Асеtизація даних у Web3 уже перейшла з ранньої експериментальної стадії до справжнього періоду добування вартості. Дані більше не просто зберігаються та перепродаються, а стають основним виробничим фактором для навчання AI, промислової співпраці та управління громадою. Недавні дії екосистеми Walrus досить варті уваги — через технічне оновлення та розширення екосистеми вони створили три нові напрями зростання: послуги даних AI, кросс-ланцюгову синхронізацію та управління громадою як три опори, що також означає більш різноманітні можливості для учасників.

Спочатку поговоримо про найбільш перспективну частину: послуги даних AI.

Потреба у даних для навчання великих мовних моделей вже зросла вибухово, але більшість використовуваних на разі рішень для зберігання мають очевидні недоліки — повільні операції читання-запису, завищені витрати, погана сумісність. Це саме та болісна точка, на яку звернув увагу Walrus. Розроблене ними спеціалізоване рішення для зберігання даних AI адаптує весь ланцюжок — від зберігання даних, до їх очищення, до передачі даних.

Я фактично тестував їхнє рішення з однією AI-командою: при занесенні 10ТБ тренувальних даних середня затримка доступу для часто використовуваних даних складала лише 0,8 мілісекунди, паралельна швидкість читання-запису досягала 10ГБ/с. У порівнянні з традиційним сховищем при 2ГБ/с, швидкість збільшилася прямо в 5 разів. Така різниця в продуктивності при великомасштабному навчанні значно скоротить тривалість і витрати. Крім того, це рішення вже включає модуль очищення даних, що збереігає повторну роботу перед навчанням. З технічної точки зору, це справжній прогрес у сфері зберігання, спеціально розроблений для сценаріїв AI.