Un conjunto de datos de robótica con 10 millones de demostraciones casi idénticas puede ser menos útil de lo que parece. La escala importa, pero la diversidad determina qué representa realmente esa escala. Por eso es que el Motor de Generación de Tareas dentro de Axis Robotics captó mi atención. En lugar de dejar la diversidad al azar, Axis describe un sistema que puede variar múltiples dimensiones de una tarea, incluyendo: • embodiment del robot • objetos • configuraciones espaciales • condiciones semánticas • entornos visuales Piensa en algo tan simple como recoger una taza. Cambiar la taza, su posición, la iluminación, los objetos circundantes, la configuración del robot o el entorno puede convertir una habilidad básica en muchas situaciones de aprendizaje distintas. Esto importa porque los hogares y lugares de trabajo reales no son laboratorios de simulación estandarizados. Un robot que solo tiene éxito bajo condiciones familiares no ha aprendido realmente a generalizar. Por eso, cuando miro a @axisrobotics, cada vez me interesa menos preguntar: “¿Cuántas trayectorias pueden generar?” La mejor pregunta podría ser: “¿Cuánta diversidad significativa pueden crear dentro de esas trayectorias?” Para la IA física, millones de ejemplos son útiles. Millones de situaciones de aprendizaje genuinamente distintas podrían ser mucho más valiosas.