Ang isang dataset ng robotics na may 10 milyong halos magkakaparehong demonstrasyon ay maaaring mas kaunting kapaki-pakinabang kaysa sa mukhang ganoon. Mahalaga ang sukat, ngunit ang diversity ang nagtatakda kung ano talaga ang kinakatawan ng sukat na iyon. Dito nagkakaroon ng pansin ang Task Generation Engine sa loob ng Axis Robotics. Hindi pinapagkakasunod sa pagkakataon ang diversity, kundi inilalarawan ng Axis isang sistema na makakapag-iba sa maraming dimensyon ng isang gawain, kabilang ang: • robot embodiments • mga bagay • spatial configurations • semantic conditions • visual environments Isipin ang isang simpleng bagay tulad ng paghawak sa isang baso. Ang pagbabago sa baso, posisyon nito, ilaw, mga kapaligirang bagay, robot configuration, o kapaligiran ay maaaring gawing maraming iba’t ibang sitwasyon sa pagkatuto ang isang pangunahing kasanayan. Mahalaga ito dahil ang mga totoong tahanan at lugar ng trabaho ay hindi standardized na simulation labs. Ang isang robot na nagtatagumpay lamang sa pamilyar na kondisyon ay hindi talaga natutunan na mag-generalize. Kaya, kapag tumitingin ako sa @axisrobotics, mas kaunti na ang interes kong tanungin: “Gaano karaming trajectories ang maaari nilang i-generate?” Mas mabuting tanong ay: “Gaano kalaking meaningful diversity ang maaari nilang lumikha sa loob ng mga trajectory na iyon?” Para sa Physical AI, ang milyon-milyong halimbawa ay kapaki-pakinabang. Ang milyon-milyong totoong iba’t ibang sitwasyon sa pagkatuto ay maaaring mas mahalaga.