Para quem perdeu: um lembrete de que nossa parceria com a @vana enfrenta algo fundamental para o futuro da IA. Modelos de IA treinados com dados públicos se estabilizaram. Web scrapes e feeds de corretores de dados nos trouxeram até aqui, mas o próximo salto de desempenho exige dados privados e de alta fidelidade: históricos de transações, registros de uso de aplicativos, registros corporativos, dados de saúde. O problema é que três coisas bloqueiam o acesso a dados privados em larga escala: 1⃣Incentivos: Os usuários precisam de uma compensação justa por contribuir com seus dados. 2⃣Privacidade: Os usuários devem controlar o que é revelado. Provar seu volume de negociação não deveria exigir expor cada operação individualmente. 3⃣Verificabilidade: Os desenvolvedores precisam confirmar a origem dos dados e a correção dos cálculos sem nunca ver dados brutos. Vana e Brevis resolvem os três. O Vana roda uma rede aberta para dados de propriedade dos usuários. Os usuários contribuem para os Data Collectives em troca de recompensas, mantendo a propriedade. Brevis fornece a camada criptográfica: ▶️O zkTLS comprova a autenticidade dos dados de qualquer fonte (bancos, exchanges, apps) sem expor os dados em si ▶️O Pico zkVM calcula esses dados localmente e comprova a correção sem revelar informações brutas O resultado: desenvolvedores de IA recebem dados de treinamento de alta fidelidade verificados. Os usuários recebem pagamento. Dados brutos nunca saem do controle do usuário. Privacidade e procedência, finalmente alinhadas.