Une chose sur Physical AI qui est souvent négligée, c’est l’origine des données d’entraînement. Un modèle peut traiter des millions d’enregistrements numériques, mais comprendre une rue réelle, un bâtiment ou un objet nécessite des informations sur l’environnement physique lui-même. C’est là que @vangrid_io emprunte une voie différente. Plutôt que de traiter la collecte de données spatiales comme une tâche réservée à des équipes spécialisées, Vangrid permet aux contributeurs d’utiliser leurs smartphones pour capturer des lieux du monde réel et transformer ces vidéos en reconstructions 3D. La partie intéressante réside dans la manière dont les éléments s’articulent : ➜ Un lieu réel possède une valeur de données ➜ Les contributeurs utilisent leurs téléphones pour le capturer ➜ Les vidéos sont reconstituées en représentations spatiales ➜ Les acheteurs peuvent examiner le résultat avant de l’accepter ➜ Les attestations sur blockchain fournissent des enregistrements vérifiables de l’activité du réseau Il y a aussi une considération de confidentialité. Vangrid a décrit un floutage sur appareil des visages et des plaques d’immatriculation, une étape essentielle lors de la collecte de vidéos dans des environnements publics. Son activité réseau rapportée a dépassé 1,25 million de captures, 450 000 utilisateurs, 4 700 attestations et 600 000 $ en USDC réglés. Cependant, la taille du réseau seule ne garantit pas des données d’entraînement utiles. La précision, la couverture, la confidentialité et la demande réelle seront tout aussi importantes. Ce qui rend ce modèle intéressant à suivre, c’est la possibilité de créer une source partagée de données spatiales, au lieu de faire en sorte que chaque développeur d’IA collecte tout depuis le début. Le monde numérique regorge d’informations. Maintenant, le défi consiste à aider l’IA à comprendre le monde physique. C’est le problème que @vangrid_io cherche à résoudre.