يمكن للروبوت أن يمتلك نموذجًا قويًا ولا يزال يواجه صعوبة في مهمة بسيطة. غالبًا ما يكون العنصر المفقود هو الخبرة. إن جمع بيانات الروبوتات في العالم الحقيقي مكلف. كل مهمة جديدة قد تعني مزيدًا من التحكم عن بُعد، ومزيدًا من التجارب المادية، ومزيدًا من الهندسة، ومزيدًا من الوقت. هنا حيث تتخذ @axisrobotics نهجًا مثيرًا للاهتمام. بدلًا من الاعتماد كليًا على العروض المادية، تقوم Axis بربط التوائم الرقمية والمحاكاة وبيانات الروبوتات الحقيقية في حلقة تعلم مستمرة. يمكن إعادة بناء بيئة العمل الحقيقية كتوأم رقمي. ثم يمكن تنوع هذه البيئة عبر العناصر، ووجهات الكاميرا، والإضاءة، وظروف المشهد المختلفة. المحاكاة تخلق تجربة أكثر انسجامًا مع المهمة. العروض الحقيقية تربط هذه التجربة بالواقع المادي. ثم تصبح الفشلات أهدافًا جديدة لجمع البيانات في الجولة التالية. نتائج Booster تجعل هذه الفكرة أكثر واقعية. باستخدام فقط 10 عروض حقيقية لمهمة غطاء سماعة أذن، وصل الروبوت إلى الهدف في 0/20 تجربة. بعد إضافة 50 مسارًا محاكاة من Axis: وصل 17/20 تجربة إلى الهدف. كما قامت Axis بتصفية 42,046 حلقة محاكاة من 95 مستودعًا، تغطي أكثر من 3.2 مليون إطار، ودمجتها مع بيانات Booster الحقيقية لبناء نموذج أساسي مخصص لـ Booster. كانت التغييرات مثيرة للاهتمام: 17.27 سم → 5.78 سم المسافة المتوسطة بين المعصم والهدف 43.9% → 88.2% الحركة الناتجة عن الذراع المُوجَّهة تخفيض بنسبة ~95% حركة الذراع غير المستهدفة وباستخدام فقط 30 عرضًا لكل مهمة: 6/16 → 14/16 تنفيذ المهام بالترتيب خلاصة استنتاجي بسيطة. الجزء المثير للاهتمام ليس فقط أن Axis يمكنها توليد المزيد من بيانات الروبوتات. بل أن النظام مصمم ليجعل البيانات تتراكم. الفشل يخلق هدف جمع جديد. المهمة الجديدة تحسن السبق الجسدي. هذا السبق المحسن يساعد في المهمة التالية. ثم تتكرر الدورة. الالتقاط → المحاكاة → التدريب → النشر → التعلم → التكرار. بالنسبة للذكاء الفيزيائي، قد تكون حلقة التعلم هذه مهمة بنفس درجة أهمية النموذج نفسه. هذا هو الجزء من Axis الذي أتابعه عن كثب.