早安，大家 ☕ 下一個 AI 的瓶頸可能不是智慧，而是對物理世界的接觸。 語言模型進展迅速，但機器人面臨不同的挑戰：理解人行道、樓梯、狹窄通道、建築入口、真實空間的幾何結構。 @vangrid_io 引起了我的注意： 訓練機器人需要精確的空間資訊，而不僅僅是推理能力。網際網路圖像和模擬僅能走這麼遠，新鮮的真實世界資料至關重要。 vangrid 將智慧型手機轉變為分散式網路，按需收集真實世界的空間資料，而非依賴昂貴的測繪車隊，而是協調人們捕捉特定地點，並將資料來源記錄於鏈上。 這有三個關鍵原因：智慧型手機採集意味著更廣泛的覆蓋範圍；鏈上證明使資料來源可驗證；需求驅動的收集聚焦於開發者真正需要的內容。 單純更多的資料並不夠，準確性、隱私、品質以及真實機器人的需求，將決定這項技術的實用程度。 物理 AI 不僅需要硬體，更需要一個可靠的資料層，將智慧與物理現實連接起來。 我正在關注 vangrid 如何將此轉化為真正的空間基礎設施。