قد يكون مجموعة بيانات الروبوتات التي تحتوي على 10 ملايين عرضًا شبه متطابق أقل فائدة مما يبدو. الحجم مهم، لكن التنوع هو ما يحدد ما يمثله هذا الحجم فعليًا. هذا هو السبب في أن محرك توليد المهام داخل Axis Robotics جذب انتباهي. بدلًا من ترك التنوع للصدفة، تصف Axis نظامًا يمكنه تغيير عدة أبعاد للمهمة، بما في ذلك: • أشكال الروبوتات • الأشياء • التكوينات المكانية • الشروط الدلالية • البيئات البصرية فكّر في شيء بسيط مثل رفع كوب. تغيير الكوب، أو موقعه، أو الإضاءة، أو الأشياء المحيطة، أو تكوين الروبوت، أو البيئة يمكن أن يحول مهارة أساسية واحدة إلى العديد من حالات التعلم المختلفة. وهذا مهم لأن المنازل والبيئات العملية الحقيقية ليست مختبرات محاكاة موحدة. الروبوت الذي ينجح فقط تحت ظروف مألوفة لم يتعلم فعليًا التعميم. لذلك، عندما أنظر إلى @axisrobotics، أصبحت أقل اهتمامًا بطرح السؤال: "كم عدد المسارات التي يمكنهم توليدها؟" ربما يكون السؤال الأفضل: "كم تنوعًا ذا معنى يمكنهم إنشاؤه داخل تلك المسارات؟" بالنسبة للذكاء الفيزيائي، الملايين من الأمثلة مفيدة. لكن الملايين من حالات التعلم الحقيقية المختلفة يمكن أن تكون أكثر قيمة بكثير.