फिजिकल एआई के बारे में एक ऐसी बात है जिसकी अक्सर उपेक्षा की जाती है, और वह है कि प्रशिक्षण डेटा कहाँ से आता है। एक मॉडल मिलियनों डिजिटल रिकॉर्ड्स को प्रोसेस कर सकता है, लेकिन एक वास्तविक सड़क, इमारत या वस्तु को समझने के लिए भौतिक वातावरण के बारे में जानकारी की आवश्यकता होती है। यहीं पर @vangrid_io एक अलग रास्ता अपनाता है। स्थानीय डेटा संग्रह को विशेषज्ञ टीमों के लिए सीमित कार्य मानने के बजाय, Vangrid सहभागियों को स्मार्टफोन का उपयोग करके वास्तविक दुनिया के स्थानों को कैप्चर करने और उस फुटेज को 3D पुनर्निर्माण में बदलने की सुविधा प्रदान करता है। दिलचस्प बात यह है कि ये टुकड़े कैसे जुड़ते हैं। ➜ एक वास्तविक स्थान का डेटा मूल्य होता है ➜ सहभागी अपने स्मार्टफोन से इसे कैप्चर करते हैं ➜ फुटेज को स्थानीय प्रतिनिधित्व में पुनर्निर्मित किया जाता है ➜ खरीददार इसे स्वीकार करने से पहले समीक्षा कर सकते हैं ➜ ब्लॉकचेन प्रमाणीकरण नेटवर्क गतिविधि के प्रमाणित रिकॉर्ड प्रदान करते हैं एक प्राइवेसी मुद्दा भी है। Vangrid ने उपकरण पर चेहरों और लाइसेंस प्लेट्स को ब्लर करने का वर्णन किया है, जो सार्वजनिक परिवेश से फुटेज संग्रहित करते समय एक महत्वपूर्ण कदम है। इसकी रिपोर्ट की गई नेटवर्क गतिविधि 1.25M कैप्चर, 450K उपयोगकर्ता, 4,700 प्रमाणीकरण और $600K सेटल्ड USDC से पार कर चुकी है। हालाँकि, नेटवर्क का आकार अकेला उपयोगी प्रशिक्षण डेटा की garantee नहीं करता। सटीकता, कवरेज, प्राइवेसी और वास्तविक मांग भी समान महत्व की होंगी। इस मॉडल को फॉलो करने का कारण है स्थानीय डेटा का एक साझा स्रोत बनाने की संभावना, जिससे हर AI डेवलपर को सब कुछ पुनः प्राप्त करने की आवश्यकता नहीं पड़ेगी। डिजिटल दुनिया में पर्याप्त जानकारी है। अब चुनौती है AI को भौतिक दुनिया को समझने में मदद करना। यही समस्या है, @vangrid_io इसे हल करने पर काम कर रहा है।