物理AIについてしばしば見落とされがちなのは、トレーニングデータがどこから来るかという点だ。 モデルは数百万のデジタルレコードを処理できるが、実際の街路、建物、または物体を理解するには、物理的環境自体に関する情報が必要だ。 ここが@vangrid_ioのアプローチが異なる点だ。 空間データ収集を専門チームに限定するのではなく、Vangridは貢献者がスマートフォンを使って現実の場所を撮影し、その映像を3D再構築に変換できるようにしている。 興味深いのは、これらの要素がどのようにつながっているかだ。 ➜ 実際の場所にはデータ価値がある ➜ 貢献者がスマートフォンで撮影する ➜ 映像は空間的な表現に再構築される ➜ 購入者は受け入れる前に結果を確認できる ➜ ブロックチェーンによるアテスタションがネットワーク活動の検証可能な記録を提供する プライバシーに関する配慮も存在する。Vangridは、公共の場所から映像を収集する際に顔と車両番号板のデバイス内ぼかしを実施していると説明しており、これは重要なステップだ。 報告されたネットワーク活動は、125万回以上の撮影、45万人のユーザー、4,700件のアテスタション、および60万ドルの決済済みUSDCを上回っている。 しかし、ネットワークの規模だけでは有用なトレーニングデータが保証されるわけではない。正確性、カバー範囲、プライバシー、そして実際の需要も同様に重要だ。 このモデルに注目すべき点は、すべてのAI開発者がゼロからすべてを収集するのではなく、空間データの共有ソースを構築できる可能性にある。 デジタル世界には十分な情報が存在する。 今後の課題は、AIが物理的世界を理解するのを支援することだ。 @vangrid_ioはこの課題の解決に取り組んでいる。