ผู้แต่งต้นฉบับ: คุกกี้
คำแปลต้นฉบับ: TechFlow
ด้วยการพัฒนาอย่างต่อเนื่องของเทคโนโลยี Web3 ทำให้ Decentralized Spatial Intelligence Network (DeSPIN) กลายมาเป็นสาขาที่ดึงดูดความสนใจเป็นอย่างมาก ด้วยการวิเคราะห์และใช้ประโยชน์จากข้อมูลภาพในโลกแห่งความเป็นจริง DeSPIN ไม่เพียงแต่นำเสนอโซลูชันนวัตกรรมสำหรับการสร้างแผนที่ การวางผังเมือง และหุ่นยนต์ แต่ยังเปิดตัวโมเดลเศรษฐกิจ “Contribute-to-Earn” ใหม่ด้วย บทความนี้จะอธิบายแนวคิดหลัก โปรโตคอลหลัก และทิศทางการพัฒนาในอนาคตของ DeSPIN โดยละเอียด
DeSPIN คืออะไร?
Spatial Intelligence คือเทคโนโลยีที่ดึงข้อมูลเชิงลึกโดยวิเคราะห์ข้อมูลภาพจากโลกแห่งความเป็นจริง แกนหลักอยู่ที่การผสมผสานข้อมูลทางภูมิศาสตร์เข้ากับบริบทด้านสิ่งแวดล้อมเพื่อสนับสนุนการตัดสินใจของมนุษย์ DeSPIN (DeSPIN) ผสมผสานเทคโนโลยีนี้เข้ากับแนวคิดการกระจายอำนาจของบล็อคเชนและ Web3 เพื่อสร้างระบบนิเวศที่เปิดกว้างและแบ่งปันกัน ลองจินตนาการว่าคุณสามารถหารายได้ด้วยการแบ่งปันภาพถ่ายถนนที่คุณถ่ายในชีวิตประจำวันหรือข้อมูลด้านสิ่งแวดล้อมที่บันทึกไว้ในห้างสรรพสินค้าและท้องถนน โมเดลนี้ไม่เพียงแต่ลดเกณฑ์สำหรับการรวบรวมข้อมูลเท่านั้น แต่ยังส่งเสริมให้ผู้ใช้ทั่วไปมีส่วนร่วมในการพัฒนาปัญญาเชิงพื้นที่อีกด้วย
ก่อนที่จะทำความเข้าใจถึงการประยุกต์ใช้งานเฉพาะของ DeSPIN เราต้องทำความเข้าใจกรอบพื้นฐานของปัญญาเชิงพื้นที่ก่อน ปัญญาเชิงพื้นที่ประกอบด้วยองค์ประกอบหลักสี่ประการ:
การรวบรวมข้อมูล: รวบรวมข้อมูลด้วยความช่วยเหลือของเครือข่ายเซ็นเซอร์ (เช่น กล้อง, GPS) และอุปกรณ์ IoT (เช่น โทรศัพท์มือถือ, แล็ปท็อป)
การประมวลผลและวิเคราะห์ข้อมูล: ใช้เทคนิคการเรียนรู้ของเครื่องในการประมวลผลข้อมูลเมตาทางภูมิศาสตร์ ระบุรูปแบบในข้อมูล และสร้างฐานข้อมูลแบบสอบถามเชิงพื้นที่
การแสดงความรู้: การเชื่อมโยงข้อมูลกับบริบทด้านสิ่งแวดล้อมผ่านแผนที่ความหมายเพื่อให้ผู้ใช้ได้เห็นข้อมูลทางภูมิศาสตร์ที่มองเห็นได้
ระบบสนับสนุนการตัดสินใจ: สร้างแบบจำลองการคาดการณ์เชิงพื้นที่เพื่อมอบบริการแอปพลิเคชันแก่ผู้ใช้ เช่น การเพิ่มประสิทธิภาพเส้นทาง การหลีกเลี่ยงสิ่งกีดขวาง ฯลฯ
โปรโตคอลหลักในฟิลด์ DeSPIN
ปัจจุบันมีโปรโตคอลนวัตกรรมใหม่ๆ เกิดขึ้นหลายโปรโตคอลในฟิลด์ DeSPIN โดยเน้นที่สถานการณ์การใช้งานที่แตกต่างกัน นี่คือแปดโครงการที่น่าสนใจ:
1. ไฮฟ์แมปเปอร์
Hivemapper เป็นโปรโตคอลการสร้างแผนที่แบบกระจายอำนาจที่ใช้รูปแบบ Drive-2-Earn ผู้ใช้รายงานปัญหาบนท้องถนนแบบเรียลไทม์ผ่านแอปพลิเคชันบนมือถือ และผู้ขับขี่จะรวบรวมข้อมูลผ่านกล้องติดรถยนต์ที่ติดตั้งในรถ ข้อมูลเหล่านี้จะได้รับการประมวลผลโดยอัลกอริทึม AI เพื่อสร้างแผนที่ และความแม่นยำจะได้รับการตรวจสอบผ่านการเรียนรู้เสริมแรงแบบป้อนกลับของมนุษย์ (RLHF) Hivemapper จัดทำแผนที่ความครอบคลุมและผู้ใช้สามารถดูพื้นที่ที่ได้รับการจัดทำแผนที่และเข้าถึงข้อมูลผ่านทาง API ผู้มีส่วนสนับสนุนข้อมูลจะได้รับรางวัลเป็นโทเค็น $HONEY ซึ่งสามารถนำไปใช้ซื้อข้อมูลแผนที่หรือบริการอื่นๆ ได้
2. เครือข่าย NATIX
NATIX Network เป็นโปรโตคอลเศรษฐกิจแผนที่แบบกระจายอำนาจที่มุ่งเน้นการรวบรวมข้อมูลถนนผ่านอุปกรณ์พกพาและกล้องติดรถยนต์ และใช้โมเดล ขับและรับรายได้ เทคโนโลยีหลัก VX 360 รองรับการรวบรวมข้อมูลพาโนรามา 360 องศา และข้อมูลที่รวบรวมได้สามารถนำไปใช้เพื่อพัฒนาฟังก์ชันความช่วยเหลือในการขับขี่ เช่น การเพิ่มประสิทธิภาพการขับขี่อัตโนมัติ ปัจจุบันเครือข่าย NATIX ครอบคลุม 171 ประเทศ มีผู้ขับขี่ที่ลงทะเบียนมากกว่า 223,000 คน และมีระยะทางรวมที่บันทึกไว้ 131 ล้านกิโลเมตร ทั้งผู้สนับสนุนข้อมูลและโหนดเครือข่ายสามารถรับรางวัลโทเค็น $NATIX เพื่อส่งเสริมการพัฒนาเชิงนิเวศต่อไป
ทั้ง Hivemapper และ NATIX กำลังทำงานเพื่อสร้างแผนที่ที่ดีขึ้นโดยใช้ข้อมูลถนนที่ได้รับการระดมทุนจากผู้คนจำนวนมาก สถานการณ์การประยุกต์ใช้งานที่มีศักยภาพของข้อมูลนี้มีความกว้างมาก โดยหลักๆ แล้วจะรวมถึงประเด็นต่างๆ ต่อไปนี้:
เพิ่มประสิทธิภาพการจราจรในเมือง: การวิเคราะห์ข้อมูลถนนที่รวบรวมได้แบบเรียลไทม์ จะช่วยให้บริหารจัดการการจราจรได้ดีขึ้น ลดปัญหาการจราจรติดขัด และเพิ่มประสิทธิภาพการเดินทาง
ตรวจสอบสภาพถนน: ตรวจจับและรายงานความเสียหายของถนน สิ่งกีดขวาง หรือปัญหาที่อาจเกิดขึ้นอื่นๆ อย่างรวดเร็ว เพื่อช่วยรักษาความปลอดภัยและความน่าเชื่อถือของโครงสร้างพื้นฐาน
การตรวจจับอาชญากรรมและความรุนแรง: การใช้ข้อมูลแผนที่ร่วมกับอัลกอริทึม AI สามารถช่วยระบุและค้นหาพฤติกรรมที่ผิดปกติและให้การสนับสนุนความปลอดภัยสาธารณะ
แอปพลิเคชันเหล่านี้ไม่เพียงปรับปรุงการใช้งานของแผนที่เท่านั้น แต่ยังเพิ่มคุณค่าเชิงปฏิบัติให้กับการบริหารจัดการในเมืองและความมั่นคงทางสังคมอีกด้วย
3. โฟรโดบอทส์
FrodoBots เป็นโปรโตคอลสำหรับการรวบรวมข้อมูลเกมผ่านหุ่นยนต์ ผู้ใช้สามารถควบคุมหุ่นยนต์ภาคพื้นดินจากระยะไกลเพื่อรวบรวมข้อมูลทางภูมิศาสตร์และรองรับวิธีการปฏิบัติการต่างๆ (เช่น ตัวควบคุม คีย์บอร์ด หรือพวงมาลัยเกม) นอกจากนี้ นักวิจัยยังสามารถนำโมเดลนำทาง AI ไปใช้บนแพลตฟอร์มเพื่อการทดสอบได้อีกด้วย ผู้ใช้จะได้รับคะแนน FrodoBot (FBP) จากการทำภารกิจขับรถให้สำเร็จ คะแนนจะสัมพันธ์กับระยะทางและความยากของภารกิจ ยิ่งระยะทางไกลและมีความยากมากขึ้นเท่าใด ก็จะยิ่งได้รับคะแนนมากขึ้นเท่านั้น FrodoBots ได้รับการทดสอบแล้วในหลายเมืองและจัดการ แข่งขัน ระหว่าง AI และมนุษย์ในเรื่องความสามารถในการนำทาง นอกจากนี้ FrodoBots ยังจัดตั้งระบบคล้าย กิลด์ ชื่อว่า Earth Rovers School ซึ่งอนุญาตให้ผู้ใช้รายใหม่เข้าร่วมในการรวบรวมข้อมูลได้โดยการเช่า Earth Rovers
4. โจโจ้เวิลด์
JoJoWorld เป็นโปรโตคอลที่มุ่งเน้นการรวบรวมข้อมูลเชิงพื้นที่สามมิติ โดยผู้ใช้ส่งข้อมูลเพื่อช่วยฝึกโมเดลสามมิติ แพลตฟอร์มนี้ให้ข้อมูล 3 มิติคุณภาพสูงสำหรับการสร้างฉากดิจิทัลต่างๆ และเหมาะกับสาขาต่างๆ เช่น ความเป็นจริงเสมือนและการวางผังเมือง ผู้ใช้ยังสามารถซื้อข้อมูล 3 มิติเหล่านี้โดยตรงเพื่อพัฒนาโมเดลดิจิทัลส่วนบุคคลได้
โปรโตคอลทั้งสี่ต่อไปนี้ยังมุ่งเน้นไปที่การรวบรวมข้อมูลเชิงพื้นที่ในโลกแห่งความเป็นจริง แต่พื้นที่การใช้งานมีการแบ่งส่วนมากขึ้น โดยครอบคลุมสถานการณ์เฉพาะ เช่น การฝึกโมเดลหุ่นยนต์ โปรโตคอลเหล่านี้จะเพิ่มความเป็นไปได้ให้กับระบบนิเวศของ Decentralized Spatial Intelligence Network (DeSPIN) ด้วยการเน้นที่ข้อมูลแบบหางยาวและความต้องการเฉพาะ
5. ปริซึมเอ็กซ์เอไอ
PrismaXAI เป็นโปรโตคอลสำหรับการรวบรวมข้อมูลเฉพาะฉากจากมุมมองบุคคลที่หนึ่ง เหมาะสำหรับสถานการณ์ที่ซับซ้อน เช่น การโต้ตอบระหว่างมือและวัตถุ การเคลื่อนไหวแบบไดนามิก และการพบปะทางสังคม เทคโนโลยีหลัก Proof-of-View ช่วยรับประกันความถูกต้องของข้อมูลพร้อมทั้งปรับปรุงความแม่นยำของคำอธิบายข้อมูลผ่านกลไกการตรวจสอบแบบกระจายอำนาจ โปรโตคอลนี้มีศักยภาพอย่างมากในการรับข้อมูลแบบหางยาว ซึ่งให้ข้อได้เปรียบที่เป็นเอกลักษณ์สำหรับการฝึกอบรมโมเดล
6. โอเพ่นมายด์ เอจีไอ
OpenMind AGI มุ่งเน้นการบรรลุความเข้าใจโลกแห่งความเป็นจริงผ่านโมเดลวิสัยทัศน์-ภาษา-การกระทำ (VLAMs) ระบบหลัก OM 1 เป็นระบบปฏิบัติการแบบหลายแพลตฟอร์มที่สามารถโต้ตอบกับสภาพแวดล้อมจริงแบบไดนามิก และเหมาะเป็นพิเศษสำหรับการพัฒนาเทคโนโลยีหุ่นยนต์แบบกำหนดเอง แพลตฟอร์มนี้รวบรวมข้อมูลผ่านโทรศัพท์มือถือและหุ่นยนต์ และแบ่งปันข้อมูลกับนักพัฒนาหุ่นยนต์เพื่อปรับปรุงและสร้างสรรค์นวัตกรรมสถานการณ์การใช้งานหุ่นยนต์
7. เมคคาเอไอ
MeckaAI คือโปรโตคอลการฝึกอบรมโมเดล AI ของหุ่นยนต์แบบกระจายอำนาจ ซึ่งผู้ใช้จะช่วย ฝึกอบรม โมเดลพฤติกรรมของหุ่นยนต์โดยการอัปโหลดข้อมูลวิดีโอ แพลตฟอร์มนี้ให้ บริการแอปพลิเคชันมือถือที่ ผู้ใช้สามารถรับ คะแนน OG Mecka โดยการทำภารกิจให้เสร็จสิ้น ซึ่งเป็นการเพิ่มแรงจูงใจในการบริจาคข้อมูลอีกด้วย MeckaAI มุ่งมั่นที่จะส่งเสริมการพัฒนาเทคโนโลยีหุ่นยนต์ผ่านการระดมทุนจากมวลชนและลดเกณฑ์ในการรับข้อมูลการฝึกอบรม
8. เสี่ยวกิน่า ดาว
Xmaquina DAO เป็นองค์กรอิสระแบบกระจายอำนาจ (DAO) ที่สนับสนุนโครงการหุ่นยนต์โอเพนซอร์ส ต่างจากโปรโตคอลอื่นๆ ที่มีส่วนร่วมโดยตรงในการฝึกอบรมโมเดล เป้าหมายหลักของ Xmaquina DAO คือการสนับสนุนการวิจัยและนวัตกรรมในด้านหุ่นยนต์ผ่านการจัดสรรทรัพยากร ศูนย์นวัตกรรมภายใน Deus Lab มุ่งเน้นไปที่การวิจัยและการพัฒนาเทคโนโลยีหุ่นยนต์ ในขณะที่ MachineDAO โหวตว่าจะจัดสรรทรัพยากรให้โครงการใดโดยเดิมพันโทเค็น $DEUS โมเดลนี้ให้การสนับสนุนทางการเงินสำหรับการพัฒนาเทคโนโลยีหุ่นยนต์โอเพนซอร์สโดยยังคงรักษาความโปร่งใสและยุติธรรมในการจัดสรรทรัพยากร
โครงสร้างองค์กรของ MachineDAO
เนื่องด้วยข้อจำกัดด้านพื้นที่ จึงมีโปรโตคอลแอปพลิเคชันบางตัวในสาขาที่คล้ายกันซึ่งไม่ได้มีการอธิบายรายละเอียดไว้ที่นี่ เช่น Alaya_AI , Gata_xyz , KrangHQ เป็นต้น ซึ่งควรค่าแก่การใส่ใจเช่นกัน
อนาคตของ DeSPIN: จากการสนับสนุนสู่มูลค่า
แม้ว่า DeSPIN จะยังอยู่ในช่วงเริ่มต้น แต่ศักยภาพของมันไม่อาจละเลยได้ ด้วยการพัฒนาของ AI ทางกายภาพและ AI ที่เป็นรูปธรรม รวมถึงการเพิ่มขึ้นของแนวคิดใหม่ๆ เช่น Human Data Fleet คาดว่า DeSPIN จะเป็นผู้นำการปฏิวัติทางเทคโนโลยีครั้งใหม่
แนวโน้มที่เป็นไปได้อย่างหนึ่งคือการเผยแพร่รูปแบบ “ฝึกอบรมเพื่อรับรายได้” (T 2 E) ซึ่งผู้ใช้มีส่วนสนับสนุนมูลค่าผ่านข้อมูลเชิงพื้นที่ที่ได้รับในชีวิตประจำวัน และรับรางวัลตามคุณภาพของข้อมูล ตัวอย่างเช่น การเกิดขึ้นของอุปกรณ์แว่นตาแบบกระจายอำนาจสามารถปรับปรุงความแม่นยำและความหลากหลายของการรวบรวมข้อมูลได้อย่างมาก ข้อมูลที่รวบรวมโดยแว่นตาอัจฉริยะไม่เพียงแต่สะท้อนถึงวิธีการรับรู้โลกของมนุษย์ในแบบที่สมจริงที่สุดเท่านั้น แต่ยังรวบรวมข้อมูลแบบหางยาวมากมาย เช่น เสียงจากสภาพแวดล้อมและคุณลักษณะใบหน้าอีกด้วย ซึ่งช่วยเพิ่มความเป็นไปได้ให้กับสาขาของปัญญาเชิงพื้นที่มากยิ่งขึ้น
อย่างไรก็ตาม การพัฒนา DeSPIN ยังเผชิญกับความท้าทายบางประการ เช่น:
การตรวจสอบข้อมูล: จะรับรองความถูกต้องและความแม่นยำของข้อมูลที่ระดมมาจากแหล่งข้อมูลสาธารณะได้อย่างไร
ประเด็นทางจริยธรรม: เราจะควบคุมการใช้ข้อมูลเพื่อหลีกเลี่ยงการรั่วไหลและการละเมิดความเป็นส่วนตัวได้อย่างไร
การยอมรับด้านความต้องการ: สถาบันดั้งเดิมเต็มใจที่จะนำชุดข้อมูลแบบกระจายอำนาจมาใช้หรือไม่
แนวทางแก้ไขปัญหาเหล่านี้จะกำหนดทิศทางในอนาคตของ DeSPIN และจำเป็นต้องมีการศึกษาและแก้ไขเพิ่มเติมในอนาคต
