Isang bagay tungkol sa Physical AI na madalas na nakakalimutan ay kung saan galing ang training data. Ang isang model ay maaaring prosesuhin ang milyon-milyong digital na rekord, ngunit ang pag-unawa sa isang totoong kalye, gusali o bagay ay nangangailangan ng impormasyon tungkol sa sariling pisikal na kapaligiran. Dito natutokoy ang iba’t ibang landas ng @vangrid_io. Hindi pinapakita ang pagkuha ng spatial data bilang isang gawain na nakalaan lamang para sa mga espesyalisadong tim, pinapahintulutan ni Vangrid ang mga kontribyutor na gamitin ang kanilang mga smartphone upang kumuha ng mga totoong lokasyon at i-convert ang mga ito sa 3D na rekonstruksyon. Ang interesante bahagi ay kung paano nagkakaugnay ang mga piraso. ➜ May data value ang isang totoong lokasyon ➜ Gumagamit ang mga kontribyutor ng kanilang mga phone upang kumuha nito ➜ Ang footage ay rekonstruksyon sa spatial na representasyon ➜ Maaaring suriin ng mga bumibili ang resulta bago ito tanggapin ➜ Ang blockchain attestations ay nagbibigay ng verifiable na rekord ng network activity Mayroon ding pag-aalala sa privacy. Ipinaliwanag ni Vangrid ang on-device blurring ng mga mukha at license plates, isang mahalagang hakbang habang kinukuha ang footage mula sa mga pampublikong kapaligiran. Ang nareport na network activity nito ay lumampas na sa 1.25M na captures, 450K na users, 4,700 na attestations at $600K na settled USDC. Gayunpaman, ang laki ng network lamang ay hindi nagjamin ng magagamit na training data. Ang accuracy, coverage, privacy at aktwal na demand ay magkakaroon din ng parehong halaga. Ang nagiging dahilan kung bakit worth it na sundin ang model na ito ay ang posibilidad ng paglikha ng isang shared source ng spatial data kesa sa paggawa ng bawat AI developer na kumuha ng lahat mula sa simula. May sapat na impormasyon ang digital na mundo. Ngayon, ang hamon ay tumulong sa AI na maunawaan ang pisikal na mundo. Ito ang problema na tinutulungan solusyunan ni @vangrid_io.