Shelby 表示，项目已进入私有测试版，首批客户业务已经落地，覆盖企业级人工智能、分布式 3D 渲染以及现实世界数据处理场景。项目当前的重点，也从早期面向 Web3 的去中心化高性能数据层愿景，转向在真实客户环境中验证一个更具体的问题：当算力越来越动态多变时，数据层需要具备哪些能力。
Shelby 的定位开始收敛
据介绍，Shelbyserves 最初对外公布时，目标是打造一套面向 Web3 的去中心化高性能数据层，让数据更易获取、可核验，并释放更多价值。随着测试网运行和与开发人员的交流推进，团队发现，人工智能以及其他高算力业务场景的需求正在上升。
团队认为，当算力分散在多个服务商、不同地域以及各类 AI 硬件上时，数据与算力之间的联动关系会变得更关键，这也推动 Shelby 进一步聚焦自身定位。
私有测试版围绕真实生产环境搭建
Shelby 称，私有测试版围绕客户实际业务负载与生产环境数据展开。每一次项目对接，都会先从业务场景本身出发，包括数据存储位置、算力调用方式、应用依赖的工具，以及客户最看重的指标要求。
项目方表示，随着 AI 基础设施持续迭代、算力方案不断更新，新的业务负载模式也在持续出现，相关需求本身变化很快。私有测试版的设计目的之一，就是让客户在项目迭代过程中参与产品塑造，用来识别哪些需求是多个客户共享的，哪些只属于特定应用场景，以及后续产品路线图应如何推进。
首批客户覆盖三类不同场景
首批合作客户包括 Teepin、Pictor Network 和 PathPulse，分别对应三种不同的数据与算力模式。
其中，Teepin 基于自有数据与开源模型搭建企业 AI 基础设施。该项目在 Shelby 上的部署从数据环节起步，后续计划打通存储，并延伸到更广泛的 AI 与算力服务。
Pictor Network 正在建设分布式 3D 渲染基础设施。其业务负载可调用分布在不同地点的 GPU 资源，因此数据能否稳定可用，会直接影响算力资源的利用效率。Shelby 表示，Pictor 已将 Shelby 集成到自身开发环境中。
PathPulse 则基于现实场景采集的视频构建空间智能系统。按照 Shelby 的说法，这属于另一类数据密集型场景：大量信息在一个环境中生成，但处理与分析可能需要在其他地方完成。
这三家客户对应的落地环境分别是企业私有数据、分布式 GPU 算力任务和大规模现实世界数据。
Shelby 归纳出的核心适用场景
Shelby 在这些案例中总结出的共性是：当数据和算力不再固定在同一位置，且基础设施持续变化、数据层需要同步适配时，平台的价值会更突出。
项目称，在这类场景中，Shelby 可以减少数据复制、临时缓存和数据同步带来的工作量，也可以简化跨环境的算力调用，让开发团队根据业务负载选择基础设施，而不是受限于数据原本的存储位置。
团队还表示，私有测试版不仅用于验证这套模式的适用边界，也会帮助识别客户还需要哪些额外功能、集成接口与工具链。Shelby 希望据此依据真实客户的共性需求规划产品路线，而不是依赖主观判断。
后续将披露更多落地信息
随着首批客户项目继续推进，Shelby 表示，后续将陆续披露更多内容，包括各团队如何使用该平台、涉及的数据规模、接入 Shelby 之后带来的变化，以及可量化的落地成果。
项目方称，随着这些信息逐步公开，Shelby 最适合的场景、客户需要的配套能力，以及它在不同应用中的价值也会变得更清晰。