行的具體解法：過去為訓練數據創造價值的人，幾乎分不到任何收益。
透過智能合約、內容定址儲存（content‑addressed storage）、聯邦學習（federated learning）和代幣質押機制，這套系統嘗試讓價值直接流向數據貢獻者，而非被中心化平台吃掉大部分利潤。
但整體模式仍處於早期階段。
代幣經濟設計還在摸索成熟，驗證系統能否在數以百萬計參與者規模下，仍然抵抗各類「玩爛 game」行為，仍待實證；而圍繞個人數據變現的監管框架，亦遠未塵埃落定。
不過，需求端的結構性矛盾並不會消失。
AI 開發者需要更多、更多樣化、也更具針對性的數據，而單靠少數集中化數據來源，已越來越難滿足這種需求。
正是這種長期存在的結構性需求，支撐着去中心化數據市場的中長線故事。
