ดาต้าเลเยอร์ที่แยกกัน: โครงสร้างใหม่สำหรับยุค AI #247

กลาง11/26/2024, 4:28:16 AM
เราได้พูดถึงว่า AI และ Web3 สามารถเสริมกันได้ในแนวราบต่าง ๆ เช่น เครือข่ายการคำนวณ แพลตฟอร์มกลาง และแอปพลิเคชันผู้บริโภค เมื่อมุ่งเน้นที่ทรัพยากรข้อมูลเป็นฟิลด์แนวตั้ง โครงการ Web ที่กำลังเกิดขึ้นเสนอโอกาสใหม่สำหรับการได้มา การแบ่งปัน และการใช้ข้อมูล

TL/DR

ก่อนหน้านี้เราได้พูดคุยกันว่า AI และ Web3 สามารถเสริมซึ่งกันและกันในอุตสาหกรรมแนวตั้งเช่นเครือข่ายการคํานวณแพลตฟอร์มตัวกลางและแอปพลิเคชันสําหรับผู้บริโภคได้อย่างไร เมื่อมุ่งเน้นไปที่ทรัพยากรข้อมูลเป็นเขตข้อมูลแนวตั้งโครงการเว็บที่เกิดขึ้นใหม่มีความเป็นไปได้ใหม่สําหรับการซื้อการแบ่งปันและการใช้ข้อมูล

  • ผู้ให้บริการข้อมูลแบบดั้งเดิมต้องพยายามตอบสนองความต้องการที่สูงของข้อมูลที่มีคุณภาพสูง และสามารถตรวจสอบได้เรียลไทม์ในอุตสาหกรรม AI และอุตสาหกรรมที่ใช้ข้อมูลเป็นหลัก โดยเฉพาะอย่างยิ่งเรื่องความโปร่งใส การควบคุมของผู้ใช้ และการป้องกันสิทธิส่วนบุคคล
  • โซลูชัน Web3 กําลังปรับโฉมระบบนิเวศข้อมูล เทคโนโลยีเช่น MPC (Multi-Party Computation) การพิสูจน์ความรู้เป็นศูนย์และ TLS Notary รับประกันความถูกต้องของข้อมูลและความเป็นส่วนตัวระหว่างการไหลของหลายแหล่งในขณะที่การจัดเก็บแบบกระจายและการประมวลผลแบบขอบให้ความยืดหยุ่นและประสิทธิภาพที่สูงขึ้นในการประมวลผลข้อมูลแบบเรียลไทม์
  • เครือข่ายข้อมูลแบบกระจายอํานาจเป็นโครงสร้างพื้นฐานที่เกิดขึ้นใหม่ได้ก่อให้เกิดโครงการตัวแทนหลายโครงการเช่น OpenLayer (เลเยอร์ข้อมูลจริงแบบแยกส่วน), Grass (ใช้ประโยชน์จากแบนด์วิดท์ที่ไม่ได้ใช้งานของผู้ใช้และเครือข่ายโหนดรวบรวมข้อมูลแบบกระจายอํานาจ) และ Vana (เครือข่ายอธิปไตยของข้อมูลผู้ใช้เลเยอร์ 1) ซึ่งเปิดโอกาสใหม่สําหรับสาขาต่างๆเช่นการฝึกอบรม AI และแอปพลิเคชันผ่านเส้นทางเทคโนโลยีที่แตกต่างกัน
  • โดยใช้อินเฟอร์เน็ตที่มีผู้ร่วมกัน ชั้นเชิงนิติวิทยาที่ไม่มีความไว้วางใจ และกลไกสิ่งของที่ใช้เป็นเหตุผลบนโทเค็น โครงสร้างพื้นฐานข้อมูลแบบกระจาย เพื่อให้ได้รับการให้บริการที่มีความเป็นส่วนตัว ปลอดภัย มีประสิทธิภาพ และมีความคุ้มค่ามากกว่าต่อ Web2 giants นอกจากนี้ยังมีการให้ผู้ใช้ควบคุมข้อมูลและทรัพยากรที่เกี่ยวข้อง สร้างระบบนิเวศดิจิทัลที่เปิดเผย ปลอดภัย และเชื่อมต่อกันได้มากขึ้น

1. การเพิ่มขึ้นของความต้องการข้อมูล

ข้อมูลได้กลายเป็นตัวขับเคลื่อนหลักของนวัตกรรมและการตัดสินใจในอุตสาหกรรมต่างๆ UBS คาดการณ์ว่าปริมาณข้อมูลทั่วโลกจะเพิ่มขึ้นสิบเท่าจากปี 2020 ถึง 2030 ถึง 660 ZB ภายในปี 2025 แต่ละคนทั่วโลกคาดว่าจะสร้างข้อมูล 463 EB (Exabytes, 1 EB = 1 พันล้าน GB) ต่อวัน ตลาด Data-as-a-Service (DaaS) กําลังขยายตัวอย่างรวดเร็ว จากข้อมูลของ Grand View Research ตลาด DaaS ทั่วโลกมีมูลค่า 14.36 พันล้านดอลลาร์ในปี 2023 และคาดว่าจะเติบโตในอัตราการเติบโตต่อปีแบบทบต้น (CAGR) ที่ 28.1% ถึง 76.8 พันล้านดอลลาร์ภายในปี 2030

การฝึกอบรมโมเดล AI ขึ้นอยู่กับชุดข้อมูลขนาดใหญ่เพื่อระบุรูปแบบและปรับพารามิเตอร์ หลังจากการฝึกอบรม ยังต้องใช้ชุดข้อมูลเพื่อทดสอบประสิทธิภาพและความสามารถในการทั่วไปของโมเดล นอกจากนี้ เอเจนต์ AI ซึ่งเป็นรูปแบบของแอปพลิเคชันที่มีความสามารถทางอารมณ์กำลังเกิดขึ้น ต้องใช้แหล่งข้อมูลแบบเรียลไทม์และน่าเชื่อถือเพื่อให้มั่นใจในการตัดสินใจและปฏิบัติงานอย่างแม่นยำ

(แหล่งที่มา: Leewayhertz)

ความต้องการการวิเคราะห์ธุรกิจก็มีความหลากหลายและแพร่หลายมากขึ้นซึ่งทําหน้าที่เป็นเครื่องมือหลักที่ขับเคลื่อนนวัตกรรมขององค์กร ตัวอย่างเช่นแพลตฟอร์มโซเชียลมีเดียและ บริษัท วิจัยตลาดต้องการข้อมูลพฤติกรรมผู้ใช้ที่เชื่อถือได้เพื่อกําหนดกลยุทธ์และวิเคราะห์แนวโน้มรวมข้อมูลที่หลากหลายจากแพลตฟอร์มโซเชียลหลายแห่งเพื่อสร้างภาพที่ครอบคลุมมากขึ้น

สำหรับนิเวศ Web3 จำเป็นต้องมีข้อมูลที่น่าเชื่อถือและแท้จริงบนเชื่อมโยงในการสนับสนุนผลิตภัณฑ์ทางการเงินใหม่ ๆ ข้อมูลที่มีความยืดหยุ่นและเชื่อถือได้จำเป็นต้องมีอินเทอร์เฟซที่สามารถสนับสนุนการพัฒนาผลิตภัณฑ์และการจัดการความเสี่ยงได้อย่างยืดหยุ่น อนุญาตให้สัญญาอัจฉริยะดำเนินการโดยพฤติกรรมข้อมูลเรียลไทม์ที่สามารถยืนยันได้

นอกจากนี้, กรณีการใช้งานในการวิจัยทางวิทยาศาสตร์, IoT, และสาขาอื่น ๆ เน้นความต้องการที่พุ่งสูงขึ้นสําหรับข้อมูลที่หลากหลาย, ของแท้, และเรียลไทม์. ระบบดั้งเดิมอาจประสบปัญหาในการรับมือกับปริมาณข้อมูลที่เติบโตอย่างรวดเร็วและความต้องการที่เปลี่ยนแปลงตลอดเวลา

2. ข้อ จำกัด และ ความท้าทาย ของ ระบบ ข้อมูล แบบ ดั้งเดิม

ระบบนิเวศข้อมูลทั่วไปรวมถึงการรวบรวมข้อมูลการจัดเก็บการประมวลผลการวิเคราะห์และแอปพลิเคชัน โมเดลแบบรวมศูนย์โดดเด่นด้วยการรวบรวมและจัดเก็บข้อมูลแบบรวมศูนย์ซึ่งจัดการโดยทีมไอทีหลักที่มีการควบคุมการเข้าถึงอย่างเข้มงวด ตัวอย่างเช่นระบบนิเวศข้อมูลของ Google ครอบคลุมแหล่งข้อมูลต่างๆเช่นเครื่องมือค้นหา Gmail และระบบปฏิบัติการ Android แพลตฟอร์มเหล่านี้รวบรวมข้อมูลผู้ใช้เก็บไว้ในศูนย์ข้อมูลที่กระจายอยู่ทั่วโลกและประมวลผลโดยใช้อัลกอริทึมเพื่อสนับสนุนการพัฒนาและการเพิ่มประสิทธิภาพของผลิตภัณฑ์และบริการต่างๆ

ในตลาดการเงิน LSEG (ก่อนหน้าเป็น Refinitiv) รวบรวมข้อมูลแบบเรียลไทม์และข้อมูลทางประวัติจากตลาดหลัก ธนาคาร และสถาบันการเงินชั้นนำทั่วโลก ในขณะเดียวกันใช้ Reuters News network ของตนเองเพื่อรวบรวมข่าวที่เกี่ยวข้องกับตลาด พวกเขาประมวลผลข้อมูลเหล่านี้โดยใช้อัลกอริทึมและแบบจำลองของตนเองเพื่อสร้างผลวิเคราะห์และผลการประเมินความเสี่ยงเป็นผลิตภัณฑ์เพิ่มมูลค่า

(ที่มา: kdnuggets.com)

ในขณะที่สถาปัตยกรรมข้อมูลแบบดั้งเดิมเป็นอย่างมากในบริการอาชีพ เจาะจงได้ถึงข้อจำกัดของแบบจำกัดการให้บริการที่ถูกกำหนดไว้เพิ่มขึ้นอย่างเห็นได้ชัด โดยเฉพาะเรื่องของแหล่งข้อมูลที่เกิดขึ้นใหม่ ความโปร่งใส และการปกป้องความเป็นส่วนตัวของผู้ใช้ ด้านล่างคือปัญหาที่สำคัญบางอย่าง:

  • ความครอบคลุมของข้อมูลไม่เพียงพอ: ผู้ให้บริการข้อมูลแบบดั้งเดิมพยายามรวบรวมและวิเคราะห์แหล่งข้อมูลที่เกิดขึ้นใหม่ เช่น ความเชื่อมั่นของโซเชียลมีเดียและข้อมูลอุปกรณ์ IoT อย่างรวดเร็ว ระบบแบบรวมศูนย์พบว่าเป็นเรื่องยากที่จะรับและรวมข้อมูล "หางยาว" อย่างมีประสิทธิภาพจากแหล่งข้อมูลขนาดเล็กหรือไม่ใช่กระแสหลักจํานวนมาก

เช่นเคย การเกิดเหตุการณ์ GameStop ปี 2021 เปิดเผยถึงความจำกัดของผู้ให้บริการข้อมูลทางการเงิน传统ในการวิเคราะห์อารมณ์ของสื่อสังคมในการเงิน อารมณ์ของนักลงทุนบนแพลตฟอร์มเช่น Reddit มีผลต่อแนวโน้มของตลาดอย่างรวดเร็ว แต่เทอมินัลข้อมูลเช่น Bloomberg และ Reuters ล้มเหลวในการจับไดนามิกส์เหล่านี้ทันท่วงที ทำให้ทำนายตลาดล่าช้า

  • การเข้าถึงข้อมูลที่ถูกจำกัด: การ Monopoly จำกัดการเข้าถึง ผู้ให้บริการแบบดั้งเดิมหลายรายเปิดบางส่วนของข้อมูลผ่าน API/บริการคลาวด์ แต่ค่าบริการการเข้าถึงสูงและกระบวนการอนุญาตที่ซับซ้อนเพิ่มความยากลำบากในการผสานข้อมูล นักพัฒนา On-chain ต้องเจอปัญหาในการเข้าถึงข้อมูล Off-chain ที่เชื่อถือได้อย่างรวดเร็ว โดยข้อมูลคุณภาพสูงถูกจำกัดโดยผู้ใหญ่โดยไม่มีการค้าใดๆ
  • ปัญหาเรื่องความโปร่งใสและความน่าเชื่อถือของข้อมูล: ผู้ให้ข้อมูลที่มีการจัดเก็บข้อมูลและประมวลผลข้อมูลในลักษณะที่ไม่โปร่งใส มีขั้นตอนการตรวจสอบความถูกต้องและความสมบูรณ์ของข้อมูลขนาดใหญ่ที่ไม่เพียงพอ การตรวจสอบข้อมูลแบบเรียลไทม์ในขอบเขตใหญ่ยังคงซับซ้อน และลักษณะที่มีการจัดเก็บข้อมูลแบบกระจายเพิ่มความเสี่ยงในการปรับแก้ข้อมูลหรือการปรับเปลี่ยนข้อมูล
  • การปกป้องความเป็นส่วนตัวและการครอบครองข้อมูล: บริษัทเทคโนโลยีขนาดใหญ่มีการเพิ่มมูลค่าข้อมูลของผู้ใช้อย่างกว้างขวาง ผู้ใช้เป็นผู้สร้างข้อมูลส่วนบุคคลแต่พวกเขานานาสัมพันธ์ไม่ได้รับค่าตอบแทนที่เหมาะสมจากข้อมูลดังกล่าว พวกเขาบ่อยครั้งไม่สามารถเข้าใจวิธีการรวบรวม ประมวลผล หรือใช้ข้อมูลของตนได้อย่างไร และไม่สามารถตัดสินใจเกี่ยวกับขอบเขตและวิธีการใช้งานข้อมูลได้ การเก็บข้อมูลเกินกว่าที่จำเป็นและการใช้ผิดใช้ก็ส่งผลให้เกิดความเสี่ยงที่สูงต่อความเป็นส่วนตัว ตัวอย่างเช่น การเกิดอุบัติการณ์ Cambridge Analytica ของ Facebook เปิดเผยข้อบกพร่องที่สำคัญในการเปิดเผยข้อมูลและการปกป้องความเป็นส่วนตัวในระบบนิเวศข้อมูลทั่วไป
  • ไซโลข้อมูล: ข้อมูลแบบเรียลไทม์จากแหล่งและรูปแบบต่างๆ เป็นเรื่องยากที่จะรวมเข้าด้วยกันอย่างรวดเร็ว และเป็นอุปสรรคต่อการวิเคราะห์ที่ครอบคลุม ข้อมูลนี้ส่วนใหญ่ยังคงถูกล็อคอยู่ภายในองค์กร จํากัด การแบ่งปันและนวัตกรรมข้ามอุตสาหกรรมและข้ามองค์กร เอฟเฟกต์ "ไซโลข้อมูล" นี้ขัดขวางการรวมและวิเคราะห์ข้อมูลข้ามโดเมน ตัวอย่างเช่นในอุตสาหกรรมผู้บริโภคแบรนด์จําเป็นต้องรวมข้อมูลจากแพลตฟอร์มอีคอมเมิร์ซร้านค้าทางกายภาพโซเชียลมีเดียและการวิจัยตลาด แต่ชุดข้อมูลเหล่านี้อาจถูกแยกออกเนื่องจากความไม่สอดคล้องกันของแพลตฟอร์มหรือการแบ่งแยก ในทํานองเดียวกัน บริษัท แชร์รถเช่น Uber และ Lyft รวบรวมข้อมูลแบบเรียลไทม์จํานวนมากเกี่ยวกับการจราจรความต้องการของผู้โดยสารและที่ตั้งทางภูมิศาสตร์ แต่พลวัตการแข่งขันทําให้ไม่สามารถแชร์หรือรวมชุดข้อมูลเหล่านี้ได้

นอกจากปัญหาเหล่านี้แล้ว ผู้ให้บริการข้อมูลแบบดั้งเดิมยังเผชิญกับความท้าทายที่เกี่ยวข้องกับประสิทธิภาพทางต้นทุนและความยืดหยุ่น แม้ว่าพวกเขาจะกำลังแก้ไขปัญหาเหล่านี้อย่างตั้งใจ แต่เทคโนโลยี Web3 ที่เกิดขึ้นใหม่นี้มอบมุมมองและโอกาสใหม่ในการจัดการกับปัญหาเหล่านี้

3. ระบบนิเวศข้อมูล Web3

นับตั้งแต่เปิดตัวโซลูชันการจัดเก็บข้อมูลแบบกระจายอํานาจเช่น IPFS (InterPlanetary File System) ในปี 2014 โครงการที่เกิดขึ้นใหม่หลายโครงการมีจุดมุ่งหมายเพื่อแก้ไขข้อ จํากัด ของระบบนิเวศข้อมูลแบบดั้งเดิม โซลูชันข้อมูลแบบกระจายอํานาจได้พัฒนาเป็นระบบนิเวศที่เชื่อมต่อกันหลายชั้นซึ่งครอบคลุมทุกขั้นตอนของวงจรชีวิตของข้อมูลรวมถึงการสร้างข้อมูลการจัดเก็บการแลกเปลี่ยนการประมวลผลและการวิเคราะห์การตรวจสอบและความปลอดภัยตลอดจนความเป็นส่วนตัวและความเป็นเจ้าของ

  • การจัดเก็บข้อมูล: การพัฒนาอย่างรวดเร็วของ Filecoin และ Arweave แสดงให้เห็นว่าการจัดเก็บแบบกระจาย (DCS) เป็นการเปลี่ยนแปลงแนวคิดในฟิลด์การจัดเก็บข้อมูล DCS ลดจุดพลาดที่เป็นจุดเดียวผ่านการสร้างสถาปัตยกรรมแบบกระจายให้มีราคาแข่งขันสูง ด้วยการเกิดแอปพลิเคชันในมาตราฐานขนาดใหญ่ ปริมาณการจัดเก็บข้อมูล DCS ขยายเพิ่มอย่างเร็วกำลังเพิ่มขึ้น (เช่น ปริมาณการจัดเก็บข้อมูลของเครือข่าย Filecoin สะสมถึง 22 เอ็กซาไบต์ภายในปี 2024)
  • การประมวลผลและการวิเคราะห์: แพลตฟอร์มการคำนวณข้อมูลแบบกระจายเช่น Fluence มีประสิทธิภาพและประสิทธิภาพในการประมวลผลข้อมูลแบบเรียลไทม์ผ่านการคำนวณขอบโดยเฉพาะสำหรับสถานการณ์การประยุกต์ใช้เรียลไทม์เช่น IoT และการอินเฟอเรนซ์ AI โครงการ Web3 ใช้เทคโนโลยีเช่นการเรียนรู้แบบเปรียบเทียบ ความเป็นส่วนตัวแบบต่าง ๆ สิ่งแวดล้อมการดำเนินงานที่น่าเชื่อถือและการเข้ารหัสโฮโมอร์ฟิกเพื่อให้ความคุ้มครองความเป็นส่วนตัวที่ยืดหยุ่นที่ชั้นของการคำนวณ
  • ตลาดข้อมูล / แพลตฟอร์มการแลกเปลี่ยน: เพื่อส่งเสริมการประเมินค่าและการหมุนเวียนของข้อมูล Ocean Protocol ใช้การทำโทเค็นและกลไก DEX เพื่อสร้างช่องทางการแลกเปลี่ยนข้อมูลที่มีประสิทธิภาพและเปิดเผย ตัวอย่างเช่น ไดมเลอร์ (บริษัทแม่ของ Mercedes-Benz) ได้ร่วมมือกับ Ocean Protocol เพื่อพัฒนาตลาดการแลกเปลี่ยนข้อมูลสำหรับการจัดการโซ่อุปทาน ในทางกลับกัน Streamr ได้พัฒนาเครือข่ายการสตรีมข้อมูลที่ใช้สิทธิ์ด้วยการสมัครสมาชิกที่เปิดเผยเทเลกราฟีและรูปแบบการวิเคราะห์เรียลไทม์ที่เหมาะสมสำหรับกรณีการใช้งาน IoT และการวิเคราะห์ทันเวลา แสดงศักยภาพที่ยอดเยี่ยมในโครงการด้านการขนส่งและโลจิสติกส์ (เช่น ร่วมมือกับโครงการเมืองอัจฉริยะของฟินแลนด์)

เมื่อการแลกเปลี่ยนข้อมูลและการใช้ข้อมูลเพิ่มมากขึ้น การรักษาความถูกต้อง น่าเชื่อถือ และความเป็นส่วนตัวเป็นสิ่งสำคัญ นี่เป็นเหตุผลที่กระตุ้นระบบนิเวศ Web3 ให้นวัตกรรมในการยืนยันข้อมูลและการป้องกันความเป็นส่วนตัว ซึ่งนำไปสู่การพัฒนาโซลูชันที่เป็นนวัตกรรม

3.1 นวัตกรรมในการยืนยันข้อมูลและการปกป้องความเป็นส่วนตัว

หลายเทคโนโลยี Web3 และโครงการภายในมุ่งเน้นการแก้ไขปัญหาเรื่องความถูกต้องของข้อมูลและการป้องกันความเป็นส่วนตัว นอกเหนือจากการนำเทคโนโลยีอย่าง Zero-Knowledge Proofs (ZK) และ Multi-Party Computation (MPC) ไปใช้ทั่วไป มีการเกิดขึ้นใหม่ที่น่าสนใจเช่น TLS Notary เป็นวิธีการยืนยันที่สำคัญ

คำอธิบายเกี่ยวกับ TLS Notary

โปรโตคอล Transport Layer Security (TLS) เป็นโปรโตคอลการเข้ารหัสที่ใช้กันอย่างแพร่หลายสําหรับการสื่อสารเครือข่าย วัตถุประสงค์หลักคือเพื่อให้มั่นใจในความปลอดภัยความสมบูรณ์และการรักษาความลับของการส่งข้อมูลระหว่างไคลเอนต์และเซิร์ฟเวอร์ TLS เป็นมาตรฐานการเข้ารหัสทั่วไปในการสื่อสารเครือข่ายสมัยใหม่ ซึ่งใช้ในสถานการณ์ต่างๆ เช่น HTTPS อีเมล และการส่งข้อความโต้ตอบแบบทันที

(หลักการเข้ารหัส TLS, แหล่งที่มา: TechTarget)

เมื่อ TLS Notary เปิดตัวครั้งแรกเมื่อทศวรรษที่แล้วเป้าหมายคือการตรวจสอบความถูกต้องของเซสชัน TLS โดยการแนะนํา "ทนายความ" ของบุคคลที่สามนอกไคลเอนต์ (ผู้พิสูจน์) และเซิร์ฟเวอร์

โดยใช้เทคโนโลยีการแบ่งแยกคีย์ คีย์หลักของเซสชัน TLS ถูกแบ่งออกเป็นสองส่วน ถือโดยลูกค้าและเจ้าของบันทึก การออกแบบนี้ช่วยให้เจ้าของบันทึกได้ร่วมมือในการตรวจสอบเป็นบุคคลที่ไว้วางใจในกระบวนการตรวจสอบโดยไม่ต้องเข้าถึงเนื้อหาการสื่อสารจริง ๆ กลไกนี้มีวัตถุประสงค์เพื่อตรวจหาการโจมตีจากผู้กลางและป้องกันใบรับรองปลอม และให้มั่นใจว่าข้อมูลการสื่อสารไม่ถูกแก้ไขระหว่างการส่งต่อ นอกจากนี้ยังช่วยให้บุคคลที่ไว้วางใจได้ยืนยันความถูกต้องของการสื่อสารในขณะที่ปกป้องความเป็นส่วนตัว

ดังนั้น TLS Notary ให้บริการการยืนยันข้อมูลที่ปลอดภัยและสมดุลการยืนยันความต้องการกับการปกป้องความเป็นส่วนตัว

ในปี 2022 โครงการ TLS Notary ได้รับการปรับโครงสร้างโดยห้องปฏิบัติการวิจัย Privacy and Scaling Exploration (PSE) ของมูลนิธิ Ethereum โปรโตคอล TLS Notary เวอร์ชันใหม่ถูกเขียนใหม่ตั้งแต่เริ่มต้นในภาษาการเขียนโปรแกรม Rust และรวมเข้ากับโปรโตคอลการเข้ารหัสขั้นสูงเช่น MPC การอัปเดตเหล่านี้ช่วยให้ผู้ใช้สามารถพิสูจน์ความถูกต้องของข้อมูลที่ได้รับจากเซิร์ฟเวอร์ไปยังบุคคลที่สามโดยไม่เปิดเผยเนื้อหาของข้อมูล ในขณะที่ยังคงรักษาความสามารถในการตรวจสอบหลัก TLS Notary ใหม่ช่วยเพิ่มการปกป้องความเป็นส่วนตัวอย่างมีนัยสําคัญทําให้เหมาะสําหรับข้อกําหนดด้านความเป็นส่วนตัวของข้อมูลในปัจจุบันและอนาคต

3.2 ตัวแปรและส่วนขยายของ TLS Notary

ในปีสุดท้าย TLS Notary เทคโนโลยีได้เพิ่มขึ้นอย่างต่อเนื่อง ผลให้มีการพัฒนาหลายรูปแบบที่เพิ่มประสิทธิภาพของความเป็นส่วนตัวและความสามารถในการตรวจสอบข้อมูลเพิ่มขึ้น:

  • zkTLS: เป็นรุ่นที่เพิ่มความเป็นส่วนตัวของ TLS Notary ที่รวมเทคโนโลยี ZKP เข้ามา อนุญาตให้ผู้ใช้สร้างพิสูจน์ทางคริปโทกราฟิคของข้อมูลเว็บเพจโดยไม่เปิดเผยข้อมูลที่เป็นความลับใด ๆ มันเหมาะสำหรับสถานการณ์การสื่อสารที่ต้องการการป้องกันความเป็นส่วนตัวที่สูง
  • 3P-TLS (Three-Party TLS): โปรโตคอลนี้นำเสนอสามฝ่าย - ลูกค้า เซิร์ฟเวอร์ และผู้ตรวจสอบ - ทำให้ผู้ตรวจสอบสามารถยืนยันความปลอดภัยของการสื่อสารโดยไม่เปิดเผยเนื้อหา โปรโตคอลนี้เป็นประโยชน์ในสถานการณ์ที่ต้องการการโปร่งใสและความเป็นส่วนตัวเช่นการตรวจสอบความปลอดภัยหรือการทบทวนการทำธุรกรรมทางการเงิน

โครงการ Web3 ใช้เทคโนโลยีทางคริปโตกราฟฟิกเหล่านี้เพื่อเพิ่มความน่าเชื่อถือของข้อมูลและการป้องกันความเป็นส่วนตัวโดยจัดการกับปัญหาเช่นการออกเดียวของข้อมูล ฐานข้อมูลเชิงพาณิชย์และการส่งข้อมูลที่น่าเชื่อถือ ผู้ใช้สามารถยืนยันการเป็นเจ้าของบัญชีโซเชียลมีเดีย บันทึกการช้อปปิ้งสำหรับสินเชื่อทางการเงิน ประวัติเครดิตทางการธนาคาร ประวัติความเชี่ยวชาญในด้านอาชีพและประวัติการศึกษาโดยไม่ละเมิดความเป็นส่วนตัวของพวกเขา ตัวอย่างเช่น:

  • โปรโตคอลการเรียกร้อง: ใช้ zkTLS เพื่อสร้างพิสูจน์ที่ไม่รู้เรื่องของการจราจร HTTPS ที่อนุญาตให้ผู้ใช้นำเข้ากิจกรรมที่เชื่อถือได้ ชื่อเสียง และข้อมูลตัวตนจากเว็บไซต์ภายนอกโดยไม่เปิดเผยข้อมูลที่เป็นอ่อนไหว
  • zkPass: ผสานเทคโนโลยี 3P-TLS เพื่อให้ผู้ใช้สามารถยืนยันข้อมูลส่วนตัวจริงของโลกอย่างปลอดภัย ซึ่งสามารถนำไปใช้ใน KYC และบริการเครดิต นอกจากนี้ยังเข้ากันได้กับเครือข่าย HTTPS
  • Opacity Network: สร้างบน zkTLS, มันช่วยให้ผู้ใช้สามารถพิสูจน์กิจกรรมของพวกเขาอย่างปลอดภัยบนแพลตฟอร์มเช่น Uber, Spotify, และ Netflix โดยไม่ต้องเข้าถึง API ของแพลตฟอร์มเหล่านี้โดยตรง ทำให้สามารถตรวจสอบกิจกรรมข้ามแพลตฟอร์ม

(โครงการที่ทำงานกับ TLS Oracles, แหล่งที่มา: Bastian Wetzel)

การตรวจสอบข้อมูลใน Web3 เป็นลิงค์สําคัญในระบบนิเวศข้อมูลโดยมีโอกาสเป็นแอปพลิเคชันมากมาย ความเจริญรุ่งเรืองของระบบนิเวศนี้กําลังขับเคลื่อนเศรษฐกิจดิจิทัลไปสู่รูปแบบที่เปิดกว้างไดนามิกและเน้นผู้ใช้เป็นศูนย์กลางมากขึ้น อย่างไรก็ตามการพัฒนาเทคโนโลยีการตรวจสอบความถูกต้องเป็นเพียงจุดเริ่มต้นของการสร้างโครงสร้างพื้นฐานข้อมูลรุ่นต่อไป

4. เครือข่ายข้อมูลแบบกระจาย

บางโครงการได้รวมเทคโนโลยีการยืนยันข้อมูลที่กล่าวถึงข้างต้นกับการสำรวจระบบนิเวศข้อมูลบนชั้นที่สูงขึ้น เช่น การติดตามข้อมูล การสะสมข้อมูลแบบกระจายและการส่งข้อมูลที่เชื่อถือได้ ต่อไปเราจะเน้นที่โครงการที่เป็นตัวแทนที่สาม—OpenLayer, Grass และ Vana—ซึ่งเป็นตัวอย่างโครงสร้างพื้นฐานข้อมูลรุ่นถัดไปที่มีศักยภาพเป็นพิเศษ

4.1 OpenLayer

OpenLayer, หนึ่งในโครงการจาก a16z Crypto 2024 Spring Startup Accelerator, เป็นชั้นข้อมูลแบบแท้แย่งแบบโมดูลแรก มีจุดมุ่งหมายที่จะให้คำแนะนำโซลูชันโมดูลนวัตกรรมสำหรับการประสานการเก็บข้อมูล การตรวจสอบ และการแปลง การแก้ไขปัญหาที่เกิดขึ้นของ บริษัท Web2 และ Web3 OpenLayer ได้รับการสนับสนุนจากกองทุนชั้นนำและนักลงทุนเท้าเท่า รวมถึง Geometry Ventures และ LongHash Ventures

ชั้นข้อมูลแบบดั้งเดิมเผชิญหน้ากับปัญหาหลายอย่าง: ขาดกลไกการตรวจสอบที่เชื่อถือได้ พฤติกรรมที่พึ่งพากับโครงสร้างที่มีจุดศูนย์กลางซึ่งจำกัดความเข้าถึง ขาดความโต้ตอบและการไหลระหว่างระบบที่แตกต่างกัน และขาดกลไกการกระจายค่าข้อมูลที่เป็นธรรมดา

ปัญหาที่เฉพาะเจาะจงมากขึ้นคือความขาดแคลนของข้อมูลการฝึก AI บนอินเทอร์เน็ตสาธารณะ มีเว็บไซต์มากมายที่ใช้มาตรการป้องกันการสแกรปข้อมูลขนาดใหญ่โดยบริษัท AI ในขณะนี้ ในข้อมูลส่วนบุคคลที่เป็นทรัพย์สินทางปัญญา สถานการณ์ยิ่งซับซ้อนมากขึ้น ข้อมูลมีค่าบ่งบอกว่าบ่อยครั้งถูกเก็บไว้ในลักษณะที่คุ้มครองข้อมูลส่วนบุคคลเนื่องจากลักษณะที่เป็นข้อมูลที่ละเอียดอ่อน ทำให้ขาดการสร้างแรงจูงใดๆที่มีผล ผู้ใช้ไม่สามารถทำเงินจากข้อมูลส่วนตัวของตนเอง และจึงไม่อยากที่จะแบ่งปันข้อมูลที่เป็นข้อมูลที่ละเอียดอ่อน

เพื่อแก้ไขปัญหาเหล่านี้ OpenLayer ได้รวมเทคโนโลยีการตรวจสอบข้อมูลเพื่อสร้างเลเยอร์ข้อมูลที่แท้จริงแบบแยกส่วน ด้วยการกระจายอํานาจและแรงจูงใจทางเศรษฐกิจจะประสานงานกระบวนการรวบรวมข้อมูลการตรวจสอบและการเปลี่ยนแปลงโดยให้โครงสร้างพื้นฐานข้อมูลที่ปลอดภัยมีประสิทธิภาพและยืดหยุ่นมากขึ้นสําหรับ บริษัท Web2 และ Web3

4.1.1 ส่วนประกอบหลักของการออกแบบแบบสมดุลของ OpenLayer

OpenLayer ให้แพลตฟอร์มแบบโมดูลเรียบง่ายที่ช่วยในการเก็บข้อมูล การตรวจสอบที่น่าเชื่อถือ และกระบวนการการแปลง

a) OpenNodes

OpenNodes เป็นส่วนประกอบหลักที่รับผิดชอบในการเก็บรวบรวมข้อมูลแบบกระจายในระบบ OpenLayer ผ่านแอปมือถือ เสริมเบราว์เซอร์ และช่องทางอื่น ๆ ผู้ใช้สามารถเก็บรวบรวมข้อมูล ผู้ประกอบการ/โหนดที่แตกต่างกันสามารถปรับปรุงรางวัลของพวกเขาโดยการดำเนินการงานที่เหมาะสมที่สุดกับข้อมูลของพวกเขา

OpenNodes รองรับสามประเภทหลักของข้อมูล:

  • ข้อมูลบนอินเทอร์เน็ตที่สาธารณะใช้งานได้ (เช่น ข้อมูลทางการเงิน สภาพอากาศ กีฬา และสื่อสังคม)
  • ข้อมูลส่วนตัวของผู้ใช้ (เช่น ประวัติการดู Netflix, บันทึกการสั่งซื้อ Amazon)
  • ข้อมูลที่รายงานเองจากแหล่งที่เชื่อถือได้ (เช่น ข้อมูลที่ได้รับการตรวจสอบจากเจ้าของหรือฮาร์ดแวร์ที่เชื่อถือได้)

นักพัฒนาสามารถเพิ่มประเภทข้อมูลใหม่ได้ง่าย ๆ ระบุแหล่งข้อมูลและกำหนดข้อกำหนดและวิธีการเรียกคืนได้ ผู้ใช้สามารถให้ข้อมูลที่ไม่สามารถระบุตัวตนได้เป็นตัวแลกกับรางวัล การออกแบบนี้ช่วยให้ระบบขยายตัวอย่างต่อเนื่องเพื่อตอบสนองความต้องการข้อมูลใหม่ แหล่งข้อมูลที่หลากหลายทำให้ OpenLayer เหมาะสมสำหรับสถานการณ์การใช้งานต่าง ๆ และลดความยากลำบากในการให้ข้อมูล

b) OpenValidators

OpenValidators จัดการการยืนยันข้อมูลที่เก็บรวบรวมโดยช่วยให้ผู้บริโภคข้อมูลสามารถยืนยันความถูกต้องของข้อมูลที่ผู้ใช้ให้มาตรงกับแหล่งที่มาของข้อมูล วิธีการยืนยันใช้พิสูจน์ทางคริปโทกราฟฟิก และผลลัพธ์สามารถยืนยันได้ในภายหลัง ผู้ให้บริการหลายรายสามารถให้บริการยืนยันสำหรับประเภทเดียวกันของพิสูจน์ได้ ทำให้นักพัฒนาสามารถเลือกผู้ให้บริการที่เหมาะสมที่สุดตามความต้องการของพวกเขา

ในกรณีการใช้งานเบื้องต้นโดยเฉพาะสำหรับข้อมูลสาธารณะหรือส่วนตัวจาก API บนอินเทอร์เน็ต OpenLayer ใช้ TLS Notary เป็น解决方案ในการยืนยันข้อมูล โดยสามารถส่งออกข้อมูลจากแอปพลิเคชันเว็บใดก็ได้และยืนยันความถูกต้องของข้อมูลโดยไม่เปิดเผยความเป็นส่วนตัว

นอกจาก TLS Notary แล้ว ด้วยการออกแบบแบบโมดูลของมัน ระบบการตรวจสอบสามารถผสมวิธีการอื่น ๆ ได้อย่างง่ายดายเพื่อเข้ากันได้กับความต้องการข้อมูลและการตรวจสอบที่หลากหลาย เช่น:

  1. การเชื่อมต่อ TLS ที่ได้รับการรับรอง: การใช้ Trusted Execution Environments (TEEs) เพื่อเชื่อมต่อ TLS ที่ได้รับการรับรอง เพื่อให้มั่นใจในความคงสภาพและความถูกต้องของข้อมูลในระหว่างการส่ง
  2. Secure Enclaves: ใช้สิ่งแวดล้อมการแยกกันที่ระดับฮาร์ดแวร์ (เช่น Intel SGX) เพื่อประมวลผลและยืนยันข้อมูลที่เป็นความลับเพื่อการป้องกันข้อมูลระดับสูงกว่า
  3. ZK Proof Generators: การรวมศิลปะในการสร้างพรูฟที่เป็นเอกลักษณ์เพื่อยืนยันคุณสมบัติของข้อมูลหรือผลลัพธ์การคำนวณโดยไม่เปิดเผยข้อมูลใต้หลัง

c) OpenConnect

OpenConnect เป็นโมดูลที่รับผิดชอบในการแปลงข้อมูลและความสามารถในระบบนิเวศ OpenLayer โดยมันดำเนินการด้านข้อมูลจากแหล่งที่มาต่าง ๆ เพื่อให้สามารถทำงานร่วมกันได้ในระบบที่แตกต่างกันเพื่อตอบสนองความต้องการของแอปพลิเคชันที่หลากหลาย เช่น:

  • แปลงข้อมูลเป็นรูปแบบออราเคิลบนเชือกสำหรับการใช้โดยสัญญาฉลากโดยตรง
  • การประมวลผลข้อมูลที่ไม่มีระบบเป็นข้อมูลที่มีระบบสำหรับการฝึกฝน AI

การให้ความเป็นส่วนตัวในการทำข้อมูลไม่ระบุตัวตนสำหรับบัญชีส่วนตัวของผู้ใช้พร้อมทั้งเสริมความปลอดภัยในขณะแบ่งปันข้อมูลเพื่อลดการรั่วไหลและการใช้งานอย่างไม่ถูกต้อง

เพื่อตอบสนองความต้องการข้อมูลแบบเรียลไทม์สำหรับแอปพลิเคชัน AI และบล็อกเชน OpenConnect สนับสนุนการแปลงข้อมูลแบบเรียลไทม์ที่มีประสิทธิภาพ

ในปัจจุบัน ผ่านการผนวกกับ EigenLayer OpenLayer AVS (Active Validation Service) ผู้ประกอบการเฝ้าระวังงานคำขอข้อมูล รวบรวมข้อมูล ตรวจสอบ และรายงานผลลัพธ์กลับไปยังระบบ ผู้ประกอบการเสี่ยงเงินหรือเสี่ยงสินทรัพย์ที่มีอยู่บน EigenLayer เพื่อให้ความมั่นคงในเชิงเศรษฐกิจสำหรับการดำเนินการของพวกเขา พฤติกรรมที่ต่อเนื่องที่เป็นอันตรายจะทำให้เกิดการตัดสินทรัพย์ที่เสี่ยง ในฐานะโครงการ AVS ที่เป็นหนึ่งในเวลาแรกบนเครือข่ายหลัก EigenLayer OpenLayer ได้ดึงดูดความสนใจจากผู้ประกอบการมากกว่า 50 รายและสินทรัพย์ที่เสี่ยงเงินหรือเสี่ยงสินทรัพย์ที่มีอยู่มากกว่า 4 พันล้านดอลลาร์

4.2 หญ้า

Grass, โครงการหลักที่พัฒนาโดย Wynd Network ถูกออกแบบเพื่อสร้างเครือข่ายการค้นหาแบบกระจายและแพลตฟอร์มการฝึกอบรม AI เนื่องจากถึงจุดสิ้นสุดของปี 2023 หญ้าเสร็จสิ้นรอบการระดมทุนเมล็ดพันธุ์ 3.5 ล้านดอลลาร์ซึ่งนำโดย Polychain Capital และ Tribe Capital เมื่อเดือนกันยายน 2024 ได้รับเงินรอบการระดมทุนรุ่น A มูลค่า 5 ล้านดอลลาร์โดย HackVC และมีการเข้าร่วมเพิ่มเติมจาก Polychain, Delphi, Lattice, และ Brevan Howard

เนื่องจากการฝึกอบรม AI ในปัจจุบันเพิ่มขึ้นอย่างมากตามแหล่งข้อมูลที่หลากหลายและกว้างขวาง Grass ตอบสนองความต้องการนี้โดยการสร้างเครือข่ายโหนดเว็บครอลเลอร์แบบกระจาย เครือข่ายนี้ใช้โครงสร้างพื้นฐานทางกายภาพที่ไม่มีความเชื่อมั่นและแบนด์วิดธรรมชาติที่ว่างเปล่าเพื่อรวบรวมและให้ข้อมูลที่สามารถตรวจสอบได้สำหรับการฝึก AI โหนดมีการเปิดเส้นทางคำขอเว็บผ่านการเชื่อมต่ออินเทอร์เน็ตของผู้ใช้ เข้าถึงเว็บไซต์สาธารณะและรวบรวมข้อมูลโครงสร้าง การทำความสะอาดข้อมูลและการจัดรูปแบบเริ่มต้นถูกดำเนินการโดยใช้เทคโนโลยีคอมพิวเตอร์ขอบ เพื่อให้มั่นใจในคุณภาพของผลลัพธ์

Grass ใช้โครงสร้าง Solana Layer 2 Data Rollup เพื่อเพิ่มประสิทธิภาพในการประมวลผล ผู้ตรวจสอบจะได้รับการยืนยันและประมวลผลทรัพยากรเว็บจากโหนดเพื่อสร้าง Zero-Knowledge (ZK) proof เพื่อยืนยันความถูกต้องของข้อมูล ข้อมูลที่ผ่านการยืนยันจะถูกจัดเก็บใน Grass Data Ledger (L2) พร้อมกับพิสูจน์ที่เกี่ยวข้องเชื่อมโยงกับบล็อกเชน Solana L1

4.2.1 ส่วนประกอบสำคัญของหญ้า

a) โหนดหญ้า:

ผู้ใช้ติดตั้งแอป Grass หรือส่วนขยายเบราว์เซอร์ เพื่อให้แบนด์วิดธรรมดาของพวกเขาเป็นพลังงานให้กับการค้นหาเว็บแบบกระจาย. โหนดกำหนดเส้นทางของคำขอเว็บ, เข้าถึงเว็บไซต์สาธารณะ, และรวบรวมชุดข้อมูลโครงสร้าง. โดยใช้การคำนวณด้านขอบ, พวกเขาดำเนินการทำความสะอาดข้อมูลเบื้องต้นและจัดรูปแบบ. ผู้ใช้ได้รับ GRASS token เป็นรางวัลตามการมีส่วนร่วมของแบนด์วิดธรรมดาและปริมาณข้อมูลที่ให้ไว้.

b) เราเตอร์:

เป็นตัวกลางในการเชื่อมต่อระหว่างโหนด Grass กับผู้ตรวจสอบ พวกเขาจัดการเครือข่ายโหนดและส่งสัญญาณแบนด์วิดท์และได้รับสิทธิตามแบนด์วิดท์ที่ได้รับการยืนยันทั้งหมดที่พวกเขาช่วยให้

c) Validators:

Validators ได้รับและยืนยันธุรกรรมเว็บที่ถูกส่งต่อโดยเราเตอร์ พวกเขาสร้าง ZK proofs เพื่อยืนยันความถูกต้องของข้อมูล โดยใช้ชุดคีย์ที่ไม่เหมือนกันเพื่อสร้างการเชื่อมต่อ TLS ที่ปลอดภัยและชุดการเข้ารหัส ในขณะที่ Grass ใช้ validators ที่มีศูนย์กลางในปัจจุบัน มีแผนที่จะเปลี่ยนไปใช้คณะกรรมการ validators ที่กระจายอยู่

d) ZK Processors:

ตัวประมวลผลเหล่านี้ตรวจสอบพิสูจน์ข้อมูลเซสชันโหนดและจัดชุดพิสูจน์คำขอเว็บทั้งหมดสำหรับส่งให้กับ Solana Layer 1

e) ดาต้าเลเยอร์ของข้อมูลหญ้า (Grass L2):

The Grass Data Ledger เก็บข้อมูลชุดประสมและเชื่อมโยงกับพิสูจน์ L1 ที่เกี่ยวข้องใน Solana เพื่อให้โปร่งใสและสามารถติดตามได้

f) รูปแบบการฝังข้อมูลขอบ:

โมเดลเหล่านี้ทำให้ข้อมูลบนเว็บที่ไม่มีโครงสร้างกลายเป็นชุดข้อมูลที่เหมาะสมสำหรับการฝึก AI

แหล่งที่มา: หญ้า

เปรียบเทียบ: หญ้า vs OpenLayer

Grass และ OpenLayer มีความมุ่งมั่นที่จะใช้เครือข่ายกระจายเพื่อให้บริษัทสามารถเข้าถึงข้อมูลอินเทอร์เน็ตเปิดและข้อมูลส่วนตัวที่ได้รับการรับรองได้ ทั้งสองใช้กลไกสะสมแรงจูงใจเพื่อส่งเสริมการแบ่งปันข้อมูลและการผลิตชุดข้อมูลคุณภาพสูง แต่สถาปัตยกรรมทางเทคนิคและโมเดลธุรกิจของพวกเขาแตกต่างกัน

โครงสร้างทางเทคนิค:

Grass ใช้โครงสร้าง Solana Layer 2 Data Rollup ด้วยการตรวจสอบแบบกลางที่เชื่อถือได้โดยมีผู้ตรวจสอบเพียงคนเดียว OpenLayer ในฐานะผู้ใช้งานแรกของ EigenLayer’s AVS (Active Validation Service) ใช้กลไกการตรวจสอบแบบกระจายโดยใช้กำลังเศรษฐศาสตร์และการลดค่าตัดบัตร การออกแบบโมดูลาร์เน้นความยืดหยุในการขยายขอบเขตและความยืดหยุในการให้บริการการตรวจสอบข้อมูล

ศูนย์焦点:

โครงการทั้งสองอนุญาตให้ผู้ใช้ทำกำไรจากข้อมูลผ่านโหนด แต่กรณีการใช้งานทางธุรกิจของพวกเขาแตกต่างกัน:

  • Grass มีรูปแบบตลาดข้อมูลโดยใช้ L2 เพื่อจัดเก็บชุดข้อมูลที่มีโครงสร้างและมีคุณภาพสูงตรวจสอบได้ ชุดข้อมูลเหล่านี้ได้รับการปรับแต่งสําหรับ บริษัท AI ในฐานะทรัพยากรการฝึกอบรม
  • OpenLayer ให้ความสำคัญกับการตรวจสอบการสตรีมข้อมูลแบบเรียลไทม์ (VaaS) มากกว่าการจัดเก็บข้อมูลที่ประส dedic ให้บริการสถานการณ์ที่เปลี่ยนไปได้เช่น oracles สำหรับ RWA / DeFi / prediction markets, ข้อมูลสังคมแบบเรียลไทม์ และการใช้งาน AI ที่ต้องการให้ข้อมูลเข้ามาทันที

Grass primarily targets AI companies and data scientists needing large-scale, structured datasets, as well as research institutions and enterprises requiring web-based data. OpenLayer caters to Web3 developers needing off-chain data sources, AI companies requiring real-time, verifiable streams, and businesses pursuing innovative strategies like verifying competitor product usage.

การแข่งขันและความสอดคล้องในอนาคต

ขณะที่โครงการทั้งสองกำลังครอบคลุมสาขาที่แตกต่างกันอย่างชัดเจน ฟังก์ชันของพวกเขาอาจจะรวมกันเมื่ออุตสาหกรรมเติบโตขึ้น:

  • หญ้าอาจขยายตัวเพื่อให้ข้อมูลโครงสร้างแบบเรียลไทม์
  • OpenLayer อาจพัฒนาบัญชีข้อมูลที่มุ่งเน้นการจัดการชุดข้อมูล

โครงการทั้งสองยังสามารถรวมข้อมูลในการติดป้ายชั้นเป็นขั้นตอนที่สำคัญสำหรับชุดข้อมูลการฝึกฝน Grass ด้วยเครือข่ายที่กว้างขวางมากกว่า 2.2 ล้านโหนดที่ใช้งานอยู่ อาจจะใช้บริการของ Reinforcement Learning with Human Feedback (RLHF) เพื่อปรับปรุงโมเดล AI อย่างรวดเร็ว OpenLayer ด้วยความเชี่ยวชาญในการตรวจสอบข้อมูลแบบเรียลไทม์และการประมวลผลข้อมูล อาจรักษาข้อเปรียบเทียบในความน่าเชื่อถือและคุณภาพข้อมูลโดยเฉพาะสำหรับชุดข้อมูลส่วนตัว

แม้จะมีศักยภาพทับซ้อนกัน แต่จุดแข็งที่เป็นเอกลักษณ์และแนวทางทางเทคโนโลยีของพวกเขาอาจช่วยให้พวกเขาครองช่องต่างๆภายในระบบนิเวศข้อมูลแบบกระจายอํานาจ

(ที่มา:IOSG, David)

4.3 Vana: เครือข่ายสระว่ายน้ำข้อมูลที่ให้บริการตามผู้ใช้

Vana เป็นเครือข่ายสระว่ายน้ำข้อมูลที่ให้บริการข้อมูลคุณภาพสูงสำหรับ AI และแอปพลิเคชันที่เกี่ยวข้องที่มุ่งเน้นผู้ใช้ หลักการทางเทคโนโลยีและธุรกิจของ Vana แตกต่างจาก OpenLayer และ Grass อย่างชัดเจน ในเดือนกันยายน พ.ศ. 2567 Vana ได้รับการลงทุนรวมทีม 5 ล้านดอลลาร์ฯ ภายใต้การนำทีมของ Coinbase Ventures หลังจากที่ Paradigm เป็นผู้ลงทุนหลักในรอบ A มูลค่า 18 ล้านดอลลาร์ โดยมีความร่วมมือจาก Polychain และ Casey Caruso

Vana เปิดตัวครั้งแรกในปี 2018 ในฐานะโครงการวิจัย MIT เป็นบล็อกเชนเลเยอร์ 1 ที่ทุ่มเทให้กับข้อมูลผู้ใช้ส่วนตัว นวัตกรรมในการเป็นเจ้าของข้อมูลและการกระจายมูลค่าช่วยให้ผู้ใช้สามารถทํากําไรจากโมเดล AI ที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลของตน Vana บรรลุเป้าหมายนี้ผ่าน Data Liquidity Pools (DLPs) ที่ไม่น่าเชื่อถือ เป็นส่วนตัว และที่เกี่ยวข้อง และกลไก Proof of Contribution ที่เป็นนวัตกรรมใหม่ที่อํานวยความสะดวกในการไหลและการสร้างรายได้จากข้อมูลส่วนตัว

4.3.1. สระน้ำหล่อเหลือของข้อมูล (DLPs)

Vana นําเสนอแนวคิดที่เป็นเอกลักษณ์ของ Data Liquidity Pools (DLPs) ซึ่งเป็นแกนหลักของเครือข่าย Vana แต่ละ DLP เป็นเครือข่ายเพียร์ทูเพียร์อิสระที่รวบรวมสินทรัพย์ข้อมูลบางประเภท ผู้ใช้สามารถอัปโหลดข้อมูลส่วนตัวเช่นบันทึกการช็อปปิ้งพฤติกรรมการท่องเว็บและกิจกรรมโซเชียลมีเดียลงใน DLP ที่กําหนดและตัดสินใจว่าจะอนุญาตการใช้งานของบุคคลที่สามหรือไม่

ข้อมูลภายในพูลเหล่านี้จะถูกเข้ารหัสเพื่อป้องกันความเป็นส่วนตัวของผู้ใช้ในขณะที่ยังคงสามารถใช้งานได้สำหรับการประยุกต์ทางธุรกิจ เช่นการฝึกโมเดล AI และการวิจัยตลาด ผู้ใช้ที่มีส่วนร่วมในการให้ข้อมูลให้กับ DLP จะได้รับการตอบแทนด้วยโทเคน DLP ที่สอดคล้องกัน โทเคนเหล่านี้แทนการสนับสนุนของผู้ใช้ในพูล มอบสิทธิ์ในการปกครอง และมอบสิทธิ์ให้ผู้ใช้ได้รับส่วนแบ่งของกำไรในอนาคต

ไม่เหมือนการขายข้อมูลแบบดั้งเดิมครั้งหนึ่ง Vana ช่วยให้ข้อมูลสามารถเข้าร่วมในกระแสเศรษฐกิจอย่างต่อเนื่อง ทำให้ผู้ใช้ได้รับรางวัลต่อเนื่องพร้อมการติดตามการใช้งานที่โปร่งใสและมองเห็นได้

4.3.2. กลไกการสำรวจหลักฐานการมีส่วนร่วม

กลไก Proof of Contribution (PoC) เป็นรากฐานที่สําคัญของแนวทางของ Vana ในการรับรองคุณภาพของข้อมูล แต่ละ DLP สามารถกําหนดฟังก์ชัน PoC ที่ไม่ซ้ํากันซึ่งปรับให้เหมาะกับลักษณะเฉพาะตรวจสอบความถูกต้องและความสมบูรณ์ของข้อมูลที่ส่งและประเมินการมีส่วนร่วมในการปรับปรุงประสิทธิภาพของโมเดล AI กลไกนี้วัดปริมาณการมีส่วนร่วมของผู้ใช้บันทึกเพื่อจัดสรรรางวัล เช่นเดียวกับแนวคิด "Proof of Work" ในสกุลเงินดิจิทัล PoC ให้รางวัลแก่ผู้ใช้ตามคุณภาพของข้อมูลปริมาณและความถี่ในการใช้งาน สัญญาอัจฉริยะทําให้กระบวนการนี้เป็นไปโดยอัตโนมัติเพื่อให้แน่ใจว่าผู้มีส่วนร่วมจะได้รับการชดเชยอย่างเป็นธรรมและโปร่งใส

โครงสร้างเทคนิคของวานา

  1. ชั้นข้อมูลความเหลื่อม

ชั้นนี้ช่วยให้การมีส่วนร่วม การตรวจสอบ และการบันทึกข้อมูลเข้าสู่ DLPs โดยทำให้ข้อมูลกลายเป็นสินทรัพย์ดิจิทัลที่สามารถโอนได้บนเชน ผู้สร้าง DLP ใช้สมาร์ทคอนแทรคติ้งเพื่อกำหนดวัตถุประสงค์ วิธีการตรวจสอบ และพารามิเตอร์การมีส่วนร่วม ผู้มีส่วนร่วมในข้อมูลยื่นข้อมูลเพื่อการตรวจสอบ และโมดูล PoC ประเมินคุณภาพของข้อมูลและกำหนดสิทธิการปกครองและรางวัล

  1. ดาต้าเลเยอร์การถ่ายโอนข้อมูล:

เป็นชั้นแอปพลิเคชันของวาน่า แพลตฟอร์มนี้สะดวกต่อการทำงานร่วมกันระหว่างผู้ส่งข้อมูลและนักพัฒนา และให้โครงสร้างพื้นฐานสำหรับการสร้างโมเดลการฝึกอบรม AI แบบกระจายและ AI DApps โดยใช้ความเหมาะสมใน DLPs

  1. Connectome:

บัญชีแยกประเภทแบบกระจายอํานาจที่สนับสนุนระบบนิเวศของ Vana Connectome ทําหน้าที่เป็นแผนที่การไหลของข้อมูลแบบเรียลไทม์ บันทึกธุรกรรมข้อมูลแบบเรียลไทม์ทั้งหมดโดยใช้ฉันทามติ Proof of Stake เพื่อให้มั่นใจว่าการถ่ายโอนโทเค็น DLP มีประสิทธิภาพและเปิดใช้งานการเข้าถึงข้อมูลข้าม DLP เข้ากันได้อย่างสมบูรณ์กับ EVM ช่วยให้สามารถทํางานร่วมกับเครือข่ายโปรโตคอลและแอปพลิเคชัน DeFi อื่น ๆ

(Source: Vana)

Vana ให้แนวทางใหม่โดยมุ่งเน้นไปที่สภาพคล่องและการเสริมพลังของข้อมูลผู้ใช้ รูปแบบการแลกเปลี่ยนข้อมูลแบบกระจายอํานาจนี้ไม่เพียง แต่รองรับการฝึกอบรม AI และตลาดข้อมูล แต่ยังช่วยให้สามารถแบ่งปันข้อมูลข้ามแพลตฟอร์มและเป็นเจ้าของในระบบนิเวศ Web3 ได้อย่างราบรื่น ท้ายที่สุดแล้วมันส่งเสริมอินเทอร์เน็ตแบบเปิดที่ผู้ใช้สามารถเป็นเจ้าของและจัดการข้อมูลและผลิตภัณฑ์อัจฉริยะที่สร้างขึ้นจากมัน

5. คุณค่าของพร็อพอสิชันของเครือข่ายข้อมูลแบบกระจาย

ในปี 2006 นักวิทยาศาสตร์ข้อมูล Clive Humby ได้กล่าวถึงว่า "ข้อมูลคือน้ำมันใหม่" ตลอด 20 ปีที่ผ่านมา เราเห็นพัฒนาการทางเทคโนโลยีที่รวดเร็วที่ "ประมวล" ทรัพยากรนี้ เช่น การวิเคราะห์ข้อมูลขนาดใหญ่และการเรียนรู้ของเครื่อง เหล่านี้ได้ปลดล็อคค่ามูลค่าที่ไม่เคยเคยมาจากข้อมูล ตาม IDC โดย 2025 โลก data sphere จะขยายตัวไปยัง 163 ZB โดยส่วนใหญ่มาจากบุคคล ด้วย IoT, อุปกรณ์สวมใส่, ปัญญาประดิษฐ์ และบริการที่ประยุกต์ส่วนตัวที่กำลังกลายเป็นที่ทั่วไปมากขึ้น ข้อมูลที่จำเป็นสำหรับการใช้งานทางพาณิชย์จะมาจากบุคคล

ความท้าทายของโซลูชันแบบดั้งเดิมและนวัตกรรม Web3

โซลูชันข้อมูล Web3 เอาชนะข้อ จํากัด ของโครงสร้างพื้นฐานแบบดั้งเดิมโดยใช้ประโยชน์จากเครือข่ายโหนดแบบกระจาย เครือข่ายเหล่านี้ช่วยให้สามารถรวบรวมข้อมูลได้กว้างขึ้นและมีประสิทธิภาพมากขึ้นในขณะที่ปรับปรุงการเข้าถึงแบบเรียลไทม์และการตรวจสอบความถูกต้องของชุดข้อมูลเฉพาะ เทคโนโลยี Web3 ช่วยให้มั่นใจได้ถึงความถูกต้องและความสมบูรณ์ของข้อมูลในขณะที่ปกป้องความเป็นส่วนตัวของผู้ใช้ส่งเสริมรูปแบบการใช้ข้อมูลที่ยุติธรรมยิ่งขึ้น สถาปัตยกรรมแบบกระจายอํานาจนี้ทําให้การเข้าถึงข้อมูลเป็นประชาธิปไตยและช่วยให้ผู้ใช้สามารถแบ่งปันผลประโยชน์ทางเศรษฐกิจของเศรษฐกิจข้อมูลได้

ทั้ง OpenLayer และ Grass พึงพอมีการใช้โมเดลผู้ใช้-โหนดเพื่อเสริมกระบวนการเก็บข้อมูลที่เฉพาะเจาะจง ในขณะที่ Vana ทำกำไรจากข้อมูลส่วนตัวของผู้ใช้ ทั้งนี้ไม่เพียงทำให้มีประสิทธิภาพเพิ่มขึ้นเท่านั้น แต่ยังทำให้ผู้ใช้ทั่ว ๆ ไปเข้าร่วมส่วนร่วมในค่าที่สร้างขึ้นโดยเศรษฐกิจข้อมูล ทำให้เกิดสถานการณ์ที่ชนะ-ชนะสำหรับผู้ใช้และนักพัฒนา

ผ่านทางโทเคนอมิกส์ โซลูชันข้อมูล Web3 ทำการออกแบบรูปแบบกระตุ้นใหม่ โดยสร้างระบบสร้างสรรค์มูลค่าที่ยุติธรรมมากขึ้น ระบบเหล่านี้ดึงดูดความสนใจจากผู้ใช้และทรัพยากรฮาร์ดแวร์ และการลงทุนทุนทรัพย์ ทำให้การดำเนินการของเครือข่ายข้อมูลทั้งหมดเป็นไปอย่างมีประสิทธิภาพ

โซลูชัน Web3 นี้มีความโมดูลาริตีและมีความยืดหยุ่น ทำให้สามารถที่จะมีการอัพเกรดเทคโนโลยีและการขยายโครงสร้างระบบได้ เช่น: การออกแบบโมดูลของ OpenLayer มีความยืดหยุ่นที่สุดสำหรับการพัฒนาในอนาคต; โครงสร้างที่กระจายของ Grass ทำให้สามารถใช้งานการฝึกอบรมโมเดล AI ได้อย่างมีประสิทธิภาพ โดยการให้ข้อมูลชุดที่หลากหลายและมีคุณภาพสูง

ตั้งแต่การสร้างข้อมูลการจัดเก็บและการตรวจสอบไปจนถึงการแลกเปลี่ยนและการวิเคราะห์โซลูชันที่ขับเคลื่อนด้วย Web3 จะแก้ไขข้อบกพร่องของโครงสร้างพื้นฐานแบบดั้งเดิม ด้วยการทําให้ผู้ใช้สามารถสร้างรายได้จากข้อมูลโซลูชันเหล่านี้จะเปลี่ยนเศรษฐกิจข้อมูลโดยพื้นฐาน

เมื่อเทคโนโลยีเติบโตและสถานการณ์การใช้งานขยายออก ชั้นทราบข้อมูลที่ไม่มีการจำกัดกำลังจะกลายเป็นปูมฐานของโครงสร้างพื้นฐานรุ่นต่อไป พวกเขาจะสนับสนุนธุรกิจที่ใช้ข้อมูลในหลากหลายวงกลม พร้อมทำให้ผู้ใช้มีความสามารถในการควบคุมข้อมูลของตนและศักยภาพทางเศรษฐกิจของมัน

ข้อความปฏิเสธความรับผิดชอบ:

  1. บทความนี้ถูกพิมพ์ซ้ำจาก [ ไอโอเอสจี เวนเจอร์ส]. สงวนลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [IOSG Ventures] หากมีคำประทับใจต่อการเผยแพร่นี้ กรุณาติดต่อ เกตเรียนทีมงาน และพวกเขาจะดูแลมันอย่างรวดเร็ว
  2. คำโต้แย้งความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่ใช่คำแนะนำในการลงทุน
  3. ทีม Gate Learn แปลบทความเป็นภาษาอื่น ห้ามคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่แปลแล้ว เว้นแต่จะกล่าวถึง

ดาต้าเลเยอร์ที่แยกกัน: โครงสร้างใหม่สำหรับยุค AI #247

กลาง11/26/2024, 4:28:16 AM
เราได้พูดถึงว่า AI และ Web3 สามารถเสริมกันได้ในแนวราบต่าง ๆ เช่น เครือข่ายการคำนวณ แพลตฟอร์มกลาง และแอปพลิเคชันผู้บริโภค เมื่อมุ่งเน้นที่ทรัพยากรข้อมูลเป็นฟิลด์แนวตั้ง โครงการ Web ที่กำลังเกิดขึ้นเสนอโอกาสใหม่สำหรับการได้มา การแบ่งปัน และการใช้ข้อมูล

TL/DR

ก่อนหน้านี้เราได้พูดคุยกันว่า AI และ Web3 สามารถเสริมซึ่งกันและกันในอุตสาหกรรมแนวตั้งเช่นเครือข่ายการคํานวณแพลตฟอร์มตัวกลางและแอปพลิเคชันสําหรับผู้บริโภคได้อย่างไร เมื่อมุ่งเน้นไปที่ทรัพยากรข้อมูลเป็นเขตข้อมูลแนวตั้งโครงการเว็บที่เกิดขึ้นใหม่มีความเป็นไปได้ใหม่สําหรับการซื้อการแบ่งปันและการใช้ข้อมูล

  • ผู้ให้บริการข้อมูลแบบดั้งเดิมต้องพยายามตอบสนองความต้องการที่สูงของข้อมูลที่มีคุณภาพสูง และสามารถตรวจสอบได้เรียลไทม์ในอุตสาหกรรม AI และอุตสาหกรรมที่ใช้ข้อมูลเป็นหลัก โดยเฉพาะอย่างยิ่งเรื่องความโปร่งใส การควบคุมของผู้ใช้ และการป้องกันสิทธิส่วนบุคคล
  • โซลูชัน Web3 กําลังปรับโฉมระบบนิเวศข้อมูล เทคโนโลยีเช่น MPC (Multi-Party Computation) การพิสูจน์ความรู้เป็นศูนย์และ TLS Notary รับประกันความถูกต้องของข้อมูลและความเป็นส่วนตัวระหว่างการไหลของหลายแหล่งในขณะที่การจัดเก็บแบบกระจายและการประมวลผลแบบขอบให้ความยืดหยุ่นและประสิทธิภาพที่สูงขึ้นในการประมวลผลข้อมูลแบบเรียลไทม์
  • เครือข่ายข้อมูลแบบกระจายอํานาจเป็นโครงสร้างพื้นฐานที่เกิดขึ้นใหม่ได้ก่อให้เกิดโครงการตัวแทนหลายโครงการเช่น OpenLayer (เลเยอร์ข้อมูลจริงแบบแยกส่วน), Grass (ใช้ประโยชน์จากแบนด์วิดท์ที่ไม่ได้ใช้งานของผู้ใช้และเครือข่ายโหนดรวบรวมข้อมูลแบบกระจายอํานาจ) และ Vana (เครือข่ายอธิปไตยของข้อมูลผู้ใช้เลเยอร์ 1) ซึ่งเปิดโอกาสใหม่สําหรับสาขาต่างๆเช่นการฝึกอบรม AI และแอปพลิเคชันผ่านเส้นทางเทคโนโลยีที่แตกต่างกัน
  • โดยใช้อินเฟอร์เน็ตที่มีผู้ร่วมกัน ชั้นเชิงนิติวิทยาที่ไม่มีความไว้วางใจ และกลไกสิ่งของที่ใช้เป็นเหตุผลบนโทเค็น โครงสร้างพื้นฐานข้อมูลแบบกระจาย เพื่อให้ได้รับการให้บริการที่มีความเป็นส่วนตัว ปลอดภัย มีประสิทธิภาพ และมีความคุ้มค่ามากกว่าต่อ Web2 giants นอกจากนี้ยังมีการให้ผู้ใช้ควบคุมข้อมูลและทรัพยากรที่เกี่ยวข้อง สร้างระบบนิเวศดิจิทัลที่เปิดเผย ปลอดภัย และเชื่อมต่อกันได้มากขึ้น

1. การเพิ่มขึ้นของความต้องการข้อมูล

ข้อมูลได้กลายเป็นตัวขับเคลื่อนหลักของนวัตกรรมและการตัดสินใจในอุตสาหกรรมต่างๆ UBS คาดการณ์ว่าปริมาณข้อมูลทั่วโลกจะเพิ่มขึ้นสิบเท่าจากปี 2020 ถึง 2030 ถึง 660 ZB ภายในปี 2025 แต่ละคนทั่วโลกคาดว่าจะสร้างข้อมูล 463 EB (Exabytes, 1 EB = 1 พันล้าน GB) ต่อวัน ตลาด Data-as-a-Service (DaaS) กําลังขยายตัวอย่างรวดเร็ว จากข้อมูลของ Grand View Research ตลาด DaaS ทั่วโลกมีมูลค่า 14.36 พันล้านดอลลาร์ในปี 2023 และคาดว่าจะเติบโตในอัตราการเติบโตต่อปีแบบทบต้น (CAGR) ที่ 28.1% ถึง 76.8 พันล้านดอลลาร์ภายในปี 2030

การฝึกอบรมโมเดล AI ขึ้นอยู่กับชุดข้อมูลขนาดใหญ่เพื่อระบุรูปแบบและปรับพารามิเตอร์ หลังจากการฝึกอบรม ยังต้องใช้ชุดข้อมูลเพื่อทดสอบประสิทธิภาพและความสามารถในการทั่วไปของโมเดล นอกจากนี้ เอเจนต์ AI ซึ่งเป็นรูปแบบของแอปพลิเคชันที่มีความสามารถทางอารมณ์กำลังเกิดขึ้น ต้องใช้แหล่งข้อมูลแบบเรียลไทม์และน่าเชื่อถือเพื่อให้มั่นใจในการตัดสินใจและปฏิบัติงานอย่างแม่นยำ

(แหล่งที่มา: Leewayhertz)

ความต้องการการวิเคราะห์ธุรกิจก็มีความหลากหลายและแพร่หลายมากขึ้นซึ่งทําหน้าที่เป็นเครื่องมือหลักที่ขับเคลื่อนนวัตกรรมขององค์กร ตัวอย่างเช่นแพลตฟอร์มโซเชียลมีเดียและ บริษัท วิจัยตลาดต้องการข้อมูลพฤติกรรมผู้ใช้ที่เชื่อถือได้เพื่อกําหนดกลยุทธ์และวิเคราะห์แนวโน้มรวมข้อมูลที่หลากหลายจากแพลตฟอร์มโซเชียลหลายแห่งเพื่อสร้างภาพที่ครอบคลุมมากขึ้น

สำหรับนิเวศ Web3 จำเป็นต้องมีข้อมูลที่น่าเชื่อถือและแท้จริงบนเชื่อมโยงในการสนับสนุนผลิตภัณฑ์ทางการเงินใหม่ ๆ ข้อมูลที่มีความยืดหยุ่นและเชื่อถือได้จำเป็นต้องมีอินเทอร์เฟซที่สามารถสนับสนุนการพัฒนาผลิตภัณฑ์และการจัดการความเสี่ยงได้อย่างยืดหยุ่น อนุญาตให้สัญญาอัจฉริยะดำเนินการโดยพฤติกรรมข้อมูลเรียลไทม์ที่สามารถยืนยันได้

นอกจากนี้, กรณีการใช้งานในการวิจัยทางวิทยาศาสตร์, IoT, และสาขาอื่น ๆ เน้นความต้องการที่พุ่งสูงขึ้นสําหรับข้อมูลที่หลากหลาย, ของแท้, และเรียลไทม์. ระบบดั้งเดิมอาจประสบปัญหาในการรับมือกับปริมาณข้อมูลที่เติบโตอย่างรวดเร็วและความต้องการที่เปลี่ยนแปลงตลอดเวลา

2. ข้อ จำกัด และ ความท้าทาย ของ ระบบ ข้อมูล แบบ ดั้งเดิม

ระบบนิเวศข้อมูลทั่วไปรวมถึงการรวบรวมข้อมูลการจัดเก็บการประมวลผลการวิเคราะห์และแอปพลิเคชัน โมเดลแบบรวมศูนย์โดดเด่นด้วยการรวบรวมและจัดเก็บข้อมูลแบบรวมศูนย์ซึ่งจัดการโดยทีมไอทีหลักที่มีการควบคุมการเข้าถึงอย่างเข้มงวด ตัวอย่างเช่นระบบนิเวศข้อมูลของ Google ครอบคลุมแหล่งข้อมูลต่างๆเช่นเครื่องมือค้นหา Gmail และระบบปฏิบัติการ Android แพลตฟอร์มเหล่านี้รวบรวมข้อมูลผู้ใช้เก็บไว้ในศูนย์ข้อมูลที่กระจายอยู่ทั่วโลกและประมวลผลโดยใช้อัลกอริทึมเพื่อสนับสนุนการพัฒนาและการเพิ่มประสิทธิภาพของผลิตภัณฑ์และบริการต่างๆ

ในตลาดการเงิน LSEG (ก่อนหน้าเป็น Refinitiv) รวบรวมข้อมูลแบบเรียลไทม์และข้อมูลทางประวัติจากตลาดหลัก ธนาคาร และสถาบันการเงินชั้นนำทั่วโลก ในขณะเดียวกันใช้ Reuters News network ของตนเองเพื่อรวบรวมข่าวที่เกี่ยวข้องกับตลาด พวกเขาประมวลผลข้อมูลเหล่านี้โดยใช้อัลกอริทึมและแบบจำลองของตนเองเพื่อสร้างผลวิเคราะห์และผลการประเมินความเสี่ยงเป็นผลิตภัณฑ์เพิ่มมูลค่า

(ที่มา: kdnuggets.com)

ในขณะที่สถาปัตยกรรมข้อมูลแบบดั้งเดิมเป็นอย่างมากในบริการอาชีพ เจาะจงได้ถึงข้อจำกัดของแบบจำกัดการให้บริการที่ถูกกำหนดไว้เพิ่มขึ้นอย่างเห็นได้ชัด โดยเฉพาะเรื่องของแหล่งข้อมูลที่เกิดขึ้นใหม่ ความโปร่งใส และการปกป้องความเป็นส่วนตัวของผู้ใช้ ด้านล่างคือปัญหาที่สำคัญบางอย่าง:

  • ความครอบคลุมของข้อมูลไม่เพียงพอ: ผู้ให้บริการข้อมูลแบบดั้งเดิมพยายามรวบรวมและวิเคราะห์แหล่งข้อมูลที่เกิดขึ้นใหม่ เช่น ความเชื่อมั่นของโซเชียลมีเดียและข้อมูลอุปกรณ์ IoT อย่างรวดเร็ว ระบบแบบรวมศูนย์พบว่าเป็นเรื่องยากที่จะรับและรวมข้อมูล "หางยาว" อย่างมีประสิทธิภาพจากแหล่งข้อมูลขนาดเล็กหรือไม่ใช่กระแสหลักจํานวนมาก

เช่นเคย การเกิดเหตุการณ์ GameStop ปี 2021 เปิดเผยถึงความจำกัดของผู้ให้บริการข้อมูลทางการเงิน传统ในการวิเคราะห์อารมณ์ของสื่อสังคมในการเงิน อารมณ์ของนักลงทุนบนแพลตฟอร์มเช่น Reddit มีผลต่อแนวโน้มของตลาดอย่างรวดเร็ว แต่เทอมินัลข้อมูลเช่น Bloomberg และ Reuters ล้มเหลวในการจับไดนามิกส์เหล่านี้ทันท่วงที ทำให้ทำนายตลาดล่าช้า

  • การเข้าถึงข้อมูลที่ถูกจำกัด: การ Monopoly จำกัดการเข้าถึง ผู้ให้บริการแบบดั้งเดิมหลายรายเปิดบางส่วนของข้อมูลผ่าน API/บริการคลาวด์ แต่ค่าบริการการเข้าถึงสูงและกระบวนการอนุญาตที่ซับซ้อนเพิ่มความยากลำบากในการผสานข้อมูล นักพัฒนา On-chain ต้องเจอปัญหาในการเข้าถึงข้อมูล Off-chain ที่เชื่อถือได้อย่างรวดเร็ว โดยข้อมูลคุณภาพสูงถูกจำกัดโดยผู้ใหญ่โดยไม่มีการค้าใดๆ
  • ปัญหาเรื่องความโปร่งใสและความน่าเชื่อถือของข้อมูล: ผู้ให้ข้อมูลที่มีการจัดเก็บข้อมูลและประมวลผลข้อมูลในลักษณะที่ไม่โปร่งใส มีขั้นตอนการตรวจสอบความถูกต้องและความสมบูรณ์ของข้อมูลขนาดใหญ่ที่ไม่เพียงพอ การตรวจสอบข้อมูลแบบเรียลไทม์ในขอบเขตใหญ่ยังคงซับซ้อน และลักษณะที่มีการจัดเก็บข้อมูลแบบกระจายเพิ่มความเสี่ยงในการปรับแก้ข้อมูลหรือการปรับเปลี่ยนข้อมูล
  • การปกป้องความเป็นส่วนตัวและการครอบครองข้อมูล: บริษัทเทคโนโลยีขนาดใหญ่มีการเพิ่มมูลค่าข้อมูลของผู้ใช้อย่างกว้างขวาง ผู้ใช้เป็นผู้สร้างข้อมูลส่วนบุคคลแต่พวกเขานานาสัมพันธ์ไม่ได้รับค่าตอบแทนที่เหมาะสมจากข้อมูลดังกล่าว พวกเขาบ่อยครั้งไม่สามารถเข้าใจวิธีการรวบรวม ประมวลผล หรือใช้ข้อมูลของตนได้อย่างไร และไม่สามารถตัดสินใจเกี่ยวกับขอบเขตและวิธีการใช้งานข้อมูลได้ การเก็บข้อมูลเกินกว่าที่จำเป็นและการใช้ผิดใช้ก็ส่งผลให้เกิดความเสี่ยงที่สูงต่อความเป็นส่วนตัว ตัวอย่างเช่น การเกิดอุบัติการณ์ Cambridge Analytica ของ Facebook เปิดเผยข้อบกพร่องที่สำคัญในการเปิดเผยข้อมูลและการปกป้องความเป็นส่วนตัวในระบบนิเวศข้อมูลทั่วไป
  • ไซโลข้อมูล: ข้อมูลแบบเรียลไทม์จากแหล่งและรูปแบบต่างๆ เป็นเรื่องยากที่จะรวมเข้าด้วยกันอย่างรวดเร็ว และเป็นอุปสรรคต่อการวิเคราะห์ที่ครอบคลุม ข้อมูลนี้ส่วนใหญ่ยังคงถูกล็อคอยู่ภายในองค์กร จํากัด การแบ่งปันและนวัตกรรมข้ามอุตสาหกรรมและข้ามองค์กร เอฟเฟกต์ "ไซโลข้อมูล" นี้ขัดขวางการรวมและวิเคราะห์ข้อมูลข้ามโดเมน ตัวอย่างเช่นในอุตสาหกรรมผู้บริโภคแบรนด์จําเป็นต้องรวมข้อมูลจากแพลตฟอร์มอีคอมเมิร์ซร้านค้าทางกายภาพโซเชียลมีเดียและการวิจัยตลาด แต่ชุดข้อมูลเหล่านี้อาจถูกแยกออกเนื่องจากความไม่สอดคล้องกันของแพลตฟอร์มหรือการแบ่งแยก ในทํานองเดียวกัน บริษัท แชร์รถเช่น Uber และ Lyft รวบรวมข้อมูลแบบเรียลไทม์จํานวนมากเกี่ยวกับการจราจรความต้องการของผู้โดยสารและที่ตั้งทางภูมิศาสตร์ แต่พลวัตการแข่งขันทําให้ไม่สามารถแชร์หรือรวมชุดข้อมูลเหล่านี้ได้

นอกจากปัญหาเหล่านี้แล้ว ผู้ให้บริการข้อมูลแบบดั้งเดิมยังเผชิญกับความท้าทายที่เกี่ยวข้องกับประสิทธิภาพทางต้นทุนและความยืดหยุ่น แม้ว่าพวกเขาจะกำลังแก้ไขปัญหาเหล่านี้อย่างตั้งใจ แต่เทคโนโลยี Web3 ที่เกิดขึ้นใหม่นี้มอบมุมมองและโอกาสใหม่ในการจัดการกับปัญหาเหล่านี้

3. ระบบนิเวศข้อมูล Web3

นับตั้งแต่เปิดตัวโซลูชันการจัดเก็บข้อมูลแบบกระจายอํานาจเช่น IPFS (InterPlanetary File System) ในปี 2014 โครงการที่เกิดขึ้นใหม่หลายโครงการมีจุดมุ่งหมายเพื่อแก้ไขข้อ จํากัด ของระบบนิเวศข้อมูลแบบดั้งเดิม โซลูชันข้อมูลแบบกระจายอํานาจได้พัฒนาเป็นระบบนิเวศที่เชื่อมต่อกันหลายชั้นซึ่งครอบคลุมทุกขั้นตอนของวงจรชีวิตของข้อมูลรวมถึงการสร้างข้อมูลการจัดเก็บการแลกเปลี่ยนการประมวลผลและการวิเคราะห์การตรวจสอบและความปลอดภัยตลอดจนความเป็นส่วนตัวและความเป็นเจ้าของ

  • การจัดเก็บข้อมูล: การพัฒนาอย่างรวดเร็วของ Filecoin และ Arweave แสดงให้เห็นว่าการจัดเก็บแบบกระจาย (DCS) เป็นการเปลี่ยนแปลงแนวคิดในฟิลด์การจัดเก็บข้อมูล DCS ลดจุดพลาดที่เป็นจุดเดียวผ่านการสร้างสถาปัตยกรรมแบบกระจายให้มีราคาแข่งขันสูง ด้วยการเกิดแอปพลิเคชันในมาตราฐานขนาดใหญ่ ปริมาณการจัดเก็บข้อมูล DCS ขยายเพิ่มอย่างเร็วกำลังเพิ่มขึ้น (เช่น ปริมาณการจัดเก็บข้อมูลของเครือข่าย Filecoin สะสมถึง 22 เอ็กซาไบต์ภายในปี 2024)
  • การประมวลผลและการวิเคราะห์: แพลตฟอร์มการคำนวณข้อมูลแบบกระจายเช่น Fluence มีประสิทธิภาพและประสิทธิภาพในการประมวลผลข้อมูลแบบเรียลไทม์ผ่านการคำนวณขอบโดยเฉพาะสำหรับสถานการณ์การประยุกต์ใช้เรียลไทม์เช่น IoT และการอินเฟอเรนซ์ AI โครงการ Web3 ใช้เทคโนโลยีเช่นการเรียนรู้แบบเปรียบเทียบ ความเป็นส่วนตัวแบบต่าง ๆ สิ่งแวดล้อมการดำเนินงานที่น่าเชื่อถือและการเข้ารหัสโฮโมอร์ฟิกเพื่อให้ความคุ้มครองความเป็นส่วนตัวที่ยืดหยุ่นที่ชั้นของการคำนวณ
  • ตลาดข้อมูล / แพลตฟอร์มการแลกเปลี่ยน: เพื่อส่งเสริมการประเมินค่าและการหมุนเวียนของข้อมูล Ocean Protocol ใช้การทำโทเค็นและกลไก DEX เพื่อสร้างช่องทางการแลกเปลี่ยนข้อมูลที่มีประสิทธิภาพและเปิดเผย ตัวอย่างเช่น ไดมเลอร์ (บริษัทแม่ของ Mercedes-Benz) ได้ร่วมมือกับ Ocean Protocol เพื่อพัฒนาตลาดการแลกเปลี่ยนข้อมูลสำหรับการจัดการโซ่อุปทาน ในทางกลับกัน Streamr ได้พัฒนาเครือข่ายการสตรีมข้อมูลที่ใช้สิทธิ์ด้วยการสมัครสมาชิกที่เปิดเผยเทเลกราฟีและรูปแบบการวิเคราะห์เรียลไทม์ที่เหมาะสมสำหรับกรณีการใช้งาน IoT และการวิเคราะห์ทันเวลา แสดงศักยภาพที่ยอดเยี่ยมในโครงการด้านการขนส่งและโลจิสติกส์ (เช่น ร่วมมือกับโครงการเมืองอัจฉริยะของฟินแลนด์)

เมื่อการแลกเปลี่ยนข้อมูลและการใช้ข้อมูลเพิ่มมากขึ้น การรักษาความถูกต้อง น่าเชื่อถือ และความเป็นส่วนตัวเป็นสิ่งสำคัญ นี่เป็นเหตุผลที่กระตุ้นระบบนิเวศ Web3 ให้นวัตกรรมในการยืนยันข้อมูลและการป้องกันความเป็นส่วนตัว ซึ่งนำไปสู่การพัฒนาโซลูชันที่เป็นนวัตกรรม

3.1 นวัตกรรมในการยืนยันข้อมูลและการปกป้องความเป็นส่วนตัว

หลายเทคโนโลยี Web3 และโครงการภายในมุ่งเน้นการแก้ไขปัญหาเรื่องความถูกต้องของข้อมูลและการป้องกันความเป็นส่วนตัว นอกเหนือจากการนำเทคโนโลยีอย่าง Zero-Knowledge Proofs (ZK) และ Multi-Party Computation (MPC) ไปใช้ทั่วไป มีการเกิดขึ้นใหม่ที่น่าสนใจเช่น TLS Notary เป็นวิธีการยืนยันที่สำคัญ

คำอธิบายเกี่ยวกับ TLS Notary

โปรโตคอล Transport Layer Security (TLS) เป็นโปรโตคอลการเข้ารหัสที่ใช้กันอย่างแพร่หลายสําหรับการสื่อสารเครือข่าย วัตถุประสงค์หลักคือเพื่อให้มั่นใจในความปลอดภัยความสมบูรณ์และการรักษาความลับของการส่งข้อมูลระหว่างไคลเอนต์และเซิร์ฟเวอร์ TLS เป็นมาตรฐานการเข้ารหัสทั่วไปในการสื่อสารเครือข่ายสมัยใหม่ ซึ่งใช้ในสถานการณ์ต่างๆ เช่น HTTPS อีเมล และการส่งข้อความโต้ตอบแบบทันที

(หลักการเข้ารหัส TLS, แหล่งที่มา: TechTarget)

เมื่อ TLS Notary เปิดตัวครั้งแรกเมื่อทศวรรษที่แล้วเป้าหมายคือการตรวจสอบความถูกต้องของเซสชัน TLS โดยการแนะนํา "ทนายความ" ของบุคคลที่สามนอกไคลเอนต์ (ผู้พิสูจน์) และเซิร์ฟเวอร์

โดยใช้เทคโนโลยีการแบ่งแยกคีย์ คีย์หลักของเซสชัน TLS ถูกแบ่งออกเป็นสองส่วน ถือโดยลูกค้าและเจ้าของบันทึก การออกแบบนี้ช่วยให้เจ้าของบันทึกได้ร่วมมือในการตรวจสอบเป็นบุคคลที่ไว้วางใจในกระบวนการตรวจสอบโดยไม่ต้องเข้าถึงเนื้อหาการสื่อสารจริง ๆ กลไกนี้มีวัตถุประสงค์เพื่อตรวจหาการโจมตีจากผู้กลางและป้องกันใบรับรองปลอม และให้มั่นใจว่าข้อมูลการสื่อสารไม่ถูกแก้ไขระหว่างการส่งต่อ นอกจากนี้ยังช่วยให้บุคคลที่ไว้วางใจได้ยืนยันความถูกต้องของการสื่อสารในขณะที่ปกป้องความเป็นส่วนตัว

ดังนั้น TLS Notary ให้บริการการยืนยันข้อมูลที่ปลอดภัยและสมดุลการยืนยันความต้องการกับการปกป้องความเป็นส่วนตัว

ในปี 2022 โครงการ TLS Notary ได้รับการปรับโครงสร้างโดยห้องปฏิบัติการวิจัย Privacy and Scaling Exploration (PSE) ของมูลนิธิ Ethereum โปรโตคอล TLS Notary เวอร์ชันใหม่ถูกเขียนใหม่ตั้งแต่เริ่มต้นในภาษาการเขียนโปรแกรม Rust และรวมเข้ากับโปรโตคอลการเข้ารหัสขั้นสูงเช่น MPC การอัปเดตเหล่านี้ช่วยให้ผู้ใช้สามารถพิสูจน์ความถูกต้องของข้อมูลที่ได้รับจากเซิร์ฟเวอร์ไปยังบุคคลที่สามโดยไม่เปิดเผยเนื้อหาของข้อมูล ในขณะที่ยังคงรักษาความสามารถในการตรวจสอบหลัก TLS Notary ใหม่ช่วยเพิ่มการปกป้องความเป็นส่วนตัวอย่างมีนัยสําคัญทําให้เหมาะสําหรับข้อกําหนดด้านความเป็นส่วนตัวของข้อมูลในปัจจุบันและอนาคต

3.2 ตัวแปรและส่วนขยายของ TLS Notary

ในปีสุดท้าย TLS Notary เทคโนโลยีได้เพิ่มขึ้นอย่างต่อเนื่อง ผลให้มีการพัฒนาหลายรูปแบบที่เพิ่มประสิทธิภาพของความเป็นส่วนตัวและความสามารถในการตรวจสอบข้อมูลเพิ่มขึ้น:

  • zkTLS: เป็นรุ่นที่เพิ่มความเป็นส่วนตัวของ TLS Notary ที่รวมเทคโนโลยี ZKP เข้ามา อนุญาตให้ผู้ใช้สร้างพิสูจน์ทางคริปโทกราฟิคของข้อมูลเว็บเพจโดยไม่เปิดเผยข้อมูลที่เป็นความลับใด ๆ มันเหมาะสำหรับสถานการณ์การสื่อสารที่ต้องการการป้องกันความเป็นส่วนตัวที่สูง
  • 3P-TLS (Three-Party TLS): โปรโตคอลนี้นำเสนอสามฝ่าย - ลูกค้า เซิร์ฟเวอร์ และผู้ตรวจสอบ - ทำให้ผู้ตรวจสอบสามารถยืนยันความปลอดภัยของการสื่อสารโดยไม่เปิดเผยเนื้อหา โปรโตคอลนี้เป็นประโยชน์ในสถานการณ์ที่ต้องการการโปร่งใสและความเป็นส่วนตัวเช่นการตรวจสอบความปลอดภัยหรือการทบทวนการทำธุรกรรมทางการเงิน

โครงการ Web3 ใช้เทคโนโลยีทางคริปโตกราฟฟิกเหล่านี้เพื่อเพิ่มความน่าเชื่อถือของข้อมูลและการป้องกันความเป็นส่วนตัวโดยจัดการกับปัญหาเช่นการออกเดียวของข้อมูล ฐานข้อมูลเชิงพาณิชย์และการส่งข้อมูลที่น่าเชื่อถือ ผู้ใช้สามารถยืนยันการเป็นเจ้าของบัญชีโซเชียลมีเดีย บันทึกการช้อปปิ้งสำหรับสินเชื่อทางการเงิน ประวัติเครดิตทางการธนาคาร ประวัติความเชี่ยวชาญในด้านอาชีพและประวัติการศึกษาโดยไม่ละเมิดความเป็นส่วนตัวของพวกเขา ตัวอย่างเช่น:

  • โปรโตคอลการเรียกร้อง: ใช้ zkTLS เพื่อสร้างพิสูจน์ที่ไม่รู้เรื่องของการจราจร HTTPS ที่อนุญาตให้ผู้ใช้นำเข้ากิจกรรมที่เชื่อถือได้ ชื่อเสียง และข้อมูลตัวตนจากเว็บไซต์ภายนอกโดยไม่เปิดเผยข้อมูลที่เป็นอ่อนไหว
  • zkPass: ผสานเทคโนโลยี 3P-TLS เพื่อให้ผู้ใช้สามารถยืนยันข้อมูลส่วนตัวจริงของโลกอย่างปลอดภัย ซึ่งสามารถนำไปใช้ใน KYC และบริการเครดิต นอกจากนี้ยังเข้ากันได้กับเครือข่าย HTTPS
  • Opacity Network: สร้างบน zkTLS, มันช่วยให้ผู้ใช้สามารถพิสูจน์กิจกรรมของพวกเขาอย่างปลอดภัยบนแพลตฟอร์มเช่น Uber, Spotify, และ Netflix โดยไม่ต้องเข้าถึง API ของแพลตฟอร์มเหล่านี้โดยตรง ทำให้สามารถตรวจสอบกิจกรรมข้ามแพลตฟอร์ม

(โครงการที่ทำงานกับ TLS Oracles, แหล่งที่มา: Bastian Wetzel)

การตรวจสอบข้อมูลใน Web3 เป็นลิงค์สําคัญในระบบนิเวศข้อมูลโดยมีโอกาสเป็นแอปพลิเคชันมากมาย ความเจริญรุ่งเรืองของระบบนิเวศนี้กําลังขับเคลื่อนเศรษฐกิจดิจิทัลไปสู่รูปแบบที่เปิดกว้างไดนามิกและเน้นผู้ใช้เป็นศูนย์กลางมากขึ้น อย่างไรก็ตามการพัฒนาเทคโนโลยีการตรวจสอบความถูกต้องเป็นเพียงจุดเริ่มต้นของการสร้างโครงสร้างพื้นฐานข้อมูลรุ่นต่อไป

4. เครือข่ายข้อมูลแบบกระจาย

บางโครงการได้รวมเทคโนโลยีการยืนยันข้อมูลที่กล่าวถึงข้างต้นกับการสำรวจระบบนิเวศข้อมูลบนชั้นที่สูงขึ้น เช่น การติดตามข้อมูล การสะสมข้อมูลแบบกระจายและการส่งข้อมูลที่เชื่อถือได้ ต่อไปเราจะเน้นที่โครงการที่เป็นตัวแทนที่สาม—OpenLayer, Grass และ Vana—ซึ่งเป็นตัวอย่างโครงสร้างพื้นฐานข้อมูลรุ่นถัดไปที่มีศักยภาพเป็นพิเศษ

4.1 OpenLayer

OpenLayer, หนึ่งในโครงการจาก a16z Crypto 2024 Spring Startup Accelerator, เป็นชั้นข้อมูลแบบแท้แย่งแบบโมดูลแรก มีจุดมุ่งหมายที่จะให้คำแนะนำโซลูชันโมดูลนวัตกรรมสำหรับการประสานการเก็บข้อมูล การตรวจสอบ และการแปลง การแก้ไขปัญหาที่เกิดขึ้นของ บริษัท Web2 และ Web3 OpenLayer ได้รับการสนับสนุนจากกองทุนชั้นนำและนักลงทุนเท้าเท่า รวมถึง Geometry Ventures และ LongHash Ventures

ชั้นข้อมูลแบบดั้งเดิมเผชิญหน้ากับปัญหาหลายอย่าง: ขาดกลไกการตรวจสอบที่เชื่อถือได้ พฤติกรรมที่พึ่งพากับโครงสร้างที่มีจุดศูนย์กลางซึ่งจำกัดความเข้าถึง ขาดความโต้ตอบและการไหลระหว่างระบบที่แตกต่างกัน และขาดกลไกการกระจายค่าข้อมูลที่เป็นธรรมดา

ปัญหาที่เฉพาะเจาะจงมากขึ้นคือความขาดแคลนของข้อมูลการฝึก AI บนอินเทอร์เน็ตสาธารณะ มีเว็บไซต์มากมายที่ใช้มาตรการป้องกันการสแกรปข้อมูลขนาดใหญ่โดยบริษัท AI ในขณะนี้ ในข้อมูลส่วนบุคคลที่เป็นทรัพย์สินทางปัญญา สถานการณ์ยิ่งซับซ้อนมากขึ้น ข้อมูลมีค่าบ่งบอกว่าบ่อยครั้งถูกเก็บไว้ในลักษณะที่คุ้มครองข้อมูลส่วนบุคคลเนื่องจากลักษณะที่เป็นข้อมูลที่ละเอียดอ่อน ทำให้ขาดการสร้างแรงจูงใดๆที่มีผล ผู้ใช้ไม่สามารถทำเงินจากข้อมูลส่วนตัวของตนเอง และจึงไม่อยากที่จะแบ่งปันข้อมูลที่เป็นข้อมูลที่ละเอียดอ่อน

เพื่อแก้ไขปัญหาเหล่านี้ OpenLayer ได้รวมเทคโนโลยีการตรวจสอบข้อมูลเพื่อสร้างเลเยอร์ข้อมูลที่แท้จริงแบบแยกส่วน ด้วยการกระจายอํานาจและแรงจูงใจทางเศรษฐกิจจะประสานงานกระบวนการรวบรวมข้อมูลการตรวจสอบและการเปลี่ยนแปลงโดยให้โครงสร้างพื้นฐานข้อมูลที่ปลอดภัยมีประสิทธิภาพและยืดหยุ่นมากขึ้นสําหรับ บริษัท Web2 และ Web3

4.1.1 ส่วนประกอบหลักของการออกแบบแบบสมดุลของ OpenLayer

OpenLayer ให้แพลตฟอร์มแบบโมดูลเรียบง่ายที่ช่วยในการเก็บข้อมูล การตรวจสอบที่น่าเชื่อถือ และกระบวนการการแปลง

a) OpenNodes

OpenNodes เป็นส่วนประกอบหลักที่รับผิดชอบในการเก็บรวบรวมข้อมูลแบบกระจายในระบบ OpenLayer ผ่านแอปมือถือ เสริมเบราว์เซอร์ และช่องทางอื่น ๆ ผู้ใช้สามารถเก็บรวบรวมข้อมูล ผู้ประกอบการ/โหนดที่แตกต่างกันสามารถปรับปรุงรางวัลของพวกเขาโดยการดำเนินการงานที่เหมาะสมที่สุดกับข้อมูลของพวกเขา

OpenNodes รองรับสามประเภทหลักของข้อมูล:

  • ข้อมูลบนอินเทอร์เน็ตที่สาธารณะใช้งานได้ (เช่น ข้อมูลทางการเงิน สภาพอากาศ กีฬา และสื่อสังคม)
  • ข้อมูลส่วนตัวของผู้ใช้ (เช่น ประวัติการดู Netflix, บันทึกการสั่งซื้อ Amazon)
  • ข้อมูลที่รายงานเองจากแหล่งที่เชื่อถือได้ (เช่น ข้อมูลที่ได้รับการตรวจสอบจากเจ้าของหรือฮาร์ดแวร์ที่เชื่อถือได้)

นักพัฒนาสามารถเพิ่มประเภทข้อมูลใหม่ได้ง่าย ๆ ระบุแหล่งข้อมูลและกำหนดข้อกำหนดและวิธีการเรียกคืนได้ ผู้ใช้สามารถให้ข้อมูลที่ไม่สามารถระบุตัวตนได้เป็นตัวแลกกับรางวัล การออกแบบนี้ช่วยให้ระบบขยายตัวอย่างต่อเนื่องเพื่อตอบสนองความต้องการข้อมูลใหม่ แหล่งข้อมูลที่หลากหลายทำให้ OpenLayer เหมาะสมสำหรับสถานการณ์การใช้งานต่าง ๆ และลดความยากลำบากในการให้ข้อมูล

b) OpenValidators

OpenValidators จัดการการยืนยันข้อมูลที่เก็บรวบรวมโดยช่วยให้ผู้บริโภคข้อมูลสามารถยืนยันความถูกต้องของข้อมูลที่ผู้ใช้ให้มาตรงกับแหล่งที่มาของข้อมูล วิธีการยืนยันใช้พิสูจน์ทางคริปโทกราฟฟิก และผลลัพธ์สามารถยืนยันได้ในภายหลัง ผู้ให้บริการหลายรายสามารถให้บริการยืนยันสำหรับประเภทเดียวกันของพิสูจน์ได้ ทำให้นักพัฒนาสามารถเลือกผู้ให้บริการที่เหมาะสมที่สุดตามความต้องการของพวกเขา

ในกรณีการใช้งานเบื้องต้นโดยเฉพาะสำหรับข้อมูลสาธารณะหรือส่วนตัวจาก API บนอินเทอร์เน็ต OpenLayer ใช้ TLS Notary เป็น解决方案ในการยืนยันข้อมูล โดยสามารถส่งออกข้อมูลจากแอปพลิเคชันเว็บใดก็ได้และยืนยันความถูกต้องของข้อมูลโดยไม่เปิดเผยความเป็นส่วนตัว

นอกจาก TLS Notary แล้ว ด้วยการออกแบบแบบโมดูลของมัน ระบบการตรวจสอบสามารถผสมวิธีการอื่น ๆ ได้อย่างง่ายดายเพื่อเข้ากันได้กับความต้องการข้อมูลและการตรวจสอบที่หลากหลาย เช่น:

  1. การเชื่อมต่อ TLS ที่ได้รับการรับรอง: การใช้ Trusted Execution Environments (TEEs) เพื่อเชื่อมต่อ TLS ที่ได้รับการรับรอง เพื่อให้มั่นใจในความคงสภาพและความถูกต้องของข้อมูลในระหว่างการส่ง
  2. Secure Enclaves: ใช้สิ่งแวดล้อมการแยกกันที่ระดับฮาร์ดแวร์ (เช่น Intel SGX) เพื่อประมวลผลและยืนยันข้อมูลที่เป็นความลับเพื่อการป้องกันข้อมูลระดับสูงกว่า
  3. ZK Proof Generators: การรวมศิลปะในการสร้างพรูฟที่เป็นเอกลักษณ์เพื่อยืนยันคุณสมบัติของข้อมูลหรือผลลัพธ์การคำนวณโดยไม่เปิดเผยข้อมูลใต้หลัง

c) OpenConnect

OpenConnect เป็นโมดูลที่รับผิดชอบในการแปลงข้อมูลและความสามารถในระบบนิเวศ OpenLayer โดยมันดำเนินการด้านข้อมูลจากแหล่งที่มาต่าง ๆ เพื่อให้สามารถทำงานร่วมกันได้ในระบบที่แตกต่างกันเพื่อตอบสนองความต้องการของแอปพลิเคชันที่หลากหลาย เช่น:

  • แปลงข้อมูลเป็นรูปแบบออราเคิลบนเชือกสำหรับการใช้โดยสัญญาฉลากโดยตรง
  • การประมวลผลข้อมูลที่ไม่มีระบบเป็นข้อมูลที่มีระบบสำหรับการฝึกฝน AI

การให้ความเป็นส่วนตัวในการทำข้อมูลไม่ระบุตัวตนสำหรับบัญชีส่วนตัวของผู้ใช้พร้อมทั้งเสริมความปลอดภัยในขณะแบ่งปันข้อมูลเพื่อลดการรั่วไหลและการใช้งานอย่างไม่ถูกต้อง

เพื่อตอบสนองความต้องการข้อมูลแบบเรียลไทม์สำหรับแอปพลิเคชัน AI และบล็อกเชน OpenConnect สนับสนุนการแปลงข้อมูลแบบเรียลไทม์ที่มีประสิทธิภาพ

ในปัจจุบัน ผ่านการผนวกกับ EigenLayer OpenLayer AVS (Active Validation Service) ผู้ประกอบการเฝ้าระวังงานคำขอข้อมูล รวบรวมข้อมูล ตรวจสอบ และรายงานผลลัพธ์กลับไปยังระบบ ผู้ประกอบการเสี่ยงเงินหรือเสี่ยงสินทรัพย์ที่มีอยู่บน EigenLayer เพื่อให้ความมั่นคงในเชิงเศรษฐกิจสำหรับการดำเนินการของพวกเขา พฤติกรรมที่ต่อเนื่องที่เป็นอันตรายจะทำให้เกิดการตัดสินทรัพย์ที่เสี่ยง ในฐานะโครงการ AVS ที่เป็นหนึ่งในเวลาแรกบนเครือข่ายหลัก EigenLayer OpenLayer ได้ดึงดูดความสนใจจากผู้ประกอบการมากกว่า 50 รายและสินทรัพย์ที่เสี่ยงเงินหรือเสี่ยงสินทรัพย์ที่มีอยู่มากกว่า 4 พันล้านดอลลาร์

4.2 หญ้า

Grass, โครงการหลักที่พัฒนาโดย Wynd Network ถูกออกแบบเพื่อสร้างเครือข่ายการค้นหาแบบกระจายและแพลตฟอร์มการฝึกอบรม AI เนื่องจากถึงจุดสิ้นสุดของปี 2023 หญ้าเสร็จสิ้นรอบการระดมทุนเมล็ดพันธุ์ 3.5 ล้านดอลลาร์ซึ่งนำโดย Polychain Capital และ Tribe Capital เมื่อเดือนกันยายน 2024 ได้รับเงินรอบการระดมทุนรุ่น A มูลค่า 5 ล้านดอลลาร์โดย HackVC และมีการเข้าร่วมเพิ่มเติมจาก Polychain, Delphi, Lattice, และ Brevan Howard

เนื่องจากการฝึกอบรม AI ในปัจจุบันเพิ่มขึ้นอย่างมากตามแหล่งข้อมูลที่หลากหลายและกว้างขวาง Grass ตอบสนองความต้องการนี้โดยการสร้างเครือข่ายโหนดเว็บครอลเลอร์แบบกระจาย เครือข่ายนี้ใช้โครงสร้างพื้นฐานทางกายภาพที่ไม่มีความเชื่อมั่นและแบนด์วิดธรรมชาติที่ว่างเปล่าเพื่อรวบรวมและให้ข้อมูลที่สามารถตรวจสอบได้สำหรับการฝึก AI โหนดมีการเปิดเส้นทางคำขอเว็บผ่านการเชื่อมต่ออินเทอร์เน็ตของผู้ใช้ เข้าถึงเว็บไซต์สาธารณะและรวบรวมข้อมูลโครงสร้าง การทำความสะอาดข้อมูลและการจัดรูปแบบเริ่มต้นถูกดำเนินการโดยใช้เทคโนโลยีคอมพิวเตอร์ขอบ เพื่อให้มั่นใจในคุณภาพของผลลัพธ์

Grass ใช้โครงสร้าง Solana Layer 2 Data Rollup เพื่อเพิ่มประสิทธิภาพในการประมวลผล ผู้ตรวจสอบจะได้รับการยืนยันและประมวลผลทรัพยากรเว็บจากโหนดเพื่อสร้าง Zero-Knowledge (ZK) proof เพื่อยืนยันความถูกต้องของข้อมูล ข้อมูลที่ผ่านการยืนยันจะถูกจัดเก็บใน Grass Data Ledger (L2) พร้อมกับพิสูจน์ที่เกี่ยวข้องเชื่อมโยงกับบล็อกเชน Solana L1

4.2.1 ส่วนประกอบสำคัญของหญ้า

a) โหนดหญ้า:

ผู้ใช้ติดตั้งแอป Grass หรือส่วนขยายเบราว์เซอร์ เพื่อให้แบนด์วิดธรรมดาของพวกเขาเป็นพลังงานให้กับการค้นหาเว็บแบบกระจาย. โหนดกำหนดเส้นทางของคำขอเว็บ, เข้าถึงเว็บไซต์สาธารณะ, และรวบรวมชุดข้อมูลโครงสร้าง. โดยใช้การคำนวณด้านขอบ, พวกเขาดำเนินการทำความสะอาดข้อมูลเบื้องต้นและจัดรูปแบบ. ผู้ใช้ได้รับ GRASS token เป็นรางวัลตามการมีส่วนร่วมของแบนด์วิดธรรมดาและปริมาณข้อมูลที่ให้ไว้.

b) เราเตอร์:

เป็นตัวกลางในการเชื่อมต่อระหว่างโหนด Grass กับผู้ตรวจสอบ พวกเขาจัดการเครือข่ายโหนดและส่งสัญญาณแบนด์วิดท์และได้รับสิทธิตามแบนด์วิดท์ที่ได้รับการยืนยันทั้งหมดที่พวกเขาช่วยให้

c) Validators:

Validators ได้รับและยืนยันธุรกรรมเว็บที่ถูกส่งต่อโดยเราเตอร์ พวกเขาสร้าง ZK proofs เพื่อยืนยันความถูกต้องของข้อมูล โดยใช้ชุดคีย์ที่ไม่เหมือนกันเพื่อสร้างการเชื่อมต่อ TLS ที่ปลอดภัยและชุดการเข้ารหัส ในขณะที่ Grass ใช้ validators ที่มีศูนย์กลางในปัจจุบัน มีแผนที่จะเปลี่ยนไปใช้คณะกรรมการ validators ที่กระจายอยู่

d) ZK Processors:

ตัวประมวลผลเหล่านี้ตรวจสอบพิสูจน์ข้อมูลเซสชันโหนดและจัดชุดพิสูจน์คำขอเว็บทั้งหมดสำหรับส่งให้กับ Solana Layer 1

e) ดาต้าเลเยอร์ของข้อมูลหญ้า (Grass L2):

The Grass Data Ledger เก็บข้อมูลชุดประสมและเชื่อมโยงกับพิสูจน์ L1 ที่เกี่ยวข้องใน Solana เพื่อให้โปร่งใสและสามารถติดตามได้

f) รูปแบบการฝังข้อมูลขอบ:

โมเดลเหล่านี้ทำให้ข้อมูลบนเว็บที่ไม่มีโครงสร้างกลายเป็นชุดข้อมูลที่เหมาะสมสำหรับการฝึก AI

แหล่งที่มา: หญ้า

เปรียบเทียบ: หญ้า vs OpenLayer

Grass และ OpenLayer มีความมุ่งมั่นที่จะใช้เครือข่ายกระจายเพื่อให้บริษัทสามารถเข้าถึงข้อมูลอินเทอร์เน็ตเปิดและข้อมูลส่วนตัวที่ได้รับการรับรองได้ ทั้งสองใช้กลไกสะสมแรงจูงใจเพื่อส่งเสริมการแบ่งปันข้อมูลและการผลิตชุดข้อมูลคุณภาพสูง แต่สถาปัตยกรรมทางเทคนิคและโมเดลธุรกิจของพวกเขาแตกต่างกัน

โครงสร้างทางเทคนิค:

Grass ใช้โครงสร้าง Solana Layer 2 Data Rollup ด้วยการตรวจสอบแบบกลางที่เชื่อถือได้โดยมีผู้ตรวจสอบเพียงคนเดียว OpenLayer ในฐานะผู้ใช้งานแรกของ EigenLayer’s AVS (Active Validation Service) ใช้กลไกการตรวจสอบแบบกระจายโดยใช้กำลังเศรษฐศาสตร์และการลดค่าตัดบัตร การออกแบบโมดูลาร์เน้นความยืดหยุในการขยายขอบเขตและความยืดหยุในการให้บริการการตรวจสอบข้อมูล

ศูนย์焦点:

โครงการทั้งสองอนุญาตให้ผู้ใช้ทำกำไรจากข้อมูลผ่านโหนด แต่กรณีการใช้งานทางธุรกิจของพวกเขาแตกต่างกัน:

  • Grass มีรูปแบบตลาดข้อมูลโดยใช้ L2 เพื่อจัดเก็บชุดข้อมูลที่มีโครงสร้างและมีคุณภาพสูงตรวจสอบได้ ชุดข้อมูลเหล่านี้ได้รับการปรับแต่งสําหรับ บริษัท AI ในฐานะทรัพยากรการฝึกอบรม
  • OpenLayer ให้ความสำคัญกับการตรวจสอบการสตรีมข้อมูลแบบเรียลไทม์ (VaaS) มากกว่าการจัดเก็บข้อมูลที่ประส dedic ให้บริการสถานการณ์ที่เปลี่ยนไปได้เช่น oracles สำหรับ RWA / DeFi / prediction markets, ข้อมูลสังคมแบบเรียลไทม์ และการใช้งาน AI ที่ต้องการให้ข้อมูลเข้ามาทันที

Grass primarily targets AI companies and data scientists needing large-scale, structured datasets, as well as research institutions and enterprises requiring web-based data. OpenLayer caters to Web3 developers needing off-chain data sources, AI companies requiring real-time, verifiable streams, and businesses pursuing innovative strategies like verifying competitor product usage.

การแข่งขันและความสอดคล้องในอนาคต

ขณะที่โครงการทั้งสองกำลังครอบคลุมสาขาที่แตกต่างกันอย่างชัดเจน ฟังก์ชันของพวกเขาอาจจะรวมกันเมื่ออุตสาหกรรมเติบโตขึ้น:

  • หญ้าอาจขยายตัวเพื่อให้ข้อมูลโครงสร้างแบบเรียลไทม์
  • OpenLayer อาจพัฒนาบัญชีข้อมูลที่มุ่งเน้นการจัดการชุดข้อมูล

โครงการทั้งสองยังสามารถรวมข้อมูลในการติดป้ายชั้นเป็นขั้นตอนที่สำคัญสำหรับชุดข้อมูลการฝึกฝน Grass ด้วยเครือข่ายที่กว้างขวางมากกว่า 2.2 ล้านโหนดที่ใช้งานอยู่ อาจจะใช้บริการของ Reinforcement Learning with Human Feedback (RLHF) เพื่อปรับปรุงโมเดล AI อย่างรวดเร็ว OpenLayer ด้วยความเชี่ยวชาญในการตรวจสอบข้อมูลแบบเรียลไทม์และการประมวลผลข้อมูล อาจรักษาข้อเปรียบเทียบในความน่าเชื่อถือและคุณภาพข้อมูลโดยเฉพาะสำหรับชุดข้อมูลส่วนตัว

แม้จะมีศักยภาพทับซ้อนกัน แต่จุดแข็งที่เป็นเอกลักษณ์และแนวทางทางเทคโนโลยีของพวกเขาอาจช่วยให้พวกเขาครองช่องต่างๆภายในระบบนิเวศข้อมูลแบบกระจายอํานาจ

(ที่มา:IOSG, David)

4.3 Vana: เครือข่ายสระว่ายน้ำข้อมูลที่ให้บริการตามผู้ใช้

Vana เป็นเครือข่ายสระว่ายน้ำข้อมูลที่ให้บริการข้อมูลคุณภาพสูงสำหรับ AI และแอปพลิเคชันที่เกี่ยวข้องที่มุ่งเน้นผู้ใช้ หลักการทางเทคโนโลยีและธุรกิจของ Vana แตกต่างจาก OpenLayer และ Grass อย่างชัดเจน ในเดือนกันยายน พ.ศ. 2567 Vana ได้รับการลงทุนรวมทีม 5 ล้านดอลลาร์ฯ ภายใต้การนำทีมของ Coinbase Ventures หลังจากที่ Paradigm เป็นผู้ลงทุนหลักในรอบ A มูลค่า 18 ล้านดอลลาร์ โดยมีความร่วมมือจาก Polychain และ Casey Caruso

Vana เปิดตัวครั้งแรกในปี 2018 ในฐานะโครงการวิจัย MIT เป็นบล็อกเชนเลเยอร์ 1 ที่ทุ่มเทให้กับข้อมูลผู้ใช้ส่วนตัว นวัตกรรมในการเป็นเจ้าของข้อมูลและการกระจายมูลค่าช่วยให้ผู้ใช้สามารถทํากําไรจากโมเดล AI ที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลของตน Vana บรรลุเป้าหมายนี้ผ่าน Data Liquidity Pools (DLPs) ที่ไม่น่าเชื่อถือ เป็นส่วนตัว และที่เกี่ยวข้อง และกลไก Proof of Contribution ที่เป็นนวัตกรรมใหม่ที่อํานวยความสะดวกในการไหลและการสร้างรายได้จากข้อมูลส่วนตัว

4.3.1. สระน้ำหล่อเหลือของข้อมูล (DLPs)

Vana นําเสนอแนวคิดที่เป็นเอกลักษณ์ของ Data Liquidity Pools (DLPs) ซึ่งเป็นแกนหลักของเครือข่าย Vana แต่ละ DLP เป็นเครือข่ายเพียร์ทูเพียร์อิสระที่รวบรวมสินทรัพย์ข้อมูลบางประเภท ผู้ใช้สามารถอัปโหลดข้อมูลส่วนตัวเช่นบันทึกการช็อปปิ้งพฤติกรรมการท่องเว็บและกิจกรรมโซเชียลมีเดียลงใน DLP ที่กําหนดและตัดสินใจว่าจะอนุญาตการใช้งานของบุคคลที่สามหรือไม่

ข้อมูลภายในพูลเหล่านี้จะถูกเข้ารหัสเพื่อป้องกันความเป็นส่วนตัวของผู้ใช้ในขณะที่ยังคงสามารถใช้งานได้สำหรับการประยุกต์ทางธุรกิจ เช่นการฝึกโมเดล AI และการวิจัยตลาด ผู้ใช้ที่มีส่วนร่วมในการให้ข้อมูลให้กับ DLP จะได้รับการตอบแทนด้วยโทเคน DLP ที่สอดคล้องกัน โทเคนเหล่านี้แทนการสนับสนุนของผู้ใช้ในพูล มอบสิทธิ์ในการปกครอง และมอบสิทธิ์ให้ผู้ใช้ได้รับส่วนแบ่งของกำไรในอนาคต

ไม่เหมือนการขายข้อมูลแบบดั้งเดิมครั้งหนึ่ง Vana ช่วยให้ข้อมูลสามารถเข้าร่วมในกระแสเศรษฐกิจอย่างต่อเนื่อง ทำให้ผู้ใช้ได้รับรางวัลต่อเนื่องพร้อมการติดตามการใช้งานที่โปร่งใสและมองเห็นได้

4.3.2. กลไกการสำรวจหลักฐานการมีส่วนร่วม

กลไก Proof of Contribution (PoC) เป็นรากฐานที่สําคัญของแนวทางของ Vana ในการรับรองคุณภาพของข้อมูล แต่ละ DLP สามารถกําหนดฟังก์ชัน PoC ที่ไม่ซ้ํากันซึ่งปรับให้เหมาะกับลักษณะเฉพาะตรวจสอบความถูกต้องและความสมบูรณ์ของข้อมูลที่ส่งและประเมินการมีส่วนร่วมในการปรับปรุงประสิทธิภาพของโมเดล AI กลไกนี้วัดปริมาณการมีส่วนร่วมของผู้ใช้บันทึกเพื่อจัดสรรรางวัล เช่นเดียวกับแนวคิด "Proof of Work" ในสกุลเงินดิจิทัล PoC ให้รางวัลแก่ผู้ใช้ตามคุณภาพของข้อมูลปริมาณและความถี่ในการใช้งาน สัญญาอัจฉริยะทําให้กระบวนการนี้เป็นไปโดยอัตโนมัติเพื่อให้แน่ใจว่าผู้มีส่วนร่วมจะได้รับการชดเชยอย่างเป็นธรรมและโปร่งใส

โครงสร้างเทคนิคของวานา

  1. ชั้นข้อมูลความเหลื่อม

ชั้นนี้ช่วยให้การมีส่วนร่วม การตรวจสอบ และการบันทึกข้อมูลเข้าสู่ DLPs โดยทำให้ข้อมูลกลายเป็นสินทรัพย์ดิจิทัลที่สามารถโอนได้บนเชน ผู้สร้าง DLP ใช้สมาร์ทคอนแทรคติ้งเพื่อกำหนดวัตถุประสงค์ วิธีการตรวจสอบ และพารามิเตอร์การมีส่วนร่วม ผู้มีส่วนร่วมในข้อมูลยื่นข้อมูลเพื่อการตรวจสอบ และโมดูล PoC ประเมินคุณภาพของข้อมูลและกำหนดสิทธิการปกครองและรางวัล

  1. ดาต้าเลเยอร์การถ่ายโอนข้อมูล:

เป็นชั้นแอปพลิเคชันของวาน่า แพลตฟอร์มนี้สะดวกต่อการทำงานร่วมกันระหว่างผู้ส่งข้อมูลและนักพัฒนา และให้โครงสร้างพื้นฐานสำหรับการสร้างโมเดลการฝึกอบรม AI แบบกระจายและ AI DApps โดยใช้ความเหมาะสมใน DLPs

  1. Connectome:

บัญชีแยกประเภทแบบกระจายอํานาจที่สนับสนุนระบบนิเวศของ Vana Connectome ทําหน้าที่เป็นแผนที่การไหลของข้อมูลแบบเรียลไทม์ บันทึกธุรกรรมข้อมูลแบบเรียลไทม์ทั้งหมดโดยใช้ฉันทามติ Proof of Stake เพื่อให้มั่นใจว่าการถ่ายโอนโทเค็น DLP มีประสิทธิภาพและเปิดใช้งานการเข้าถึงข้อมูลข้าม DLP เข้ากันได้อย่างสมบูรณ์กับ EVM ช่วยให้สามารถทํางานร่วมกับเครือข่ายโปรโตคอลและแอปพลิเคชัน DeFi อื่น ๆ

(Source: Vana)

Vana ให้แนวทางใหม่โดยมุ่งเน้นไปที่สภาพคล่องและการเสริมพลังของข้อมูลผู้ใช้ รูปแบบการแลกเปลี่ยนข้อมูลแบบกระจายอํานาจนี้ไม่เพียง แต่รองรับการฝึกอบรม AI และตลาดข้อมูล แต่ยังช่วยให้สามารถแบ่งปันข้อมูลข้ามแพลตฟอร์มและเป็นเจ้าของในระบบนิเวศ Web3 ได้อย่างราบรื่น ท้ายที่สุดแล้วมันส่งเสริมอินเทอร์เน็ตแบบเปิดที่ผู้ใช้สามารถเป็นเจ้าของและจัดการข้อมูลและผลิตภัณฑ์อัจฉริยะที่สร้างขึ้นจากมัน

5. คุณค่าของพร็อพอสิชันของเครือข่ายข้อมูลแบบกระจาย

ในปี 2006 นักวิทยาศาสตร์ข้อมูล Clive Humby ได้กล่าวถึงว่า "ข้อมูลคือน้ำมันใหม่" ตลอด 20 ปีที่ผ่านมา เราเห็นพัฒนาการทางเทคโนโลยีที่รวดเร็วที่ "ประมวล" ทรัพยากรนี้ เช่น การวิเคราะห์ข้อมูลขนาดใหญ่และการเรียนรู้ของเครื่อง เหล่านี้ได้ปลดล็อคค่ามูลค่าที่ไม่เคยเคยมาจากข้อมูล ตาม IDC โดย 2025 โลก data sphere จะขยายตัวไปยัง 163 ZB โดยส่วนใหญ่มาจากบุคคล ด้วย IoT, อุปกรณ์สวมใส่, ปัญญาประดิษฐ์ และบริการที่ประยุกต์ส่วนตัวที่กำลังกลายเป็นที่ทั่วไปมากขึ้น ข้อมูลที่จำเป็นสำหรับการใช้งานทางพาณิชย์จะมาจากบุคคล

ความท้าทายของโซลูชันแบบดั้งเดิมและนวัตกรรม Web3

โซลูชันข้อมูล Web3 เอาชนะข้อ จํากัด ของโครงสร้างพื้นฐานแบบดั้งเดิมโดยใช้ประโยชน์จากเครือข่ายโหนดแบบกระจาย เครือข่ายเหล่านี้ช่วยให้สามารถรวบรวมข้อมูลได้กว้างขึ้นและมีประสิทธิภาพมากขึ้นในขณะที่ปรับปรุงการเข้าถึงแบบเรียลไทม์และการตรวจสอบความถูกต้องของชุดข้อมูลเฉพาะ เทคโนโลยี Web3 ช่วยให้มั่นใจได้ถึงความถูกต้องและความสมบูรณ์ของข้อมูลในขณะที่ปกป้องความเป็นส่วนตัวของผู้ใช้ส่งเสริมรูปแบบการใช้ข้อมูลที่ยุติธรรมยิ่งขึ้น สถาปัตยกรรมแบบกระจายอํานาจนี้ทําให้การเข้าถึงข้อมูลเป็นประชาธิปไตยและช่วยให้ผู้ใช้สามารถแบ่งปันผลประโยชน์ทางเศรษฐกิจของเศรษฐกิจข้อมูลได้

ทั้ง OpenLayer และ Grass พึงพอมีการใช้โมเดลผู้ใช้-โหนดเพื่อเสริมกระบวนการเก็บข้อมูลที่เฉพาะเจาะจง ในขณะที่ Vana ทำกำไรจากข้อมูลส่วนตัวของผู้ใช้ ทั้งนี้ไม่เพียงทำให้มีประสิทธิภาพเพิ่มขึ้นเท่านั้น แต่ยังทำให้ผู้ใช้ทั่ว ๆ ไปเข้าร่วมส่วนร่วมในค่าที่สร้างขึ้นโดยเศรษฐกิจข้อมูล ทำให้เกิดสถานการณ์ที่ชนะ-ชนะสำหรับผู้ใช้และนักพัฒนา

ผ่านทางโทเคนอมิกส์ โซลูชันข้อมูล Web3 ทำการออกแบบรูปแบบกระตุ้นใหม่ โดยสร้างระบบสร้างสรรค์มูลค่าที่ยุติธรรมมากขึ้น ระบบเหล่านี้ดึงดูดความสนใจจากผู้ใช้และทรัพยากรฮาร์ดแวร์ และการลงทุนทุนทรัพย์ ทำให้การดำเนินการของเครือข่ายข้อมูลทั้งหมดเป็นไปอย่างมีประสิทธิภาพ

โซลูชัน Web3 นี้มีความโมดูลาริตีและมีความยืดหยุ่น ทำให้สามารถที่จะมีการอัพเกรดเทคโนโลยีและการขยายโครงสร้างระบบได้ เช่น: การออกแบบโมดูลของ OpenLayer มีความยืดหยุ่นที่สุดสำหรับการพัฒนาในอนาคต; โครงสร้างที่กระจายของ Grass ทำให้สามารถใช้งานการฝึกอบรมโมเดล AI ได้อย่างมีประสิทธิภาพ โดยการให้ข้อมูลชุดที่หลากหลายและมีคุณภาพสูง

ตั้งแต่การสร้างข้อมูลการจัดเก็บและการตรวจสอบไปจนถึงการแลกเปลี่ยนและการวิเคราะห์โซลูชันที่ขับเคลื่อนด้วย Web3 จะแก้ไขข้อบกพร่องของโครงสร้างพื้นฐานแบบดั้งเดิม ด้วยการทําให้ผู้ใช้สามารถสร้างรายได้จากข้อมูลโซลูชันเหล่านี้จะเปลี่ยนเศรษฐกิจข้อมูลโดยพื้นฐาน

เมื่อเทคโนโลยีเติบโตและสถานการณ์การใช้งานขยายออก ชั้นทราบข้อมูลที่ไม่มีการจำกัดกำลังจะกลายเป็นปูมฐานของโครงสร้างพื้นฐานรุ่นต่อไป พวกเขาจะสนับสนุนธุรกิจที่ใช้ข้อมูลในหลากหลายวงกลม พร้อมทำให้ผู้ใช้มีความสามารถในการควบคุมข้อมูลของตนและศักยภาพทางเศรษฐกิจของมัน

ข้อความปฏิเสธความรับผิดชอบ:

  1. บทความนี้ถูกพิมพ์ซ้ำจาก [ ไอโอเอสจี เวนเจอร์ส]. สงวนลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [IOSG Ventures] หากมีคำประทับใจต่อการเผยแพร่นี้ กรุณาติดต่อ เกตเรียนทีมงาน และพวกเขาจะดูแลมันอย่างรวดเร็ว
  2. คำโต้แย้งความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่ใช่คำแนะนำในการลงทุน
  3. ทีม Gate Learn แปลบทความเป็นภาษาอื่น ห้ามคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่แปลแล้ว เว้นแต่จะกล่าวถึง
ابدأ التداول الآن
اشترك وتداول لتحصل على جوائز ذهبية بقيمة
100 دولار أمريكي
و
5500 دولارًا أمريكيًا
لتجربة الإدارة المالية الذهبية!