Dalam perjalanan penyimpanan Web3 ini selama cukup lama, pengalaman terbesar yang saya rasakan adalah bahwa sebagian besar proyek memiliki kekurangan. Ada yang hanya fokus pada lapisan penyimpanan, kurang memahami secara mendalam tentang skenario aplikasi; ada yang memuji-muji secara berlebihan, tetapi implementasinya jauh dari kenyataan. Sangat sedikit yang benar-benar menghubungkan semua bagian secara menyeluruh.

Serangkaian langkah yang diambil Walrus pada awal 2026 mengubah situasi ini. Terutama kerjasama mendalam dengan io.net membuat saya terkesima—mereka benar-benar menghubungkan penyimpanan dan daya komputasi secara nyata.

Dulu, melatih model AI adalah hal yang merepotkan. Dataset disimpan di platform desentralisasi, tetapi pelatihan model harus dipindahkan ke klaster GPU terpusat, proses transfer data bolak-balik memakan waktu dan berisiko kebocoran privasi. Sekarang situasinya berbeda. Melalui platform BYOM (Bring Your Own Model), pengguna dapat langsung menyimpan model AI kustom di Walrus, lalu memanggil klaster GPU terdistribusi io.net untuk pelatihan, seluruh proses tidak memerlukan data keluar dari lapisan penyimpanan.

Seorang teman saya yang bekerja di bidang generasi gambar AI baru-baru ini melakukan pengujian nyata. Dia menyimpan dataset gaya seni sebesar 5GB ke Walrus, menggunakan sumber daya GPU io.net untuk melakukan fine-tuning model, dan hasilnya sangat mengejutkan—biaya pelatihan lebih murah 60% dibandingkan dengan AWS, dan berkat mekanisme perhitungan privasi bawaan Walrus, keamanan data terjamin, bahkan efisiensi pelatihan meningkat 30%.

Solusi terintegrasi antara penyimpanan dan daya komputasi ini masih sangat jarang di bidang Web3. Kehadiran Zark Lab semakin memperkuat kemampuan lapisan kecerdasan AI, dan kekuatan kombinasi ini pada tahun 2026 patut kita amati secara terus-menerus.