Data pelatihan AI tahun lalu bukanlah soal sulit menemukan materi, melainkan tidak bisa membuktikan sumbernya—begitu model diluncurkan langsung diserang dengan tuduhan "pelanggaran data". Modul Seal yang baru saja dirilis oleh ekosistem Walrus merupakan sebuah pendekatan baru: saat mengunggah file, terlebih dahulu dipecah menjadi ratusan fragmen menggunakan kode koreksi eror, kemudian melalui kunci threshold menulis hak akses langsung ke objek di rantai Sui, layanan inferensi hanya bisa mengakses fragmen yang diberi otorisasi di lingkungan terisolasi, file asli sama sekali tidak bisa diakses. Dengan cara ini, sumber pelatihan model bisa dipertanggungjawabkan secara hukum, komunitas juga bisa memverifikasi, dan tidak bisa disalahkan.

Dibandingkan solusi lain—seperti platform penyimpanan utama yang hanya menyediakan hash konten, atau platform lain yang menggunakan penyimpanan permanen terbuka secara publik—Seal ini menggabungkan perlindungan privasi, penghapusan yang dapat dikendalikan, dan ketahanan terhadap perubahan data yang sebelumnya bertentangan.

Kelemahannya juga jelas: biaya pergantian kunci tidak murah. Jika harus mengganti kunci data sebesar 200GB sekaligus, harus terlebih dahulu membuka kunci lama lalu mengotorisasi file baru, proses operasinya lebih rumit daripada solusi konvensional, terutama saat mendesak tenggat waktu proyek yang bisa membuat tim pengembang pusing. Namun, komunitas sudah memiliki template skrip yang siap digunakan, dan integrasi ke dalam proses CI/CD di masa depan seharusnya bisa meningkatkan efisiensi.