В течение долгого времени в области хранения Web3 я ощущал, что у проектов в целом есть свои слабые стороны. Некоторые сосредоточены только на слое хранения и плохо разбираются в сценариях использования; другие хвастаются невероятными возможностями, но реальные реализации откладываются на неопределённый срок. В единичных случаях удаётся полностью интегрировать все этапы.

Серия действий Walrus в начале 2026 года изменила ситуацию. Особенно ярко выделилась глубокая интеграция с io.net — они действительно связали хранение и вычислительные мощности.

Ранее обучение AI-моделей было хлопотным делом. Датасеты размещались на децентрализованных платформах, а обучение моделей требовало переноса данных в централизованные GPU-кластеры, что было не только времязатратно, но и создавало риск утечки приватной информации. Сейчас ситуация изменилась. Благодаря платформе BYOM (Bring Your Own Model) пользователи могут прямо в Walrus сохранять свои кастомные AI-модели, а затем использовать распределённый GPU-кластер io.net для обучения — весь процесс происходит без выхода данных из слоя хранения.

Мой друг, занимающийся генерацией изображений с помощью AI, недавно провёл эксперимент. Он загрузил 5GB набора данных в стиле искусства в Walrus, использовал ресурсы GPU io.net для тонкой настройки модели, и результат оказался удивительным — стоимость обучения снизилась на 60% по сравнению с AWS, а благодаря встроенному механизму приватных вычислений в Walrus, безопасность данных была обеспечена, а эффективность обучения выросла на 30%.

Такая интеграция хранения и вычислительных мощностей в рамках одного решения в сфере Web3 действительно редка. А присоединение Zark Lab ещё больше усиливает возможности уровня AI, и мощь этой комбинации в 2026 году заслуживает постоянного наблюдения.