In altre parole, mentre visitavate PokéStop e palestre, stavate anche scansionando luoghi reali con il vostro telefono. Tutti questi miliardi di immagini e dati di geolocalizzazione raccolti dagli utenti nel corso degli anni sono stati utilizzati per alimentare un sistema di AI capace di creare mappe tridimensionali estremamente dettagliate del mondo reale.
3. A cosa serve tutto questo
Queste mappe 3D possono aiutare macchine e robot a comprendere e muoversi negli spazi fisici, una caratteristica che può tornare utile soprattutto nelle aree in cui il segnale gps è debole o instabile.
Niantic sta già applicando questa tecnologia al di fuori dei videogiochi, stringendo collaborazioni con diverse aziende di robotica. Di recente ha annunciato una partnership con Coco Robotics per migliorare la navigazione dei suoi robot per le consegne. Se non ne avete mai visto uno di persona, probabilmente vi siete imbattuti in video che mostrano questi piccoli robot inciampare sui gradini o urtare fioriere. Mappe più dettagliate del mondo reale possono aiutare a prevenire questo tipo di incidenti e a migliorare l’efficienza del servizio.
4. Qual è il problema
Il punto è che molti utenti non sapevano che, mentre cercavano di catturare un Charmander o uno Psyduck, allo stesso tempo stavano contribuendo all’addestramento di sistemi di intelligenza artificiale utilizzati nella logistica. A giudicare dai commenti su Reddit, c’è ancora molta confusione sull’argomento (oltre, in alcuni casi, a una certa dose di indifferenza per le possibili implicazioni). La vicenda ha però riacceso un dibattito ricorrente tra attivisti ed esperti, legato a temi come il consenso, la privacy e l’uso commerciale dei dati generati dagli utenti, in questo caso milioni di giocatori.
5. Che cos’è un modello AI geospaziale
In una pubblicazione del novembre 2024, Eric Brachmann e Victor Adrian Prisacariu, due dei principali scienziati di Niantic Spatial, uno spinoff di Niantic che si occupa di AI geospaziale, hanno spiegato come funziona questa innovazione. “Quando osserviamo una struttura familiare, che sia una chiesa, una statua o una piazza, è abbastanza facile immaginare come apparirebbe da altre angolazioni, anche se non l’abbiamo vista da tutti i lati. Come esseri umani possediamo una ‘comprensione spaziale’ che ci permette di completare questi dettagli basandoci su innumerevoli scene simili che abbiamo visto in passato. Ma per le macchine questo compito è incredibilmente difficile”.
La possibile soluzione è l’intelligenza spaziale, considerata la prossima frontiera dei modelli AI. Così come i modelli linguistici di grandi dimensioni (large language models, Llm) si basano su grandi quantità di testo per generare le parole più probabili per completare un paragrafo, i modelli geospaziali di grandi dimensioni (large geospatial models, Lgm) utilizzano grandi quantità di dati di geolocalizzazione per dedurre la forma delle strutture nello spazio fisico, anche in luoghi che non sono stati scansionati dagli utenti. “Nella nostra visione di un Lgm, ognuna di queste reti locali contribuirebbe a un grande modello globale, creando una comprensione condivisa delle posizioni geografiche e permettendo di comprendere anche luoghi che non sono ancora stati completamente scansionati”.
