Les données d'entraînement AI l'année dernière n'ont pas été autant sujettes à la controverse sur le manque de matériel, mais plutôt sur le fait qu'une fois utilisées, il était impossible de prouver leur origine — dès que le modèle était lancé, il était accusé de "violation de droits sur les données". Le module Seal récemment lancé par l'écosystème Walrus propose une nouvelle approche : lors du téléchargement de fichiers, ils sont d'abord découpés en plusieurs centaines de fragments à l'aide d'un code de correction d'erreurs, puis l'accès est directement inscrit dans un objet sur la chaîne Sui via une clé à seuil. Le service d'inférence ne peut accéder qu'aux fragments autorisés dans un environnement isolé, le fichier original restant totalement inaccessible. Ainsi, la provenance de l'entraînement du modèle peut être légalement justifiée, la communauté peut également la vérifier, et il est impossible de rejeter la responsabilité.

Par rapport à d'autres solutions — comme un stockage principal qui ne fournit que le hash du contenu, ou une plateforme principale utilisant un stockage permanent public en "vente à la pièce" — cette méthode Seal combine la protection de la vie privée, la suppression contrôlée, et l'intégrité contre la falsification, trois besoins qui semblaient contradictoires.

Les inconvénients sont également évidents : le coût de rotation des clés n'est pas négligeable. Si l'on doit changer la clé de 200 Go de données en une seule fois, il faut d'abord déverrouiller l'ancienne clé, puis autoriser la nouvelle, ce qui rend le processus plus complexe que les solutions classiques, surtout en cas de pression pour respecter une date limite de projet, ce qui peut donner des maux de tête à l'équipe de développement. Cependant, des scripts modèles existent déjà dans la communauté, et leur intégration dans le processus CI/CD devrait permettre d'optimiser cela considérablement.