في ظل تداخل الذكاء الاصطناعي وWeb3، يبرز سؤال يزداد إلحاحًا — بماذا ندرب الذكاء الاصطناعي؟ تنتشر البيانات الاصطناعية والمعلومات الزائفة بشكل واسع، فهل يمكن الاعتماد على النماذج المبنية على هذه الأشياء؟ من الواضح أن الإجابة لا.

وهذا هو السبب في أن مشاريع مثل Walrus بدأت تحظى بالاهتمام. فكرتها بسيطة جدًا: بدلاً من الاعتماد المستمر على مصادر البيانات المركزية، من الأفضل أن يشارك جميع مستخدمي الشبكة في جمع والتحقق من البيانات الحقيقية من العالم الحقيقي.

لا تظن أن المشاركة صعبة. الميزة الذكية في Walrus تكمن في تصميمه "الخفيف" — أنت لست بحاجة إلى خوادم عالية الأداء، يمكنك الانضمام باستخدام هاتفك، أو جهاز التوجيه المنزلي، أو حتى Raspberry Pi. كل من رفع البيانات، أو مساحة التخزين، أو بيانات المستشعرات، سيتم التحقق منها على السلسلة، ثم يتم مكافأتك برمز $WAL. بهذه الطريقة، يزداد عدد المشاركين من 0 إلى 100، وتزداد مقاومة الشبكة للضعف بشكل كبير.

الأهم من ذلك هو جودة البيانات. البيانات الأولية التي تجمعها كاميرات المرور، وأجهزة الاستشعار البيئية، وأجهزة إنترنت الأشياء، يتم تشفيرها بواسطة عقد Walrus وتوثيقها بواسطة طابع زمني مكاني وزماني، لضمان عدم التلاعب بها وأن مصدرها يمكن تتبعه. هذا هو "الوقود الذهبي" الحقيقي لتدريب نماذج الذكاء الاصطناعي عالية الجودة.

حاليًا، يواجه قطاع الذكاء الاصطناعي مشكلة البيانات الاصطناعية والأوهام الواقعية، وأصبحت البيانات الحقيقية نادرة. إذا استطاع Walrus أن ينجح في تحسين هذا الأمر، فإن قيمة طبقة البيانات الموثوقة قد تتجاوز التوقعات.