#SuiFoundationInvests $30M dans DATA Network
La Sui Foundation investit 30 millions de dollars dans DATA Network — la course aux données pour l’IA devient sérieuse
À mon avis, le plus intéressant dans l’investissement de 30 millions de dollars de Sui dans DATA Network, ce n’est pas le montant. C’est le type d’infrastructure que Sui choisit de soutenir.
Cet investissement stratégique fait de la Sui Foundation le principal détenteur institutionnel du réseau. DATA Network et son registre Trace rejoignent l’écosystème Sui, et Walrus devient la couche de stockage par défaut des applications de DATA Foundation.
Voici pourquoi c’est important.
Les modèles d’IA ont besoin de bien plus que de puissance de calcul. Ils ont besoin de données d’entraînement fiables, de droits d’utilisation clairs, d’une provenance vérifiable et d’un moyen de rémunérer les contributeurs. Trace est conçu pour suivre ces droits et la provenance des données. Selon les informations disponibles, plus de 250 millions de contributions y ont été enregistrées, et la plateforme traite en moyenne plus de 3 millions de reçus par jour.
L’avancée majeure consiste à relier ces différents éléments.
Sui fournit l’infrastructure blockchain. Walrus assure le stockage des données. Trace permet de suivre leur provenance et les droits associés. Ensemble, ces solutions visent à faciliter la vérification, l’octroi de licences et l’utilisation des données d’entraînement de l’IA.
Un détail que les traders ne devraient pas négliger : la chaîne autonome de DATA Network devrait être abandonnée, et les jetons DATA existants migreront vers Sui selon un ratio de 1:1. Le calendrier détaillé de la transition n’a pas encore été communiqué. Les détenteurs devraient donc attendre les instructions officielles plutôt que de supposer que la migration est terminée.
Ce que j’en retiens : la compétition dans le domaine de l’IA ne porte pas uniquement sur la création du modèle le plus intelligent. Elle concerne aussi la mise en place d’une infrastructure fiable pour les données à partir desquelles ces modèles apprennent.
C’est ce qui rend ce partenariat intéressant.
La Sui Foundation investit 30 millions de dollars dans DATA Network — la course aux données pour l’IA devient sérieuse
À mon avis, le plus intéressant dans l’investissement de 30 millions de dollars de Sui dans DATA Network, ce n’est pas le montant. C’est le type d’infrastructure que Sui choisit de soutenir.
Cet investissement stratégique fait de la Sui Foundation le principal détenteur institutionnel du réseau. DATA Network et son registre Trace rejoignent l’écosystème Sui, et Walrus devient la couche de stockage par défaut des applications de DATA Foundation.
Voici pourquoi c’est important.
Les modèles d’IA ont besoin de bien plus que de puissance de calcul. Ils ont besoin de données d’entraînement fiables, de droits d’utilisation clairs, d’une provenance vérifiable et d’un moyen de rémunérer les contributeurs. Trace est conçu pour suivre ces droits et la provenance des données. Selon les informations disponibles, plus de 250 millions de contributions y ont été enregistrées, et la plateforme traite en moyenne plus de 3 millions de reçus par jour.
L’avancée majeure consiste à relier ces différents éléments.
Sui fournit l’infrastructure blockchain. Walrus assure le stockage des données. Trace permet de suivre leur provenance et les droits associés. Ensemble, ces solutions visent à faciliter la vérification, l’octroi de licences et l’utilisation des données d’entraînement de l’IA.
Un détail que les traders ne devraient pas négliger : la chaîne autonome de DATA Network devrait être abandonnée, et les jetons DATA existants migreront vers Sui selon un ratio de 1:1. Le calendrier détaillé de la transition n’a pas encore été communiqué. Les détenteurs devraient donc attendre les instructions officielles plutôt que de supposer que la migration est terminée.
Ce que j’en retiens : la compétition dans le domaine de l’IA ne porte pas uniquement sur la création du modèle le plus intelligent. Elle concerne aussi la mise en place d’une infrastructure fiable pour les données à partir desquelles ces modèles apprennent.
C’est ce qui rend ce partenariat intéressant.