Buksan ko ang Vangrid na inaasahan kong makakita ng isa pang proyekto ng real-world data. Pagkatapos ay nagsimula akong isipin tungkol sa isang mas malaking problema: ano ang ginagamit ng isang AI system kapag kailangan nito ng bagong, ground-level na impormasyon tungkol sa isang pisikal na lokasyon? Ang mga satellite ay maaaring magbigay ng pananaw mula sa itaas, ngunit hindi sila makakasabi kung ano ang nagbago sa kalye ilang minuto ang nakalipas. Dito naging interesante ang @vangrid_io. Ang Vangrid ay nagpapalit ng mga smartphone sa isang distributed capture layer. Maaaring hilingin ang mga partikular na lokasyon sa pamamagitan ng bounties, kinukuha ng mga contributor ang mga ito, at ang data ay fingerprinted, batched, at anchored sa Base. Ngunit ang pagkolekta ng data ay only the beginning. Kailangan din ng network ang tiyak na verification, high-volume na coordination, at mabilis na settlement para sa mga contributor. Binubuo ng Vangrid ang infrastructure na ito mula sa Amsterdam, na pinaglalayanan ni Robert Brighton bilang GTM at may karanasan sa deep tech at Web3, kabilang ang Microsoft’s Quantum Computing at HoloLens groups sa Europe. Si Khalid Benrafik ang naglalayanan ng systems, na may 14 taon ng karanasan sa https://t.co/b5swylPqc4, ING at Mollie, kabilang ang high-throughput infrastructure na naglilingkod sa milyon-milyon na user at higit sa $1B na taunang flow. Ang Vangrid ay bahagi rin ng NVIDIA Inception. At ito ay nasa pagpapatakbo na, hindi lang isang konsepto. Ang Web at Android capture ay nasa live na, kasama ang mga capture at USDC settlements na nakarehistro sa onchain. Ang mas malaking tanong ay kung maaari bang gawin ng Vangrid ang ground-level data na maging tuloy-tuloy, verifiable, at sapat na scalable para sa Physical AI.