收集真實世界數據以用於實體 AI 時，會面臨一個容易被忽略的隱私挑戰。 手機可以詳細捕捉倉庫或街道的畫面，但當人物和車牌進入鏡頭時，會發生什麼？ 這正是 @vangrid_io 方法的有趣之處。 其捕捉過程設計為在裝置上檢測面部和車牌，並在視頻編碼前將其模糊處理。 根據文件說明，原始未模糊的幀從未離開手機，買家收到的是重建的 3D 模型，而非原始影片。 這意味著隱私保護已內建於收集過程中，而非完全依賴伺服器端的清理步驟。 對於實體 AI 來說，這可能讓收集機器人所需理解的地表視角變得更容易，同時避免不必要地暴露可識別細節。 但實現方式與理念同樣重要。 面部可能意外進入鏡頭，而隱私過濾器必須在整個錄製過程中可靠地應對這些瞬間。 我仍好奇的一個細節是：當有人在捕捉中途走進鏡頭時，裝置上的系統能否一致地檢測並模糊他們，包括在突然移動或光線不佳的情況下？ 這是一個重要的問題，因為隱私保護必須在整個捕捉過程中有效運作，而不僅僅是在理想條件下 @quipnetwork