世界モデルは、たった一つの単語を忘れることで崩壊するのではなく、その部屋自体が変わったことで崩壊する。 言語モデルは静的なテキスト内に存在できるが、ロボット、すなわち具現化されたエージェントはそうではない。それは、移動しようとしている空間のリアルタイム3D認識を必要とする：床面、荷物積み降ろし用の縁、階段の角、または棚の列間の隙間などだ。 ポストカードのような画像や軌道上の上空ビューに頼ることはできない。こうした詳細は一時的なものであり、週末の倉庫再配置だけで、先月の空間メッシュを運用上のリスクに変えてしまう。 衛星画像やフリートベースのマッピングでは、このギャップを埋めることはできない。衛星は依然として屋根しか見ず、マッピング車両は道路しか見ないが、衝突、経路計画、安全性を決定する幾何学的構造が変化する内部空間は、従来のデータ収集サイクルより速く変化する。世界モデルはパラメータ不足ではなく、過去の観測結果を現在のものと誤って信じて動作しているためにここで失敗する。 @vangrid_io は、オンデマンドでの再撮影を通じてこの特定の課題に取り組んでいる。データ要求者は場所を指定し、報酬を設定する。フィールドオペレーターはスマートフォンを使ってゆっくりと移動するトラジェクトリーを記録し、その場所を現在の状態で正確にキャプチャする。顔と車両番号はデバイス上でぼかされ、特定可能な生データはオペレーターの手元から一切出ない。各クリップにはコンテンツハッシュ、大まかな位置情報、タイムスタンプが割り当てられ、バッチのルートはBaseに記録される。 ここでいうタイムスタンプは単なるマーケティング用の細部ではない。これは「新鮮さ」を観測の検証可能な属性へと変える。購入者は古いスクレイピングデータが建物とまだ一致しているという信頼に頼る必要がなくなり、この特定の幾何学が特定の時間枠内に存在していたことを確認できる。 より深い分析によれば、核心的な問題は3Dデータの不足ではなく、動的空間における時間的出所を持つデータの不足である。モデルは古いデータからの補間には優れているが、棚が移動されたり、床が上げられたり、通路が狭められたりした場合には補間は失敗する。 検証可能な新鮮さは、「きれいな写真を撮る」というタスクから、具現化されたシステムが内部マップを信頼する前に必要とする、監査可能なシグナル層へと再撮影を昇華させる。衛星は上位層を占め、フリートマップは道路レベルを占める。Vangridは、内部が変化しているまさにその瞬間に、内部へと戻して送信できる層である。