AI e a fusão com Web3 apresentam uma questão cada vez mais premente — com o que treinamos a IA? Dados sintéticos em excesso, informações falsas a proliferar, modelos construídos com base nessas coisas podem ser confiáveis? Claramente, não.

Por isso, projetos como o Walrus estão a começar a ganhar atenção. A sua abordagem é bastante direta: em vez de continuar a depender de fontes de dados centralizadas, é melhor envolver toda a rede para coletar e validar dados do mundo real.

Não pense que a participação tem uma barreira alta. A genialidade do Walrus está no seu design "leve" — não é preciso servidores de alta performance, pode-se usar um telemóvel, um roteador doméstico, ou até um Raspberry Pi para se juntar à rede. Os contributos, como largura de banda de upload, espaço de armazenamento ou dados de sensores, serão validados na blockchain e recompensados com tokens $WAL. Assim, os participantes podem passar de 0 a 100, e a resiliência da rede aumenta significativamente.

Mais importante ainda, a qualidade dos dados. Dados brutos recolhidos por câmaras de trânsito, sensores ambientais, dispositivos IoT, são encriptados pelos nós do Walrus e marcados com carimbos de tempo e espaço, garantindo que não possam ser alterados e que a origem seja rastreável. Isto é o "combustível de ouro" que realmente se precisa para treinar modelos de IA de alta qualidade.

Atualmente, a indústria de IA está a ser perturbada por dados sintéticos e ilusões de factos, tornando os dados reais uma mercadoria escassa. Se o Walrus conseguir fazer bem esse trabalho, o valor da camada de dados confiáveis pode superar as expectativas.