關於物理 AI 的一點常被忽略的是，其訓練資料的來源是什麼。 模型可以處理數百萬份數位記錄，但要理解一條真實的街道、建築物或物體，則需要有關物理環境本身的資訊。 這正是 @vangrid_io 走出不同路徑之處。 與將空間資料收集視為僅由專業團隊負責的工作不同，Vangrid 讓貢獻者使用智慧型手機捕捉真實世界的地點，並將這些影片轉換為 3D 重建。 有趣的是，這些環節是如何相互連結的： ➜ 一個真實地點具有資料價值 ➜ 貢獻者使用手機捕捉它 ➜ 影片被重建為空間表示 ➜ 購買者可在接受前審查結果 ➜ 區塊鏈證明提供網路活動的可驗證記錄 此外，還涉及隱私考量。Vangrid 已說明在裝置上對臉部和車牌進行模糊處理，這在從公共環境收集影片時至關重要。 據報導，其網路活動已超過 1.25M 次捕捉、450K 名使用者、4,700 次證明，以及 $600K 已結算的 USDC。 然而，僅僅網路規模並不能保證產生有用的訓練資料。準確性、覆蓋範圍、隱私和實際需求同樣至關重要。 這個模式值得關注的原因，在於它有可能創造一個共享的空間資料來源，而非讓每位 AI 開發者都從零開始收集所有資料。 數位世界已擁有豐富的資訊。 現在的挑戰是幫助 AI 理解物理世界。 這正是 @vangrid_io 正在致力解決的問題。