מעבדות AI זקוקות לנתונים רעננים ונקיים יותר מאלה שמציעים מאגרי נתונים ציבוריים, ומספר הולך וגדל של רשתות מבוזרות טוענות שהן יכולות לספק אותם – בזול יותר ועם מקור מאומת. השאלה היא האם הנישה החדשה הזו של DePIN יכולה להפוך את ההתלהבות המונעת על ידי אסימונים להכנסות חוזרות מלקוחות משלמים.
כיצד המודל עובד
GRASS, פרויקט בולט בנישה של נתונים עבור AI, מגייס נתוני אינטרנט ציבוריים על ידי השכרת נקודות קצה מבוזרות. אנשים מריצים לקוחות קלים המשמשים כפרוקסי לשיתוף רוחב פס, וצוברים נקודות או אסימונים בהתאם לזמן פעילות, רוחב פס, נדירות גיאוגרפית ומסנני איכות. בצד הביקוש, מעבדות AI וספקי נתונים משלמים עבור נתונים רעננים, תואמי רגולציה, ספציפיים לתחום, עם נתיבי ביקורת. התמחור יכול להיות לפי עמוד, לפי אסימון, לפי ג'יגה-בייט, או לפי משימה הכוללת זחילה, ניקוי, תיוג וסינון רעילות.
הטענה היא שספקי Web2 ריכוזיים לא יכולים להתאים לרעננות או לעלות של רשת מבוזרת המתבססת על אלפי נקודות קצה ברחבי העולם. קונים גם מעריכים כיסוי, עמידה בכללי robots.txt וחוקי אופט-אאוט, והבטחות אמינות כמו SLAs ואפשרויות הרצה חוזרת.
היצע מול ביקוש – ניסוי חי
GRASS הוא חלק מתנועת DePIN רחבה יותר שכבר פרצה באלחוט (Helium), מיפוי (Hivemapper), אחסון (Filecoin, Arweave) ומחשוב (Akash, Render). כל נישה מוכרת משאב אחר: Helium מוכרת קישוריות, Hivemapper מוכרת אריחי מפה ועדכונים, Filecoin מוכרת אחסון עמיד, ו-Akash מוכרת זמן GPU ו-CPU.
נתונים עבור AI היא הנישה החדשה ביותר. צד ההיצע שלה תלוי באנשים התורמים רוחב פס ונקודות קצה, המונעים על ידי תגמולי אסימונים. הביקוש מגיע ממעבדות AI הזקוקות למערכי נתונים מיוחדים – לא רק יותר נתונים, אלא נתונים עדכניים, נקיים ונאספים כחוק. אבל הביקוש הזה עדיין בתחילת דרכו בהשוואה לשווקי המחשוב או האחסון.
מהתרגשות למאזנים
מחיר האסימון של פרויקט כמו GRASS משקף עניין ספקולטיבי, לא בהכרח משיכה מסחרית. המבחן המרכזי הוא האם רשתות DePIN לנתונים עבור AI יכולות לייצר חשבוניות חוזרות מעסקים אמיתיים. למעבדות AI יש תקציבים לרכישת נתונים, אבל יש להן גם קשרים מבוססים עם ספקים ריכוזיים כמו Scale AI, Appen ושירותי גריפת אינטרנט.
רשתות מבוזרות מציעות יומני מקור ומסלולי תאימות, שיכולים להיות יתרון מבדל ככל שרגולטורים מחמירים את הכללים סביב נתוני אימון. אבל קונים צריכים לסמוך על כך שהרשת יכולה לספק באופן עקבי נתונים איכותיים ורעננים בקנה מידה – ושהאסימונים שהם משלמים עבור שירותים אינם רק סיכון תנודתיות.
השאלה הבלתי פתורה
GRASS ועמיתיו עדיין בשלב מוקדם. התזה של נתונים עבור AI הגיונית על הנייר: מודלים שאומנו על נתונים מיושנים או רועשים מייצרים תוצאות גרועות יותר, וגריפה ריכוזית היא יקרה ומסוכנת מבחינה משפטית. אבל האם מקורות מבוזרים יכולים בפועל להוזיל את המחיר והאיכות מול ספקים קיימים – ולעשות זאת באופן אמין – עדיין לא הוכח.
הפרויקטים שישרדו יהיו כנראה אלה שיכולים להראות חשבוניות בפועל ממעבדות AI, לא רק נפח מסחר באסימונים. לעת עתה, ההתרגשות אמיתית, אבל ההכנסות עדיין לא.
