AI-laboratorier behöver fräschare och renare data än vad offentliga dataset erbjuder, och ett växande antal decentraliserade nätverk hävdar att de kan leverera det – billigare och med verifierbart ursprung. Frågan är om denna nya DePIN-vertikal kan omvandla sin tokendrivna hype till återkommande fakturor från betalande kunder.
Så fungerar modellen
GRASS, ett framträdande projekt inom data-för-AI-nischen, crowdsourcar offentlig webbdata genom att hyra distribuerade slutpunkter. Individer kör lätta klienter som fungerar som bandbreddsdelningsproxies och tjänar poäng eller tokens kopplade till drifttid, bandbredd, geografisk sällsynthet och kvalitetsfilter. På efterfrågesidan betalar AI-laboratorier och dataleverantörer för färsk, kompatibel, domänspecifik data med revisionsspår. Prissättning kan vara per sida, per token, per gigabyte eller per uppgift som inkluderar crawlning, rengöring, märkning och toxicitetsfiltrering.
Argumentet är att centraliserade Web2-leverantörer inte kan matcha färskheten eller kostnaden för ett decentraliserat nätverk som använder tusentals slutpunkter världen över. Köpare värdesätter också täckning, efterlevnad av robots.txt och opt-out-regler samt tillförlitlighetsgarantier som SLA och omkörningsalternativ.
Utbud vs. efterfrågan – ett levande experiment
GRASS är en del av en bredare DePIN-rörelse som redan har slagit igenom inom trådlöst (Helium), kartläggning (Hivemapper), lagring (Filecoin, Arweave) och beräkning (Akash, Render). Varje vertikal säljer en annan resurs: Helium säljer anslutning, Hivemapper säljer kartplattor och uppdateringar, Filecoin säljer varaktig lagring och Akash säljer GPU- och CPU-tid.
Data-för-AI är den nyaste banan. Dess utbudssida är beroende av individer som bidrar med bandbredd och slutpunkter, motiverade av token-belöningar. Efterfrågan kommer från AI-laboratorier som behöver specialiserade dataset – inte bara mer data, utan data som är aktuell, ren och lagligt insamlad. Men den efterfrågan är fortfarande i sin linda jämfört med marknaderna för beräkning eller lagring.
Från buzz till balansräkningar
Tokenpriset för ett projekt som GRASS återspeglar spekulativt intresse, inte nödvändigtvis kommersiell dragkraft. Det viktigaste testet är om data-för-AI-DePIN kan generera återkommande fakturor från verkliga företag. AI-laboratorier har budgetar för datainsamling, men de har också etablerade relationer med centraliserade leverantörer som Scale AI, Appen och webbscraping-tjänster.
Decentraliserade nätverk erbjuder ursprungsloggar och efterlevnadsspår, vilket kan vara en differentieringsfaktor när tillsynsmyndigheter skärper reglerna kring träningsdata. Men köpare måste lita på att nätverket konsekvent kan leverera högkvalitativ, färsk data i skala – och att de tokens de betalar för tjänster inte bara är en volatilitetsrisk.
Den olösta frågan
GRASS och dess jämlikar är fortfarande tidiga. Data-för-AI-tesen är vettig på papperet: modeller tränade på föråldrad eller brusig data ger sämre resultat, och centraliserad scraping är dyr och juridiskt riskabel. Men huruvida decentraliserad sourcing faktiskt kan underprissätta befintliga leverantörer på pris och kvalitet – och göra det tillförlitligt – är obevisat.
De projekt som överlever kommer sannolikt att vara de som kan visa upp verkliga fakturor från AI-laboratorier, inte bara tokenhandelsvolym. För nu är buzzet verkligt, men intäkterna är det inte än.
