おはようございます、CT！ 分散型の空間ネットワークは、数千人の貢献者を抱えても、最も重要な場所を十分に捉えられないことがあります。 これは、@vangrid_io が取り組んでいる興味深い課題の一つです。 大都市から大量のデータが収集される一方で、農村部の道路、小さな町、工業地域はほとんど未文書化のままです。 ネットワークは拡大し続けていますが、物理世界に対する理解は未だ不完全です。 物理AIにとって、スケールと同じくらいカバー範囲が重要です。 ロボットや自律システムには、同じようによくマッピングされた道路だけでなく、多様な環境からの空間データが必要です。 Vangridは異なるアプローチを模索しています： → 日常的なスマートフォンが分散型の収集デバイスとなる → 貢献者が現実の場所からデータを収集する → 新たなデータが必要とされる場所への収集を促すために、需要に基づく報酬を設定 → 検証プロセスにより、得られた空間データの信頼性を高める もちろん、カバー範囲を広げることは一部にすぎません。データは正確で最新であり、それらに依存するシステムにとって有用でなければなりません。 このモデルが有望なのは、中央集権的なマッピングが見落とす可能性のあるギャップに貢献を誘導できる可能性があるからです。 目標は単に更多のデータを収集することではなく、AIが世界のより多くの部分を理解する手助けをすることです。 Vangridにとって、真の進歩の指標は、分散された人間の貢献を、さまざまな環境において新鮮で検証済みの空間的知性に効果的に変換できるかどうかにあると思います。 世界は、すでにマッピングされた場所よりもはるかに広大です。