گفتگوی Delphi با بنیان‌گذار Grass: ما تأمین‌کننده داده‌های مخفی در عصر هوش مصنوعی هستیم

«مهم نیست آینده چه نوع سیستم هوش مصنوعی باشد، آن به اطلاعات نیاز دارد.»

ترتیب و گردآوری: Foresight News

مهمان: Andrej Radonjic، بنیان‌گذار و مدیر عامل Wyn Labs، مسئول Grass

مجری: Delphi Digital

در اکتبر 2026، پادکست Delphi Digital با Andrej Radonjic، بنیان‌گذار و مدیر عامل Wyn Labs مصاحبه کرد. به عنوان مسئول پروژه Grass، Andrej به تفصیل توضیح داد که چگونه Grass از یک پروژه کوچک به اشتراک‌گذاری پهنای باند به تأمین‌کننده داده‌های مخفی برای آزمایشگاه‌های پیشرفته هوش مصنوعی مانند OpenAI و Anthropic تبدیل شده است. در حال حاضر، شبکه Grass دارای میلیون‌ها گره است و به آزمایشگاه‌های هوش مصنوعی 10 میلیارد گیگابایت داده وب ارائه کرده است. در این گفتگو، Andrej برای اولین بار ساختار کسب‌وکار Grass، بازارهای داده‌های آموزشی و داده‌های استنتاج، فرصت‌های عظیم داده‌های ویدئویی رباتیک و مجموعه محصولات Live Context Retrieval که به تازگی منتشر شده است را به طور کامل افشا کرد.

نظرات جالب

• «از منظر اینترنت، این مانند این است که کاربران عادی در حال مرور وب هستند. اما در واقع، این یک پلتفرم زیرساخت داده بزرگ است که به تأمین مواد غذایی برای هوش مصنوعی پیشرفته کمک می‌کند.»
• «به طور صادقانه، اکنون بیشتر اینترنتی که برای انسان‌ها طراحی شده است، برای عامل‌های هوش مصنوعی به سختی قابل دسترسی است. سیاست پیش‌فرض وب‌سایت‌ها این است که به طور مستقیم تمام IP‌های مراکز داده را مسدود کنند.»
• «اکنون داده‌های آموزشی و داده‌های استنتاج دو موضوع متفاوت هستند، اما در آینده آنها یکی خواهند شد. مدل نهایی مانند یک لوله آتش‌نشانی به طور مداوم اطلاعات زنده را دریافت خواهد کرد.»
• «آنچه شرکت‌های رباتیک بیشتر می‌خواهند این است که مدل بتواند میلیاردها ویدیو را ببیند و خود یاد بگیرد که چگونه از ابزارها استفاده کند و چگونه کارهای خانه را انجام دهد.»
• «واقعاً خندق دفاعی این است: هر پولی که شما به زیرساخت سرمایه‌گذاری می‌کنید، تولید اقتصادی بیشتری نسبت به رقبای خود ایجاد می‌کند.»
• «چشم‌انداز نهایی Grass این است که به یک واسطه برای دسترسی هوش مصنوعی به اطلاعات تبدیل شود. مهم نیست آینده چه نوع سیستم هوش مصنوعی باشد، آن به اطلاعات نیاز دارد ------ و Grass همان لوله است.»

متن زیر خلاصه‌ای از گفتگوهای پادکست است (محتوا مختصر شده است):

Grass یک VPN نیست، بلکه تأمین‌کننده داده‌های مخفی هوش مصنوعی است

مجری: ابتدا برای شنوندگان ما توضیح دهید که Grass چیست؟ شما چگونه وارد این حوزه شدید؟

Andrej: Grass یک شبکه متشکل از میلیون‌ها گره است که کاربران به طور داوطلبانه به آن ملحق می‌شوند و پهنای باند خود را به اشتراک می‌گذارند و سپس پاداش می‌گیرند. در طرف دیگر، زیرساخت‌های داده‌های مختلف از پهنای باند این میلیون‌ها کاربر برای دسترسی به داده‌های وب به صورت گسترده استفاده می‌کنند.

چگونه وارد این حوزه شدم؟ این به نوعی تصادفی بود. من در کانادا تحصیل می‌کردم و رشته‌ام فیزیک مهندسی بود، با تمرکز بر مهندسی هسته‌ای و فوتونیک. وقتی فارغ‌التحصیل شدم، کارهای مهندسی هسته‌ای در مکان‌های دورافتاده کانادا بود و من در اوایل بیست سالگی نمی‌خواستم به آنجا بروم. سپس متوجه شدم که بسیاری از مهارت‌هایی که در فیزیک آموخته‌ام می‌توانند در صنعت مالی مورد استفاده قرار گیرند، بنابراین چند سالی در مالی کار کردم و سپس دوباره به تحصیل دکتری در فیزیک محاسباتی برگشتم.

زمانی که پاندمی آغاز شد، من در حال تحصیل در مقطع دکتری ریاضیات کاربردی بودم و در حال مدل‌سازی معادلات فیزیکی پیچیده بودم. در طول پاندمی، زمان زیادی داشتم و شروع به انجام کارهای عجیب و غریب کردم. یکی از آنها ربات آربیتراژ بود ------ پیدا کردن تفاوت قیمت‌ها در وب‌سایت‌های مختلف برای انجام آربیتراژ. این نیاز به خزنده‌های زیادی داشت و به این ترتیب وارد حوزه خزیدن وب شدم. چند سال بعد با دو بنیان‌گذار دیگر آشنا شدم و درباره تجربیات خود صحبت کردیم و همه ما احساس کردیم که این یک کار واضح برای انجام است و از آن زمان تا کنون ادامه داده‌ایم.

چرا امروز عامل‌ها به سختی می‌توانند آنلاین شوند

مجری: شما چه چیزی را دیدید که دیگران ندیدند؟ چرا تصمیم به انجام این کار گرفتید؟

Andrej: بزرگ‌ترین نشانه پاندمی بود. در طول پاندمی، بیشتر کسب‌وکارها به صورت آنلاین منتقل شدند و بسیاری از شرکت‌ها روش‌های جمع‌آوری اطلاعات ------ مانند اطلاعات قیمت، حتی محاسبه CPI توسط دولت ------ قبلاً افراد را به فروشگاه‌ها می‌فرستادند تا قیمت‌ها را یادداشت کنند. در طول پاندمی، فروشگاه‌ها بسته شدند و همه مجبور شدند آنلاین خرید کنند.

زیرساخت‌های وب به طور فزاینده‌ای پیشرفته شدند، اما در عین حال، تقاضا برای اطلاعات وب نیز به شدت افزایش یافت. بسیاری از وب‌سایت‌ها متوجه شدند: ما باید اطلاعات را عمومی کنیم تا مردم بتوانند ما را پیدا کنند و محصولات ما را بخرند. اما ما باید یک باغ دیواری بسازیم که فقط به مصرف‌کنندگان اجازه دسترسی دهد و تمام IP‌های مراکز داده را مسدود کند.

تقاضا برای زیرساخت‌های داده‌های وب خودکار در این زمان به شدت افزایش یافت. ما در آن زمان احساس کردیم که این روند متوقف نخواهد شد ------ با قوی‌تر شدن الگوریتم‌های یادگیری ماشین، این روند به کل اینترنت گسترش خواهد یافت.

مجری: حالا عامل‌های هوش مصنوعی چه کارهایی نمی‌توانند انجام دهند؟ چه چیزهایی به طور فزاینده‌ای دشوارتر شده است؟

Andrej: اگر صادقانه بگویم، اکنون بیشتر اینترنتی که برای انسان‌ها طراحی شده است، برای عامل‌های هوش مصنوعی به سختی قابل دسترسی است. و این وضعیت برای مدت طولانی ادامه خواهد داشت.

دلایل زیادی وجود دارد. بسیاری از وب‌سایت‌ها به دلایل مختلف می‌خواهند خزنده‌های هوش مصنوعی را مسدود کنند ------ یا به دلیل ترس از اینکه رقبای خود داده‌ها را بخزند، یا به دلیل ترس از اینکه هوش مصنوعی از محتوای آنها استفاده کند. اما مهم نیست دلیل چیست، آنها به سختی می‌توانند تشخیص دهند که چه کسی در حال دسترسی است، بنابراین سیاست پیش‌فرض این است که همه IP‌های مراکز داده را به طور کلی مسدود کنند.

اگر عامل شما در AWS اجرا شود، هر وب‌سایت می‌تواند تشخیص دهد که این IP متعلق به AWS است. عامل شما و خزنده قیمت رقبای شما از نظر وب‌سایت هیچ تفاوتی ندارند. پیش‌فرض این است که به طور مستقیم مسدود شود. و ما شاهد افزایش این وضعیت هستیم.

این فقط برای عامل‌ها نیست، بلکه برای سناریوهای استفاده استاندارد از مدل‌های بزرگ نیز صدق می‌کند، حتی برای خود فرآیند آموزش مدل‌های بزرگ ------ وقتی شما می‌خواهید برای به دست آوردن داده‌های آموزشی وب را بخزید، با همان مشکل مواجه خواهید شد. برای به دست آوردن بهترین داده‌های آموزشی، شما باید تا حد ممکن به اطلاعات دسترسی پیدا کنید و سپس آنها را فیلتر و انتخاب کنید و اطلاعات درست را در وزن‌های مدل قرار دهید.

داده‌های آموزشی در مقابل داده‌های استنتاج: هوش مصنوعی به دو نوع اطلاعات مختلف نیاز دارد

مجری: اکنون کسب‌وکار شما هم داده‌های آموزشی و هم داده‌های استنتاج دارد. می‌توانید درباره تفاوت این دو بازار صحبت کنید؟

Andrej: اکنون آموزش مدل‌های هوش مصنوعی به این صورت است که یک دوره آموزشی زمان زیادی می‌برد. بیشتر زمان واقعاً صرف تبدیل داده‌ها به فرمت مناسب برای آموزش می‌شود. سپس شما بر اساس خروجی مدل داده‌های بیشتری تولید می‌کنید، که به آن یادگیری تقویتی می‌گویند و سپس مدل را بر اساس این داده‌ها تنظیم می‌کنید.

اما، به محض اینکه مدل آموزش داده شد و در دنیای واقعی مستقر شد، دانش آن در عرض چند ثانیه متوقف می‌شود و نمی‌تواند به طور زنده ادامه دهد. اگرچه یادگیری مداوم در حال تحقیق است، اما هنوز حل نشده است.

بنابراین اکنون دو فرآیند کاملاً متفاوت وجود دارد:

• فرآیند آموزش: خزیدن به محتوای وسیع اینترنت و ایجاد مجموعه داده‌های پیش‌آموزشی بسیار مفید. این مقیاس بسیار بزرگ است و گاهی اوقات به خزیدن هدفمند برای زبان خاص، نوع خاصی از فایل، یا محتوای خاص نیاز دارد.
• فرآیند استنتاج: پس از آموزش مدل، باید بتواند به صورت آنلاین مشاهده کند. شما می‌توانید مدل را در AWS مستقر کنید، اما اگر در مرکز داده باشد، بسیاری از محتوا قابل مشاهده نیست ------ مانند محتوایی که فقط در کشورهای خاص قابل دسترسی است. برای دسترسی به صورت زنده و به صورت گسترده، باید از شبکه‌هایی مانند Grass برای مسیریابی ترافیک استفاده کنید.

ما اکنون بسیار هیجان‌زده‌ایم که یک حوزه نوظهور به نام داده‌های استنتاج داریم. ایده اصلی این است که مدل نیاز به دریافت اطلاعات زمینه‌ای به صورت زنده دارد. وقتی شما از مدل استفاده می‌کنید، یا وقتی مدل توسط مدل دیگری فراخوانی می‌شود، برای اینکه مدل مفید باشد، باید بتواند به اطلاعات جدید و زنده دنیای واقعی دسترسی پیدا کند.

در چند سال آینده، وقتی چارچوب یادگیری مداوم به اندازه کافی بالغ شود و بتواند به صورت گسترده اجرا شود، این دو موضوع به هم می‌پیوندند. مدل مانند یک لوله آتش‌نشانی به طور مداوم اطلاعات زنده از کل اینترنت را دریافت خواهد کرد و به‌روزرسانی خواهد شد.

اجازه دهید هوش مصنوعی میلیاردها ویدیو را ببیند و خود یاد بگیرد

مجری: شما اشاره کردید که شما بیش از 100 میلیارد ویدیو وب‌سایت عمومی را ایندکس کرده‌اید. شرکت‌های رباتیک چگونه از این داده‌ها استفاده می‌کنند؟

Andrej: عدد دقیق ممکن است قدیمی باشد، ما اکنون بیش از 1000 میلیارد ویدیو ایندکس کرده‌ایم. من می‌گویم «ایندکس» زیرا ما هر ویدیو را به صورت کور دانلود نمی‌کنیم ------ این رسانه ویدیو بسیار متراکم است و ذخیره و پردازش آن بسیار گران است. ما به صورت هدفمند خزیدن می‌کنیم.

داده‌های رباتیک و ربات‌ها اکنون یک حوزه بسیار جالب هستند. ابتدا اجازه دهید من منطق پایه‌ای تحقیق در یادگیری ماشین را توضیح دهم: اگر شما بدانید که چه چیزی را باید بهینه‌سازی کنید و فرمت داده‌ها نیز مناسب باشد، یادگیری ماشین بسیار خوشایند خواهد بود. شما یک دسته داده به الگوریتم آشنا می‌دهید و آن به سرعت از آن یاد می‌گیرد.

اکنون وضعیت ایده‌آل برای محققان رباتیک این است که مدل بتواند چند میلیون ویدیو (به طور دقیق، ده‌ها میلیارد) را ببیند، چند میلیون پادکست را گوش دهد و چند تریلیون متن اینترنتی را بخواند و سپس از این اطلاعات یاد بگیرد که چگونه عمل کند و چگونه تعمیم دهد. به عنوان مثال، اگر من یک نفر را ببینم که از چمن‌زن استفاده می‌کند، من به عنوان یک ربات می‌دانم که چگونه این کار را انجام دهم. من دیده‌ام که او چگونه راه می‌رود، چگونه دستش را حرکت می‌دهد، چگونه ابزار را می‌گیرد و بعد از دیدن چند میلیون بار، به سادگی با تنظیم الگوریتم و تنظیمات درست، خودم یاد می‌گیرم.

مدل شرکت Generalist AI در زمینه هوش جسمی به همین دلیل باعث هیجان‌انگیزی شده است، زیرا ممکن است اولین مدلی باشد که نشان می‌دهد: مدل می‌تواند فقط با دیدن ویدیوهای زیاد، یاد بگیرد که چگونه عمل کند ------ به عنوان مثال، یک توپ خاص را بردارد و در یک لیوان بگذارد. آنها همچنین به طور زنده نشان دادند که یک نفر این عمل را انجام داد و مدل پس از مشاهده، دقیقاً همان عمل را کپی کرد.

از آن زمان، یک شرکت دیگر به نام Skild AI نیز مقاله‌ای منتشر کرده است که نشان می‌دهد این رفتار می‌تواند به صورت مقیاس‌پذیر با ویدیوهای وب انجام شود. بنابراین اکنون تقاضا برای ویدیوهای وب به سرعت در حال افزایش است.

Live Context Retrieval: ساده‌سازی مهندسی ضد خزیدن به یک API

مجری: شما به تازگی مجموعه محصولات Live Context Retrieval (LCR) را منتشر کرده‌اید، می‌توانید در مورد آن بیشتر توضیح دهید؟

Andrej: بله، این API محتوا است که به تازگی منتشر کرده‌ایم و اولین محصول در کل مجموعه است. بعداً محصول جستجو (Search) را خواهیم داشت و همچنین قابلیت‌های چندرسانه‌ای را اضافه خواهیم کرد ------ مانند گوش دادن به صدا، خواندن تصاویر، درک معنایی و غیره.

جالب‌ترین قسمت API محتوا این است که این در واقع ابزاری است که ما به طور داخلی استفاده می‌کردیم. تیم ما برای جمع‌آوری داده‌های آموزشی از انواع مختلف به صورت گسترده، گاهی اوقات فقط از شبکه‌های IP خانگی کافی نیست ------ شما باید با اثر انگشت TLS کار کنید، باید مرورگر را به طور مؤثر در سرور بارگذاری کنید، و باید الگوهای درخواست را به طور مداوم تغییر دهید وگرنه وب‌سایت شما را مسدود می‌کند. (توجه: TLS لایه‌ای از رمزگذاری است که در حال حاضر بین مرورگر و وب‌سایت وجود دارد و اطمینان می‌دهد که داده‌هایی که شما ارسال می‌کنید قابل مشاهده نیستند و همچنین تأیید می‌کند که طرف مقابل وب‌سایت واقعی است.) برای جمع‌آوری مؤثر داده‌های آموزشی به صورت داخلی، مهندسان ما یک API بسیار کارآمد برای محتوای وب ایجاد کردند که همه می‌توانند به راحتی از آن استفاده کنند و نیازی به نوشتن خزنده از ابتدا ندارند.

سپس متوجه شدیم که این محصول به سطح بالایی در صنعت رسیده است و بهتر از اکثر چیزهای موجود در بازار است. بنابراین آن را به عنوان اولین محصول در مجموعه LCR به صورت عمومی منتشر کردیم.

این چیست؟ ما کل فرآیند ------ مدیریت درخواست‌های وب جهانی از طریق نمایندگی‌های خانگی، بارگذاری مرورگر، پیکربندی استراتژی‌های ضد خزیدن ------ را به یک تماس API ساده تبدیل کردیم. شما فقط نیاز دارید یک URL به آن بدهید و به سرعت محتوای وب‌سایت را به شما می‌دهد. شما همچنین می‌توانید مشخص کنید که از کدام کشور به آن دسترسی پیدا کنید و می‌توانید آن را به صورت Markdown یا متن ساده خروجی بگیرید.

محصول بعدی که منتشر خواهیم کرد جستجو است. چرا می‌گوییم جستجو کل LCR را تسریع خواهد کرد؟ زیرا عامل‌های معمولی هر بار که آنلاین می‌شوند باید به 5 تا 50 وب‌سایت دسترسی پیدا کنند و در زمان استدلال پیچیده حتی بیشتر. API محتوا اکنون برای مشتریانی که می‌دانند کدام وب‌سایت را باید نظارت کنند مناسب است. وقتی جستجو آنلاین شود، مدل حتی نیازی به دانستن اینکه کجا باید محتوا را پیدا کند نخواهد داشت ------ فقط کافی است API جستجو را فراخوانی کند و سپس API محتوا را برای استخراج محتوا فراخوانی کند.

همکاری با آزمایشگاه‌های پیشرفته هوش مصنوعی، مانند فناوری دفاعی بسیار محرمانه

مجری: همکاری با این آزمایشگاه‌های پیشرفته هوش مصنوعی چه احساسی دارد؟ نیازهای آنها چه تغییراتی کرده است؟

Andrej: خیلی جالب است، برادر. بدون مبالغه، هوش مصنوعی ممکن است به عنوان فناوری‌ای که نسل ما را تعریف می‌کند و حتی تاریخ بشریت را تعریف می‌کند، به عقب نگاه کند. دیدن اینکه این مدل‌ها چگونه به تدریج بهبود می‌یابند و به ارتقای ظرفیت‌های تمدن بشری کمک می‌کنند، خود این موضوع بسیار هیجان‌انگیز است. برای بسیاری از اعضای تیم ما، این یکی از رضایت‌بخش‌ترین و انگیزه‌بخش‌ترین کارهاست.

البته، منابع به شدت متمرکز هستند و در این آزمایشگاه‌ها تنها باهوش‌ترین افراد حضور دارند. هر گفتگویی یک چالش فکری دارد و می‌توانید چیزهای جالب زیادی را ببینید. سخت‌ترین بخش این است که نمی‌توانید با دنیا به اشتراک بگذارید ------ به عنوان مثال، اگر ما در یک پروژه جالب شرکت کرده‌ایم، در چند ماه گذشته واقعاً می‌دانستیم که این پروژه در حال آمدن است زیرا ما در آن مشارکت داشته‌ایم. اما نمی‌توانیم بگوییم.

من چند ماه پیش در پادکست Handsome به این موضوع اشاره کردم، ما اغلب فناوری دفاعی را به عنوان مثال می‌زنیم: یک شرکتی که به دولت کمک می‌کند تا تروریست‌ها را پیدا کند، به وضوح نمی‌تواند به دنیا بگوید که چه کارهایی انجام داده است. زیرا اگر بگویید، دیگران می‌توانند نتیجه‌گیری کنند و می‌توانند مقابله کنند. صنعت هوش مصنوعی امروز نیز همین‌طور است ------ همه در حال رقابت هستند تا بهترین توانایی‌ها را به دست آورند. اگر همه بدانند که یک شرکت مدل خاصی بر روی چه داده‌هایی تمرکز دارد، می‌توانند نتیجه‌گیری کنند که آنها چه کاری انجام می‌دهند و می‌توانند قبل از انتشار آنها، به رقابت بپردازند.

بنابراین ما اغلب می‌توانیم ببینیم که در 6 تا 12 ماه آینده، کل صنعت هوش مصنوعی به کدام سمت خواهد رفت، اما نمی‌توانیم بگوییم.

مدل کسب‌وکار Grass: بنیاد بدون مالک + شرکت خدماتی

مجری: شما به تازگی اثبات درآمد منتشر کرده‌اید و واکنش بازار بسیار مثبت بوده است. می‌توانید درباره ساختار Grass صحبت کنید؟

Andrej: ساختار Grass واقعاً منحصر به فرد است و برای بسیاری از مشتریان ممکن است کمی عجیب به نظر برسد، اما این طراحی دلایل بسیار مهمی دارد ------ همه چیز برای هم‌راستایی انگیزشی است.

آن گزارش حسابرسی توسط یک شرکت حسابرسی انجام شده است که آنها تمام سفارشات خرید Grass را با آزمایشگاه‌های هوش مصنوعی و سایر مشتریان بررسی کرده و سپس با وجوه واقعی دریافتی مطابقت داده‌اند. البته یک کمی زمان تأخیر وجود دارد ------ برخی از فاکتورها پس از 60 روز پرداخت می‌شوند ------ اما به طور کلی با هم مطابقت دارند.

بسیاری از مردم ممکن است متوجه نشوند که موضوع این گزارش حسابرسی بنیاد Grass است، نه یک نهاد سهامی. بنیاد Grass یک بنیاد بدون مالک است و تمام مشتریان ------ چه کسانی که داده‌های پیش‌آموزشی، داده‌های تنظیم دقیق، یا محصولات داده‌های استنتاج می‌خرند ------ در نهایت با بنیاد Grass مواجه هستند. این یک ساختار بدون مالک است، هیچ‌کس مالک آن نیست و توسط هیئت مدیره مستقل مدیریت می‌شود و هرگونه تبادل مالی نیاز به تأیید هیئت مدیره دارد.

من در Wyn Labs کار می‌کنم، Wyn Labs ارائه‌دهنده خدمات بنیاد Grass است. چرا Wyn Labs وجود دارد؟ زیرا در دنیای واقعی شما هنوز باید افراد را استخدام کنید، بیمه اجتماعی پرداخت کنید و بیمه بخرید، باید یک نهاد سهامی برای انجام این کارها وجود داشته باشد. اما، Wyn Labs خود هیچ مالکیتی بر هیچ حق مالکیتی ندارد ------ تمام حقوق مالکیت معنوی به بنیاد Grass منتقل شده است. Wyn Labs به طور مستقیم با هیچ مشتری‌ای مواجه نیست و هرگونه همکاری بین Wyn Labs و بنیاد Grass نیاز به تأیید هیئت مدیره بنیاد Grass دارد ------ و این هیئت مدیره هیچ منافع اقتصادی در Wyn Labs ندارد. البته تیم Wyn Labs نیز همه دارندگان توکن هستند.

چشم‌انداز آینده تبدیل شدن به لوله‌ای برای دسترسی هوش مصنوعی به اطلاعات

مجری: آخرین سوال. اگر همه چیز طبق چشم‌انداز شما پیش برود، Grass در 5 تا 10 سال آینده چه شکلی خواهد داشت؟

Andrej: شما به سرعت فعلی توسعه نگاه کنید، پیشرفت نمایی است، هیچ‌کس نمی‌تواند بگوید که 5 سال دیگر دنیا چه شکلی خواهد بود. اما مأموریت Grass واضح است، ما می‌خواهیم به روشی برای دسترسی هوش مصنوعی به اطلاعات تبدیل شویم.

مهم نیست که آیا عامل‌ها آنلاین می‌شوند یا اینکه سیستم‌های هوش مصنوعی پیچیده‌تری در آینده نیاز دارند که اطلاعات را به شیوه‌ای بهتر و بدون تعصب به دست آورند ------ Grass همان واسطه است. 5 سال دیگر چه شکلی خواهد بود؟ چه کسی می‌داند؟ شاید در آن زمان ما ماهواره‌هایی به فضا بفرستیم تا اطلاعات جمع‌آوری کنیم، نه مانند اکنون که از میلیون‌ها IP جهانی به عنوان ماهواره‌های دیجیتال استفاده می‌کنیم و از دیدگاه خود به جهان نگاه می‌کنیم.

مهم نیست دنیا چگونه تغییر کند، سیستم‌های هوش مصنوعی به اطلاعات نیاز دارند، چه برای آموزش و یادگیری، چه برای ترکیب داده‌های جدید، و چه برای تبدیل شدن به یک فرآیند یادگیری مداوم بزرگ. چشم‌انداز Grass این است که به آن لوله‌ای برای دسترسی به اطلاعات تبدیل شود.