gm fam AI 的下一個真正瓶頸，或許不是更聰明的模型，而是讓這些模型獲得實際所需的實體資料。 語言模型已取得長足進展，但機器人仍難以應對現實世界中雜亂的幾何結構——人行道、樓梯、狹窄的走廊、建築入口，這些東西每一個街區都可能不同。網際網路照片和模擬環境雖有幫助，卻無法完全取代機器人實際運作場所的即時捕捉資料。 這正是讓我關注 @vangrid_io 的原因。其理念是將普通智慧型手機視為一個分散式感測網路，可按需收集空間資料。與僅依賴專屬測繪車隊不同，該網路可引導人員前往特定地點，並將其所捕捉資料的來源於鏈上錨定。 這項方法有幾點讓我感到興趣： 基於手機的捕捉能覆蓋遠多於固定車隊所能到達的區域。 鏈上證明提供了一種事後驗證資料來源的方式。 需求驅動的收集方式，將資源聚焦於機器人團隊實際要求的地點，而非僅是堆疊更多通用地圖。 當然，單純增加資料量並不能解決問題。準確性、隱私、品質控制，以及開發者是否真會來使用這層服務，將決定這是否能成為有用的基礎設施，還是僅為另一組資料集。實體 AI 所需的不僅是更先進的硬體——它更需要一座可信的橋樑，連接數位模型與其將要移動的真實環境。 我將持續關注 @vangrid_io 如何將智慧型手機網路的構想，轉化為機器人團隊可依賴的實際方案。