但是，如果你可以讓市場充當聯結器，而不需要它們實際持有資料，也不需要信任市場呢?這就是OPF要實現的——去中心化的資料市場。
海洋協議基於“計算到資料”(computeto - data)允許人工智慧演算法使用資料，而不需要將資料從它們所在的位置移動
這是一個很高的要求，McConaghy很快承認這需要幾年的時間。然而，上週，OPF又向前邁進了一步，它推出了所謂的“計算到資料”(computeto - data)技術。“計算到資料”(computeto - data)提供了一種交換資料的方法，同時透過允許資料留在資料提供者的前提下，保護隱私，允許資料消費者在資料上執行計算作業來訓練AI模型。
不是將資料傳送到演算法執行的地方，而是演算法執行在資料所在的地方。這個想法與聯邦學習非常相似。McConaghy說，區別在於，聯邦學習只分散了過程的最後一英里，而計算到資料是全程的。
TensorFlow Federated (TFF)和OpenMined是最突出的聯邦學習專案。TFF以集中的方式進行編排，而OpenMined是去中心化的。在TFF風格的聯邦學習中，一個集中式實體(例如谷歌)必須跨豎井執行計算作業的編排。個人可識別資訊可能洩露給該實體。
OpenMined透過去中心化編排解決了這個問題。但它的軟體基礎設施可以利用改進，以更安全的方式管理每個筒倉的計算;McConaghy說，這就是“計算機到資料”能起作用的地方。這些都很好，但是效能呢?
如果演算法在資料所在的位置執行，那麼這意味著它們的執行速度取決於主機上可用的資源。因此，考慮到通訊和加密貨幣的開銷，以這種方式訓練演算法所需的時間可能比集中式方案更長。在一個典型的場景中，計算需求從客戶端轉移到資料主機端，McConaghy說:
“計算需求不會變高或變低，它們只是被移動了。海洋協議的計算到資料支援Kubernetes，它允許在需要時大規模擴充套件計算。如果是在主機資料端，則不會降低計算效率。這樣做的好處是:頻寬成本更低，因為只有最終的模型需要透過線路傳送，而不是整個資料集。
還有另一種流，使用Ocean computeto - data來計算匿名資料。例如使用差異隱私，或解耦雜湊。然後，匿名資料將被傳遞到客戶端進行模型構建。在這種情況下，大部分計算是在客戶端進行的，頻寬使用會更高，因為(匿名的)資料集是透過網路傳送的。“海洋協議的計算到資料”足夠靈活，可以適應所有這些情況。
從“不作惡”到“不能作惡”
從2017年到2020年，OPF籌集了資金，組建了一支經驗豐富的團隊。為了實現去中心化資料市場的願景，OPF以兩種方式工作。首先，吃自己的狗糧，努力發展社羣驅動的市場。第二，透過幫助其他人建立自己的市場。McConaghy提到了MOBI和dexFreight這樣的例子。
移動開放區塊鏈倡議(MOBI)是一個與公司、政府和非政府組織合作的非營利組織。其目標是透過推廣標準和加速區塊鏈及相關技術的採用，使移動服務更高效、更實惠、更環保、更安全、更少擁堵。OPF幫助提供資料和服務，以解決車輛協調、識別障礙和自動行駛的挑戰。
OPF幫助提供資料和服務，以解決車輛協調、識別障礙和自動駕駛汽車的路線等挑戰。
區塊鏈物流平臺提供商DexFreight和OPF合作推出首個運輸和物流行業的Web3資料市場。該市場將使公司能夠聚合運營資料並將其貨幣化，並將最初的重點放在為美國市場服務上基於卡車裝載運輸供應商。
McConaghy強調，OPF通常不與使用者直接合作。它的角色是開發核心技術，並授權其他人使用它。當被問及開發去中心化市場的優勢時，McConaghy說，它使企業能夠在不損害使用者隱私的情況下，將資料從潛在的負債轉化為資產。
他接著列舉了像23andMe和Facebook這樣的例子，在這些例子中，受委託處理資料的各方違背了他們的承諾，將資料用於邪惡的目的:“如果公司被激勵去挖掘或銷售資料，那麼格言就會被破壞。我們想做的是不作惡。
這項技術還處於起步階段，而且棧還沒有像OPF希望的那樣易於使用。McConaghy提到，要想使用堆疊，開發人員必須精通Python或JavaScript / React，熟悉Web3和以太坊概念，以及海洋協議概念，還有Kubernetes。資料科學家也可以透過JavaScript或Python使用計算到資料。
然而，對於終端使用者來說，可能需要一段時間才能獲得這種方法的好處。在McConaghy設想的道路上，終端使用者將首先能夠使用現有的市場。第二步是建立資料聯盟、信託或合作社，代表使用者行事，併為他們的資料支付版稅。
McConaghy說，基於以太坊空間的DAO(分散式自治組織)可以為這樣的組織提供動力，將它們比作智慧合約管理的子擴充板。McConaghy承認，第三步，針對社交網路等領域的消費者層面的應用程式需要一段時間才能出現。
