作為全球首創的案例，深圳資料交易所（深數所）促成了一項交易，透過Web3 基礎設施將去中心化、社群貢獻的AI 資料引入真實的工業應用情境。作為中國數位經濟中最大的資料市場化與跨國流通國家級資料交易平台，深數所提供合規保障、流通支援、供需對接及生態發展等全套服務，協助企業與使用者有效率地完成資料交易。

作者在先前的文章中一再強調，數據必將成為全球AI 競賽中的下一個兵家必爭之地。本文將深入探討深數所如何透過去中心化AI（DeAI）驅動的商業化模式，在跨國資料收集中邁出關鍵一步。

AI 的瓶頸：數據

首先，我們必須重申當前全球AI 產業面臨的主要瓶頸：資料荒。

隨著越來越多的行業與企業依賴AI 模型進行創新，對高品質訓練資料的需求正在急劇上升。這項挑戰波及各領域：

• 醫療健康：AI 驅動的診斷系統需要大量的醫學影像和病歷數據，才能準確識別疾病。

• 自動駕駛：自動駕駛汽車需要數百萬英里的多樣化駕駛數據，才能安全應對現實複雜場景。

• 金融建模：用於詐欺偵測或市場預測的AI 演算法依賴大量的交易資料。

• 智慧製造：設備、材料和缺陷影像等高解析度數據，是電腦視覺模型在自動化和品質控制中的關鍵。
  
  

於是，核心問題變成了：我們如何大規模取得如此龐大的資料量？

傳統的中心化資料收集方式有許多限制：

• 地緣政治與監管限制使得跨國資料共享困難重重；

• 歐洲GDPR等資料隱私法規，對資料收集與使用提出嚴格要求；

• 中心化資料集缺乏多樣性，容易導致AI 模型偏見；

• 資料取得不平等，只有大科技公司能掌控高價值資料湖，形成「圍牆花園」效應。

深數所利用DeAI 實現的務實突破

儘管晶片之爭佔據了新聞頭條，但一場同樣重要的數據戰也在悄悄進行中。近日，深數所促成了一項意義深遠的商業交易，參與者包括中國領先上市AI 企業深圳雲天勵飛和去中心化AI 解決方案提供商OORT。

雲天勵飛一直致力於開發業界專用的AI 解決方案以提升其智慧工廠能力，其中包括對專業防護口罩和狹小空間通風管道等工業數據的需求。 OORT 透過其產品OORT DataHub，實現了這些資料的採集，方式是將資料任務分發給遍布130 多個國家的全球社群。參與者可以貢獻數據並獲得加密貨幣激勵，這機制是傳統銀行或Web2 平台所無法實現的。

這項交易標誌著首個真正可商業化的、全球去中心化資料收集模式的實現，為跨國數據服務帶來了重大突破。

ADX 等傳統平台的局限性

雖然亞馬遜的AWS Data Exchange（ADX）等平台已廣為人知，但它們在推動AI 全球化的下一階段中存在明顯限制：

• 缺乏開放、社區貢獻的數據：ADX 主要是由商業企業主導的B2B 市場，排除了來自發展中地區、本地社區、學術研究和開源組織的寶貴數據。例如，印度農村的水質公民科學數據或非洲農民收集的農業數據，對於訓練AI 模型而言價值龐大。

• 跨國合規難題：在中國、印度和歐盟等資料在地化法律嚴格的司法轄區，跨國資料傳輸面臨許多限制。

• 中心化存取模式：使用者必須依賴AWS 帳戶與Amazon 的基礎設施及政策，缺乏內建的資料所有權驗證或自我主權身份，發布者被迫依賴AWS 進行訂閱與計費管理。

• 全球代表性不足：資料提供者主要集中在美國和歐洲，非洲、拉丁美洲、東南亞的中小企業和研究人員，以及原住民資料持有者和社區/設備產生資料（如農村IoT 資料）被嚴重低估。

• 互通性受限：雖然ADX 與AWS 生態整合良好，但缺乏與其他雲端平台和Web3 工具的開放互通，阻礙其與Google Cloud、IPFS/Filecoin、去中心化運算層和原生區塊鏈應用的整合。

DeAI 走出炒作，邁向實操

在此背景下，去中心化AI（DeAI）領域正取得重要進展，致力於在大廠壟斷主導的AI 格局中，建構更開放的未來。

最近，兩個DeAI 聯盟在同一天宣布成立：

首先是HumanAIx，由包括OORT、YGG、NEO 和io.net 在內的13 個Web3 實體發起，推出了一個開放協議，旨在無縫連接各參與方。每個成員都提供關鍵組成部分——驗證、儲存、計算和數據，共同建立一個無需許可、可擴展、可驗證的DeAI 基礎設施。協定採用三層架構－介面層、協定層（整合運算、儲存和資料）和安全層，結合產業經驗營造開放式DeAI 發展環境。

同時，另一批Web3 領導企業，包括NEAR、Aethir 和Coinbase，共同組成了Open Agents Alliance（OAA），致力於保障AI 的安全、開源、經濟和公平使用。

儘管當前加密市場走勢低迷，AI 也難免遭遇炒作泡沫，但令人欣慰的是，行業中的嚴肅參與者已開始推進深遠且可持續的解決方案。最終，只有具備可行商業模式的計畫才能存活下來。深數所藉助去中心化資料收集邁出了關鍵一步，標誌著全球資料格局正在轉變。它提醒我們，是時候重新思考AI 發展中資料的收集、驗證與管理方式了。