许多最关键的长期数据集，恰恰是我们一直无法访问或解读的那些。
互联网上的价值很大程度上是通过数据循环不断累积的，这些循环会随着规模扩大而持续增强。一个产品或平台收集数据，这些数据让产品变得更好，而更好的产品反过来又有资格收集更多数据。这种自我强化的循环是大多数持久软件业务的基础，也是 USV 网络效应理论的重要支柱，自 Andy 在 2015 年撰文阐述其如何构成应用层网络效应的基础 以来，一直如此。
https://x.com/aweissman/status/676568250210082817
如今，这一点比以往任何时候都更加真实。在 AI 时代，数据是终极货币。各大实验室正在为此投入巨资，像 Mercor 这样的公司正竞相冲向数十亿美元的收入。
数据网络效应的制约因素始终是范围和触达能力——哪些数据在范围内，哪些不在。软件能够捕获的数据是最容易获取的，因为软件之外的大量数据（我们周围的环境、物理世界、人体）过于昂贵和难以捕获，处理起来太困难，因此无法访问。
现在，一股强大的力量正在汇聚，颠覆了这一局面。智能变得丰富且成本正在下降。模型能够快速处理即便是最混乱、最非结构化的输入，而这些输入以前对软件来说过于困难。构建硬件的成本和时间线已迅速下降。同时，我们正在经历可观测性的激增——通过日益廉价且无处不在的传感器、卫星、摄像头等——使得从我们周围世界捕获数据比以往任何时候都更加可行。总的来说，以前所未有的方式收集、即时智能处理并在此基础上构建的能力，使得数据循环能够在几年前还完全黑暗的领域形成。这并非 AI 给现有市场带来效率提升，而是一整套全新的机遇。
这样的例子有很多。环境对话就是一个。我们能够记录语音已有一个世纪，但现在，我们转录、结构化并基于其采取行动的能力，已将其转变为一个实用的数据集。这催生了垂直领域的机遇，比如 Abridge 利用该数据集构建应用，以改变特定市场的运作方式；或者像 Granola 那样创建横向基础设施和工具。记录从来不是难点，但处理和产品化在过去是不可能的。
人体是另一个例子。检测成本正在崩溃，解读结果的能力在提高，并且基于数据个性化定制方案变得越来越可行。人体作为一个数据源，既变得可触及，也变得有用。
但或许这里最大的机遇来自物理世界。
物理世界蕴藏着海量的数据，这些数据长期以来要么难以收集，要么过于杂乱无法处理，而这些数据对于自动化、优化和理解至关重要。现在，传感器正在激增，机器人变得更加强大和廉价，处理杂乱数据的能力也得以快速实现。用于训练机器人完成日益复杂任务的模型正在快速改进，并且为此吸收的数据比以往任何时候都多。我们正在见证物理世界中可能性的转变，从实验走向商业化。数据循环在这里尤其强大。更多的部署产生更多的真实世界数据，更好的数据让模型变得更好，而更好的模型使得下一次部署比上一次更快、更便宜。
在物理世界中构建这些机遇，既非常早期，也非常困难，数据飞轮才刚刚开始显现。在软件飞轮内部，我们才刚刚开始看到从学习（使用数据训练模型）到强化学习（定义奖励函数，使系统能够通过交互学习哪些行动能带来更好的结果）再到持续学习（允许模型在新数据到达时不断改进）的巨大进步。在物理世界中，我们才刚刚开始触及强化学习的皮毛，这种学习发生在机器人与其物理世界交互时。
GIF
但物理世界数据飞轮所带来的机遇是巨大的、能够改变市场的，并且是以前无法触及的。最有趣的用例并非让困难的事情变得更容易，而是让我们能够获得以前从未实现的洞察力和行动力。
例如，每个电线杆上的传感器将实现以前不可能的基础设施可观测性，因为过去电池每六个月就需要更换一次，使得这项工作成本过高。现在，随着电池寿命可达 10 年，深入了解我们的基础设施不仅变得负担得起，而且变得可行。能够同时接收来自我们周围世界各种来源的传感器输入，并将它们综合起来，从噪音中找出意义的模型，将让我们以从未有过的粒度和精度了解我们的天气模式，这是最终能够改变天气模式最关键的一步。自主运输（通过传感器得以实现）正迅速走向现实，能够以前所未有的方式，在全新的成本结构下运送人员和货物。我们现在能够了解我们的海洋，从而获得关于如何保卫我们的陆地、导航我们的船只以及维护我们的星球的新知识。
存在着巨大的机遇来重塑物理世界堆栈的每一层。我们一直在各层面对其进行大量投资，并将继续这样做（我们还有一些未公布的投资项目，也很期待很快分享更多信息。）Generalist 正在构建基础模型，赋予机器人通用灵活性，即执行我们真正想要完成的任务的能力。Tutor Intelligence 运行着从机器人部署到数据收集再到模型改进的完整闭环，使机器人能够在几天内快速投入生产，而不是六个月的集成期（然后将这些数据反馈到其自身的模型中以持续改进）。Sofar Ocean 利用大规模传感器激增，为其自有和第三方软件网络提供基础设施。Viam 位于中间层，作为跨设备群的数据、AI 和自动化操作系统层。Efficient Computer 位于底层，构建高效的芯片，使得在边缘侧的新用例变得经济可行。
二阶效应同样显著。一旦你能够大规模捕获并利用物理世界数据，你就可以通过自动化和智能操作系统来运行效率高得多的工厂，例如，Isembard 正在做的事情正是如此。当然，还有对能源和电力的巨大需求，以支撑这一层，实现所需的计算能力以及所有必要的投入（更高效的数据中心、丰富的 和 更安全的 电池、新形式的 规模化 和 清洁发电 等）。
下面的市场分布图说明了正在探索和作用于我们物理世界的各个堆栈层。
我们处于非常早期的阶段。这些数据集中的大部分都几乎未被开发，而将在其上运行的大多数产品尚不存在。发现它们、触及它们、并将它们投入使用，将改变我们与物理世界互动的方式。我们渴望与那些正朝着这个方向前进的创始人一起，探索这个边缘的全部可能性。
衷心感谢 @km @joshgruenstein @alexiskold @nbt @chadbyers @html_tina 和 Brandon Lucia 对本文观点的完善与启发。
