Los datos de entrenamiento de IA el año pasado no fueron los que más discutieron, sino que el problema era que, incluso si se usaban, no se podía demostrar su origen — tan pronto como el modelo se ponía en línea, lo acusaban de "infracción de datos". El módulo Seal, lanzado recientemente por el ecosistema Walrus, es una nueva idea: al subir archivos, primero se dividen en cientos de fragmentos usando código de corrección de errores, y luego, mediante una clave de umbral, se escribe directamente el permiso de acceso en el objeto en la cadena Sui. El servicio de inferencia solo puede acceder a los fragmentos autorizados en un entorno aislado, sin tocar el archivo original en sí. De esta forma, la fuente del entrenamiento del modelo puede justificarse desde el punto de vista legal, la comunidad puede verificarla, y no hay forma de culpar a otros.

En comparación con otras soluciones — como un almacenamiento principal que solo proporciona hashes de contenido, o plataformas que usan almacenamiento público y permanente para una "transacción única" —, Seal combina protección de la privacidad, eliminación controlada y resistencia a la manipulación, que originalmente tenían necesidades contradictorias.

Las desventajas también son evidentes: el costo de rotar las claves no es bajo. Si se cambia la clave de datos de 200GB de una sola vez, primero hay que desbloquear la clave antigua y luego autorizar la nueva, lo que hace que el proceso sea más complejo que las soluciones convencionales, especialmente cuando se acerca la fecha límite del proyecto, lo que puede causar dolores de cabeza al equipo de desarrollo. Sin embargo, ya circulan plantillas de scripts en la comunidad, y en el futuro, integrarlas en los procesos CI/CD debería mejorar bastante.