Одна з речей щодо Physical AI, яку часто не враховують — це походження даних для навчання. Модель може обробляти мільйони цифрових записів, але розуміння реального вулиці, будівлі чи об’єкта вимагає інформації про фізичне середовище. Саме тут @vangrid_io вибирає інший підхід. Замість того щоб вважати збір просторових даних завданням, призначеному лише спеціалізованим командам, Vangrid дозволяє учасникам використовувати смартфони для збирання реальних локацій та перетворення цього відео на 3D-реконструкції. Цікаво, як ці елементи пов’язані між собою: ➜ Реальна локація має цінність даних ➜ Учасники використовують свої смартфони для її зйомки ➜ Відео перетворюється на просторові репрезентації ➜ Покупці можуть перевірити результат перед підтвердженням ➜ Атестації на блокчейні забезпечують перевіряємі записи про діяльність мережі Також існує питання конфіденційності. Vangrid згадує про обробку на пристрої обличчя та номерних знаків — важливий крок при зборі відео з публічних середовищ. Згідно з повідомленнями, активність мережі перевищила 1,25 млн зйомок, 450 тис. користувачів, 4 700 атестацій та $600 тис. у встановленому USDC. Проте сам розмір мережі не гарантує корисних даних для навчання. Точність, охоплення, конфіденційність та реальний попит матимуть таку ж важливість. Те, що робить цю модель вартою уваги, — це можливість створити спільне джерело просторових даних замість того, щоб кожен розробник ШІ мусив збирати все з нуля. У цифровому світі достатньо інформації. Зараз виклик полягає в тому, щоб допомогти ШІ розуміти фізичний світ. Саме цю проблему намагається вирішити @vangrid_io.