你每一次搜尋、瀏覽網站，或打開 App 與服務互動，都在產生數據。
這些數據對 AI 公司的價值以「數十億美元」計，但現在幾乎所有利益都落在掌握平台的一方。
新一代的去中心化 AI 數據市集想把這套權力結構翻轉過來：利用加密貨幣，只要你的數據被用來訓練機器學習模型，就直接付錢給你。
這不只是「擁有你的數據」這麼簡單的口號。
背後有嚴謹的驗證層、staking 抵押系統、隱私保護機制與代幣經濟學，決定了貢獻者到底能不能拿到合理報酬，甚至會不會一毛都拿不到。
下面我們從基礎架構開始，拆開這些系統是怎麼運作的。
快速重點整理
- 去中心化 AI 數據市集，把握有原始數據的人，直接與需要標註、驗證訓練資料的 AI 開發者連上線，並用加密代幣作為無須信任中介的支付管道。
- 貢獻者提交數據後，會先在鏈上或透過去中心化預言機網路驗證通過，智能合約才會撥款，中間不再有抽成的平台方。
- 聯邦學習、零知識證明等隱私技術，讓數據可以變現，但原始敏感資料不必離開貢獻者的裝置。
- 以抵押（staking）、懲罰機制（slashing）、聲譽評分為核心的代幣經濟，讓貢獻者有誘因提供高品質數據，而不是垃圾內容。
- 建構在 Solana 上的 Kled AI 等專案是目前前沿案例，但這個模式其實跨多條公鏈與不同架構在競爭。
為何 AI 公司這麼「吃數據」，現在又是誰在買單？
大型語言模型、影像辨識系統對數據的渴求，很難被誇大。
一次前沿模型的訓練，就可能吃掉數百億個文字 token、數百萬張已標註影像，或是以「年」為單位的人類行為紀錄訊號。
這些數據總要有來源。
目前主流來源大致有幾條路：
大規模網路爬蟲負責收集公開文字內容；平台授權合作則讓 AI 實驗室能取得專有資料集——像 Reddit、新聞出版集團、圖庫業者都已簽過這類合約。
另外，群眾外包標註平台，則以微薄工資請人幫忙標註影像、轉錄語音、或評分 AI 回答品質。
標註市場的規模不小，卻相當「剝削」。集中式平台上的標註員，一小時往往只拿到 1 至 5 美元，但他們生產的標註資料集，轉手賣給 AI 開發者時，單筆價格往往是原本的數十倍甚至百倍。
問題出在結構。站在數據擁有者和 AI 購買方中間的集中式平台，吃走了大多數利潤：它們訂價、制定品質標準，還能單方面把貢獻者封殺，卻沒有真正申訴管道。
去中心化市集就是要把這個中介層，換成智能合約、開放協議與代幣支付網路。
延伸閱讀： USDT Briefly Dethrones Ethereum As Crypto’s No. 2 Asset
什麼叫「去中心化 AI 數據市集」？
本質上，去中心化 AI 數據市集是一套協議，讓數據供給方與需求方在沒有中心仲介的情況下對接。
買方通常是 AI 開發團隊或研究單位，在鏈上發布「數據需求單」，清楚寫明需要什麼類型的數據、品質標準、格式要求，以及每筆通過驗證的資料願意付多少錢。
賣方則是個別貢獻者，或將多方資料打包的聚合方，來承接這些需求。
智能合約扮演的是「第三方保管」的角色。
買方發布需求時，先把預算鎖進合約。當有貢獻者提交的數據通過驗證程序，合約才會自動撥款。
雙方不需要互信，只需要相信寫死在合約裡的規則。
數據本身通常不會直接存上鏈。
把幾 GB 的標註影像硬塞進 Ethereum (ETH) 或 Solana (SOL) 成本高到不可行。
實務上，資料會存放在像 IPFS 或 Arweave 這類去中心化儲存網路，上鏈的只是一段「內容雜湊值」——也就是檔案的唯一指紋。
智能合約會檢查貢獻者提交的雜湊，確認它對應的檔案是事先驗證過、未被竄改的版本，才會開啟撥款。
內容雜湊是一小串由檔案內容「數學運算」得出的字元。只要檔案內容改動一個位元，雜湊值就會完全不同。這讓人幾乎不可能事後改檔、重複拿舊資料來騙取報酬。
延伸閱讀： Techdollar Raises $3M To Let Startup Workers Cash In Without Selling
沒有中心審核員，數據要怎麼驗證？
驗證其實是整個設計中最難的問題。集中式平台可以直接請專職人員審稿。
但智能合約無法「看」圖片，或判斷一段文字標註是不是正確；它只能執行邏輯。去中心化市集通常用三種方法（而且常常是混搭）來解這題。
密碼學證明 適用於有明確結構、可以用數學方式檢查正確性的數據。假設貢獻的是 GPS 軌跡、感測器讀數或金融紀錄，零知識證明就能在不洩漏原始數值的前提下，證明這些數據「確實在某時間被記錄」、「落在合理區間」、「來自特定裝置」等條件。
群眾驗證 則用在帶主觀判斷的標註任務。市集會安排多位獨立貢獻者針對同一筆資料給出標註，合約再比對這些答案，讓與多數結果一致的人拿到報酬，系統性偏離的人則會被扣分或處罰。這有點像集中式平台常見的多重標註機制，但驗證流程本身去中心化。
抵押與懲罰（staking / slashing） 則在經濟層面綁住行為。貢獻者要先鎖住一筆平台原生代幣，才能開始提交數據。如果他的資料一再被驗證層判定為錯誤或疑似造假，就會被「slashing」，也就是部分甚至全部沒收抵押金。這讓隨便亂丟垃圾數據變得昂貴，迫使貢獻者和買方的品質要求站在同一陣線。
延伸閱讀： XRP Tests $1 Support As $0.60 Crash Risk Deepens
隱私如何被保護？兩大關鍵技術
這個模式最顯而易見的張力就是隱私：如果用戶把自己的瀏覽紀錄、健康數據賣給 AI 開發者，價值的確存在，但暴露風險也很真實。去中心化數據市集目前主要靠兩個已逐漸成熟的技術來處理。
聯邦學習（Federated Learning） 讓原始資料完全留在貢獻者裝置上。不是把數據送到中央伺服器，而是把 AI 模型送到用戶那端，在本地資料上進行訓練；訓練完成後，只把更新後的「模型權重」——一堆無法直接還原原始資料的數學參數——傳回開發者。眾多用戶的權重更新會被聚合，形成更強的模型，整個過程中訓練數據從未離開用戶環境。
差分隱私（Differential Privacy） 則是在資料分享前，刻意加入經過計算的「統計噪音」，讓任何人幾乎不可能從整體資料集中，反推出某個人的具體紀錄，同時又保留訓練模型需要的重要統計結構。噪音可以調整：噪音越大，隱私越強，但資料的精準度也會略為下降。
這些技術在監管上也很關鍵。歐盟 GDPR、美國加州消費者隱私法等法規，對個資跨境傳輸與用途有嚴格規範。一個能可信主張「系統流程從不傳輸原始個人資料」的數據市集，在合規路徑上會比單純販售原始資料的模式乾淨得多。
延伸閱讀： HIVE Just Borrowed $115M At Zero Percent To Bet Against Bitcoin Mining
代幣經濟、抵押機制，以及貢獻者實際怎麼拿錢？
各平台的付費設計不同，但多數會使用自家原生功能型代幣，而不是直接用 Bitcoin (BTC) 這類主流資產結算。這枚代幣通常同時扮演數個角色：
第一，它是市集裡發佈數據需求的「計價單位」。買方會以平台代幣標價，這讓代幣能吸收需求面價值——需求單越多，願意鎖進系統的代幣量就越大。
第二，抵押機制會在供給端形成鎖倉。貢獻者必須持有並抵押代幣才能參與，既減少流通供給，也把他們的利益和整個網路健康程度綁在一起。
第三，聲譽往往跟代幣歷史綁定。一位長期抵押、不斷有資料被接受、從未被 slashing 的貢獻者，會在鏈上累積起可驗證紀錄。這樣的聲譽分數，讓他的數據有機會賣出溢價，因為買方會比起「沒有歷史的新人」更信任他。
實務上，資金流大致長這樣：假設一位買方發布需求時，先往合約裡存入 500 枚代幣。某個貢獻者提交了 50 筆已標註資料，經驗證層審核通過後，合約自動撥出 50 枚代幣給這位貢獻者、2 枚分給協助驗證的節點，剩下 448 枚繼續保留給後續貢獻者。買方在付款確認後，取得對這批已驗證資料的存取權。
前提仍然是：代幣經濟只在「真的有數據需求」時才成立。只靠發幣炒作、卻沒有實際 AI 開發方進場的專案，很快就會被市場淘汰。 在這類模式下，只有對貢獻者發放獎勵，卻缺乏真正願意付費採購資料的 AI 開發者作為「另一端買方」，等於不斷釋出代幣、卻沒有實質需求回收，最終只會形成難以為繼的通膨賣壓。
延伸閱讀：OpenAI 推遲兆元美元 IPO，市場震盪考驗 Altman 雄心
Kled AI 等專案如何在 Solana 上實作這套模式
在 Solana 上，Kled AI 被視為當前代表性案例之一。這套協議將自己定位為一個去中心化資料市集，讓個人可以針對 AI 訓練需求，把自身資料貨幣化。由於 Solana 手續費極低、吞吐量高，非常適合高頻、小額的微支付場景——例如為單張已標註圖片支付極小數量代幣，這在 Solana 上是可行的經濟模式，但在以太坊主網上則幾乎不具成本效益。
Solana 的架構在「速度」上同樣關鍵。只要資料驗證完成就要觸發付款，結算必須快速。若貢獻者每次都得等上幾小時才能看到款項入帳，多數人不會願意使用這種市集。Solana 具備亞秒級最終確認時間（sub‑second finality），整體支付體驗更接近傳統網路平台，同時又保留智慧合約的信任最小化特性。
近期與 Kled AI 一同受到關注的 Velvet 則採取另一種切入角度——它是基於鏈上的 AI 投資組合終端，整合現貨交易、永續合約與收益策略。它之所以與這個題材相關，在於同樣展現出共同主軸：AI 系統直接讀取鏈上資料運作，並透過加密貨幣結算。Kled AI 著重於打造「原始訓練資料」的市場，Velvet 則可視為消化這些經過處理之市場數據的 AI 應用，兩者分別位於同一條資料經濟供應鏈的兩端。
其他相關專案還包括率先在以太坊提出「資料代幣化資產」概念的 Ocean Protocol，以及透過獎勵機制，引導使用者貢獻閒置頻寬與瀏覽行為給 AI 訓練管線的 Grass。儘管各自的技術架構不盡相同，它們都圍繞同一核心模式：透過密碼學與智慧合約，對「經驗證的資料貢獻」進行自動化付款。
延伸閱讀：Anthropic「Mythos 凍結」為亞洲挑戰者 Sakana AI、360 打開缺口
誰真正受惠？風險又在哪裡？
對個別資料貢獻者而言，吸引力相當直觀：過去被科技平台「免費拿走」的價值，如今有機會直接變現。若某人擁有龐大社群影響力、特定領域專業知識，或可提供稀缺數據型別——例如醫療紀錄、專業法律文件、各種非英語內容——在一個具備真實 AI 開發需求的市場中，這類資料都能拿到相對可觀的溢價。
對 AI 開發者來說，去中心化市集則打開了傳統爬蟲與授權模式難以觸及的資料池。像是人工偏好回饋（preference data）、利基領域的標註內容，以及來自長期被忽視地區的多語系資料，都是相對稀缺的資產。能在規模上蒐集並驗證這些資料的協議，具備實質經濟價值。
但風險同樣明確，而且雙方都得面對。代幣價格波動意味著：今天拿到原生代幣的貢獻者，在真正打算花用時，可能發現其折算成法幣後的價值已大幅縮水；反過來，買方也可能遇到在預算規劃完成、正式執行資料採購前，代幣價格突然飆漲，導致實際取得資料的成本遠高於原先預期。
「資料品質」則是更棘手、且尚未被完全解決的課題。群眾驗證、質押機制等設計確實能抑制部分詐騙行為，但無法完全杜絕。熟練的惡意參與者可以花時間經營假聲譽，慢慢滲透系統；而 AI 開發者一旦從尚未建立口碑的新市集採購資料，相較於向擁有多年紀錄的既有標註服務商合作，必然得承擔更高的品質風險。
最大的未知數在於監理。個人資料貨幣化橫跨多重管制領域：資料隱私法、用於結算的代幣是否涉及證券監理，以及仍在成形中的 AI 治理架構。一個在某司法轄區「完全合規」運作的市場，到了另一個國家，可能瞬間落入法律灰色地帶。
延伸閱讀：以太幣失守關鍵支撐後，價格是否恐跌向 1,000 美元？
結語
去中心化 AI 資料市集，實際上是對一個真實且明確的經濟問題，提出具技術含量的具體解法：過去替 AI 模型產生訓練資料的人，幾乎拿不到任何回報。
透過智慧合約、內容位址儲存（content‑addressed storage）、聯邦式學習（federated learning）以及代幣質押等工具，有可能打造一套讓價值直接流向資料貢獻者的制度，而非再由中心化平台「吃掉中間利潤」。
這套模式仍處在早期階段。
代幣經濟設計還在摸索成熟路徑；驗證系統必須證明自己能在不被惡意遊戲的前提下，撐得住數百萬名貢獻者；圍繞個人資料貨幣化的監管框架也遠未定案。
但「需求端」並不會消失。
AI 開發者需要的，是更多、而且更多樣化的資料，這已非傳統集中式來源所能穩定供應的量級。
這樣的結構性缺口，正是去中心化資料市集長期投資敘事的底層支撐。
