AIエージェントは、物理的な場所に関する情報が必要であることを特定できるが、インターネットを単純にクエリして、その結果が今日の現実を反映していると仮定することはできない。 これは自律ソフトウェアに課題を生む：エージェントは、自らセンサーを操作したり、人間を現場に送ったりすることなく、物理世界から新鮮な証拠をどのように要求できるのか？ Vangridは、「Bounties for Agents」モデルを通じて、この実用的な解決策を模索している。 @vangrid_ioと連携することで、ソフトウェアエージェントはBaseまたはArc上でUSDCで報酬を支払って、実際の場所のキャプチャを依頼できる。 このアーキテクチャは、自律ソフトウェアと人間の貢献者との間に興味深い関係を導入する。 エージェントは情報が不足している場所を特定する。キャプチャリクエストはそのニーズをタスクに変換し、誰かが実際にその場所を訪れて要求されたデータを収集する。 これにより、ソフトウェアが生成する需要が現実世界のデータ収集を調整可能になる。 都市インフラの情報を維持する責任を持つエージェントを考えてみよう。ある場所が変化した場合、エージェントは古くなった画像に頼るのではなく、新鮮なキャプチャをリクエストできる可能性がある。 しかし、収集の後が難しい部分である。 完了したバウンティが、結果として得られたデータが正確で、十分な詳細を持ち、機械利用に適していることを自動的に意味するわけではない。キャプチャの品質、場所の検証、データ処理は依然として不可欠である。 経済的な問いも同様に重要である。エージェントには新鮮な観測を支払う動機が必要であり、その観測の価値は収集コストを正当化するものでなければならない。 この関係が持続可能になれば、Vangridのモデルは、自律システムが物理世界のターゲットされた観測を購入する、新しいタイプのマシン・トゥ・ヒューマンワークフローを可能にするだろう。 より広範な$VANエコシステムにとって、重要な試練は、これらのリクエストが一貫して有用なデータと繰り返し可能な需要を生み出すかどうかである。 これは単にAIエージェントをブロックチェーン決済に接続するよりもはるかに具体的なインフラ課題である。