gm fam AIの次の本物の制約は、より賢いモデルではなく、それらのモデルが実際に必要な物理的データを取得できることかもしれない。 言語モデルは大きく進化してきたが、ロボットは依然として現実世界の複雑な幾何学的構造——歩道、階段、狭い通路、建物の入口、街区ごとに変わる要素——に苦戦している。インターネットの写真やシミュレーションは役立つが、ロボットが実際に動作する場所からの新鮮なデータを完全に置き換えることはできない。 それが私を@vangrid_ioへと引き寄せた理由だ。このアイデアは、通常のスマートフォンを、必要に応じて空間データを収集する分散型センシングネットワークとして扱うというものだ。専用のマッピングチームに頼るのではなく、このネットワークは人々を特定の場所に誘導し、彼らが収集したデータの出所をオンチェーンでアテステートする。 このアプローチが私にとって興味深い点は以下の通りだ： スマートフォンによる収集は、固定されたチームだけでは到達できないより多くの場所にアクセスできる。 オンチェーンによるアテステーションは、後からデータの出所を検証できる手段を提供する。 需要に基づいた収集は、単に汎用的なマップを大量に投入するのではなく、ロボティクスチームが実際に要求する場所に集中して努力を向ける。 もちろん、データ量が増えただけでは問題は解決しない。精度、プライバシー、品質管理、そして開発者が実際にこのレイヤーを使ってくれるかどうかが、これが有用なインフラになるか、単なる別のデータセットに終わるかを決定するだろう。物理的AIにはより優れたハードウェアだけでなく、デジタルモデルとその動き回る実際の環境との間に信頼できる橋を築く必要がある。 私は@vangrid_ioがスマートフォンネットワークというアイデアを、ロボティクスチームが信頼できるものに変えていく過程を見守る。