Para aqueles que perderam: um lembrete de que nossa parceria com @vana aborda algo crítico para o futuro da AI. Modelos de AI treinados com dados públicos atingiram um platô. Coletas de dados da web e feeds de corretores de dados nos trouxeram até aqui, mas o próximo salto de desempenho requer dados privados e de alta fidelidade: históricos de transações, registros de uso de aplicativos, registros empresariais, dados de saúde. O problema é que três coisas bloqueiam o acesso a dados privados em grande escala: 1⃣Incentivos: Os usuários precisam de uma compensação justa por contribuírem com seus dados. 2⃣Privacidade: Os usuários devem controlar o que é revelado. Provar seu volume de negociação não deve exigir expor cada negociação individual. 3⃣Verificabilidade: Os desenvolvedores precisam confirmar a origem dos dados e a correção dos cálculos sem nunca ver os dados brutos. Vana e Brevis resolvem os três. A Vana opera uma rede aberta para dados de propriedade do usuário. Os usuários contribuem para Coletivos de Dados em troca de recompensas, enquanto mantêm a propriedade. A Brevis fornece a camada criptográfica: ▶️zkTLS prova a autenticidade dos dados de qualquer fonte (bancos, exchanges, aplicativos) sem expor os dados em si ▶️Pico zkVM computa esses dados localmente e prova a correção sem revelar informações brutas O resultado: desenvolvedores de AI obtêm dados de treinamento verificados e de alta fidelidade. Os usuários são pagos. Os dados brutos nunca saem do controle do usuário. Privacidade e proveniência, finalmente alinhadas.