Les gars, les satellites voient les toits, les voitures de cartographie voient les routes. Mais les portes en creux, les bordures de trottoir inégales, les couloirs encombrés de déchets ? Le plus difficile pour l’IA physique, ce n’est pas les cinq cents mètres devant, mais les cinquante pieds finaux — justement ceux que personne n’a jamais systématiquement photographiés. La réponse de @vangrid_io n’est pas d’accumuler une autre grande carte, mais de produire à la demande. Qui a besoin d’un endroit précis ? Lancez une récompense sur Base, verrouillez des USDC en dépôt ; des personnes à proximité prennent des photos avec leur téléphone, et dès que la prévisualisation est validée, un modèle 3D est reconstruit et le paiement est effectué. Si une machine a besoin d’un endroit ce soir, quelqu’un y va ce soir — pas dans six mois avec une vieille carte générique. Ce qui m’intéresse vraiment, c’est le côté agent. Celui qui lance la récompense n’est plus forcément un humain : un agent appelle une API HTTP pour déclencher une tâche, x402 paie directement en USDC, et récupère le résultat de reconstruction via la même API — pas de compte, pas de clé. Le dépôt est verrouillé avant même le début du travail ; le paiement n’est pas un simple « engagement hors chaîne ». Cela signifie que la couverture s’adapte aux besoins réels, et non à quelqu’un qui a balayé prématurément tous les endroits. La demande qui pilote l’offre, et l’offre qui pilote la demande : ce sont deux réseaux totalement différents. L’IA physique a besoin de modèles plus intelligents, mais d’abord, elle doit voir le monde réel. Celui qui photographie les cinquante derniers pieds bloque la porte des données.