Подготовка данных для обучения ИИ в прошлом году вызывала наибольше всего споров не из-за нехватки материалов, а из-за невозможности доказать источник — как только модель выходит в сеть, её начинают критиковать за "нарушение авторских прав данных". Недавно экосистема Walrus представила новый подход через модуль Seal: при загрузке файла его сначала разбивают на сотни фрагментов с помощью стираемых кодов, затем через пороговую криптографию права доступа записываются непосредственно в объекты блокчейна Sui. Сервис вывода может получить доступ только к авторизованным фрагментам в изолированной среде, исходный файл полностью недоступен. Таким образом, источники обучающих данных моделей получают юридическое обоснование, сообщество может провести верификацию, и отрицать ответственность невозможно.

По сравнению с другими решениями — ведущие системы хранения предлагают только хэши контента, другие платформы используют публичное постоянное хранилище как "непреложный факт" — подход Seal объединяет три изначально противоречивых требования: защиту конфиденциальности, контролируемое удаление и защиту от модификации.
Минусы очевидны: стоимость ротации ключей велика. Если нужно одновременно обновить ключи для 200 ГБ данных, придётся сначала разблокировать старый ключ, затем авторизовать новые фрагменты — процесс намного сложнее стандартных решений и может доставить разработчикам проблемы, особенно при срочных проектах. Однако в сообществе уже циркулируют готовые скрипты-шаблоны, и интеграция в CI/CD конвейер в будущем должна оптимизировать процесс.